它太新，也太“重”了。
“對，”陳默點頭。
“它不關心前方障礙物是車、是人、是錐桶還是別的什么具體類別。
它只關心一個最本質的問題：車輛前方及周圍的三維空間里，哪些體素（voxel）被占用了？
是剛性占用（如墻壁）還是柔性占用（如灌木叢）？
是可穿越的還是不可穿越的？”
他一邊說，一邊拿起桌上的白板筆，轉身在旁邊的白板上快速勾勒起來。
寥寥幾筆，畫出一個粗糙的車輛前方視角，然后打上密集的三維網格。
“輸入多視角攝像頭圖像，甚至融合低線束激光雷達的稀疏點云，通過一個精心設計的3d卷積神經網絡，直接輸出一個稠密的三維占用柵格圖。
每一個小格子（體素）都有一個概率值，表示它被占據的可能性。
同時，還可以預測每個被占據體素的運動狀態（速度向量）。”
陳默的筆尖在網格上移動：
“這樣，無論前方是一個標準車輛，還是一堆怪異的建筑垃圾，甚至是一團濃霧（如果能部分穿透），系統都能感知到‘有東西占著這個空間，可能會動’。
避障是最核心的需求，知道‘有東西’且‘它怎么動’，往往比精確知道‘它是什么’更重要，尤其是在極端ercase下。
而且，這種表達天然適合后續的軌跡規劃和碰撞檢測，因為它直接描述了空間的占用情況。”
他放下筆，看向已經完全被吸引的李鵬飛和卞金麟：
“這或許能繞過傳統目標檢測對長尾類別識別的依賴，提升對異形障礙物的泛化能力。
當然，計算量巨大是現實挑戰，需要算法創新和硬件加速的協同。
但方向，我認為值得探索。
鵬飛，你在諾基亞搞高精地圖和sla，對空間建模理解很深，怎么看？”
李鵬飛深吸一口氣，眼中閃爍著震撼和興奮的光芒，仿佛被一道閃電劈開了思維的迷霧。
他緊緊盯著白板上那個簡陋的網格圖，大腦以前所未有的速度運轉起來。
忽略物體類別，直指空間占用的本質。
這思路太顛覆了！簡直是給感知領域開了另一扇窗。
他之前的研究一直糾結于如何提升目標檢測的精度和魯棒性，卻從未想過可以換個角度，直接描述空間的“滿”與“空”、“動”與“靜”！
“陳總...您這想法...”李鵬飛的聲音因為激動而微微發顫。
“太...太有啟發性了！
它跳出了物體識別的框架，直指自動駕駛最核心的空間安全性問題！
對！異形障礙物、未知物體...
這些困擾業界多年的難題，在占用網絡的框架下，可能被極大緩解。
計算量確實是座大山，但稀疏卷積、模型蒸餾、專用硬件...
這些都是可以攻克的路徑！
我...我立刻組織感知團隊進行預研和可行性驗證。
這可能是解決bev落地痛點的關鍵鑰匙！”</p>