第684章 启发和颠覆 (2/3)

做目标检测、分割的方法，对算力和实时性要求极高。

    并且对非常规障碍物（比如掉落的轮胎、倒下的树、形状怪异的施工设施）的识别能力，存在理论瓶颈。

    我在想，是否可以引入一种更‘直接’的表达方式——占用网络（OCCUpanCy NetWOrk）。”

    “占用网络？”李鹏飞下意识地重复了一句，这位计算机视觉领域的顶尖专家，镜片后的眼睛瞬间亮了起来，身体也不由自主地坐直了。

    这个概念对他而言不算陌生，但从未在量产自动驾驶领域被认真讨论过。

    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、是锥桶还是别的什么具体类别。

    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，甚至融合低线束激光雷达的稀疏点云，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栅格图。

    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态（速度向量）。”

    陈默的笔尖在网格上移动：

    “这样，无论前方是一个标准车辆，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‘有东西占着这个空间，可能会动’。

    避障是最核心的需求，知道‘有东西’且‘它怎么动’，往往比精确知道‘它是什么’更重要，尤其是在极端COrner CaSe下。

    而且，这种表达天然适合后续的轨迹规划和碰撞检测，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标检测对长尾类别识别的依赖，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，需要算法创新和硬件加速的协同。

    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，眼中闪烁着震撼和兴奋的光芒，仿佛被一道闪电劈开了思维的迷雾。

    他紧紧盯着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。

    忽略物体类别，直指空间占用的本质。

    这思路太颠覆了！简直是给感知领域开了另一扇窗。

  &nb

本章未完，请点击下一页继续阅读