第684章 启发和顛覆（2/2）

它太新，也太“重”了。

“对，”陈默点头。

“它不关心前方障碍物是车、是人、是锥桶还是別的什么具体类別。

它只关心一个最本质的问题：车辆前方及周围的三维空间里，哪些体素（voxel）被占用了？

是刚性占用（如墙壁）还是柔性占用（如灌木丛）？

是可穿越的还是不可穿越的？”

他一边说，一边拿起桌上的白板笔，转身在旁边的白板上快速勾勒起来。

寥寥几笔，画出一个粗糙的车辆前方视角，然后打上密集的三维网格。

“输入多视角摄像头图像，甚至融合低线束雷射雷达的稀疏点云，通过一个精心设计的3d卷积神经网络，直接输出一个稠密的三维占用柵格图。

每一个小格子（体素）都有一个概率值，表示它被占据的可能性。

同时，还可以预测每个被占据体素的运动状態（速度向量）。”

陈默的笔尖在网格上移动：

“这样，无论前方是一个標准车辆，还是一堆怪异的建筑垃圾，甚至是一团浓雾（如果能部分穿透），系统都能感知到『有东西占著这个空间，可能会动』。

避障是最核心的需求，知道『有东西』且『它怎么动』，往往比精確知道『它是什么』更重要，尤其是在极端corner case下。

而且，这种表达天然適合后续的轨跡规划和碰撞检测，因为它直接描述了空间的占用情况。”

他放下笔，看向已经完全被吸引的李鹏飞和卞金麟：

“这或许能绕过传统目標检测对长尾类別识別的依赖，提升对异形障碍物的泛化能力。

当然，计算量巨大是现实挑战，需要算法创新和硬体加速的协同。

但方向，我认为值得探索。

鹏飞，你在诺基亚搞高精地图和slam，对空间建模理解很深，怎么看？”

李鹏飞深吸一口气，眼中闪烁著震撼和兴奋的光芒，仿佛被一道闪电劈开了思维的迷雾。

他紧紧盯著白板上那个简陋的网格图，大脑以前所未有的速度运转起来。

忽略物体类別，直指空间占用的本质。

这思路太顛覆了！简直是给感知领域开了另一扇窗。

他之前的研究一直纠结於如何提升目標检测的精度和鲁棒性，却从未想过可以换个角度，直接描述空间的“满”与“空”、“动”与“静”！

“陈总...您这想法...”李鹏飞的声音因为激动而微微发颤。

“太...太有启发性了！

它跳出了物体识別的框架，直指自动驾驶最核心的空间安全性问题！

对！异形障碍物、未知物体...

这些困扰业界多年的难题，在占用网络的框架下，可能被极大缓解。

计算量確实是座大山，但稀疏卷积、模型蒸馏、专用硬体...

这些都是可以攻克的路径！

我...我立刻组织感知团队进行预研和可行性验证。

这可能是解决bev落地痛点的关键钥匙！”