2. 自动驾驶感知基础
在进入 Occupancy Flow 动态占用预测的工程实现之前，必须先建立一套清晰的感知坐标系与数据观。自动驾驶感知并不是单一模型的任务，而是由多类传感器、多种表征范式和多个预测层级共同构成的系统。理解这些基础概念，才能明白动态占用预测在整个感知栈中的位置与价值。
一、传感器类型与数据特点
主流自动驾驶车辆通常搭载摄像头、激光雷达、毫米波雷达、IMU 与 GNSS。它们的数据特点差异显著，直接决定了后续融合与预测策略。
| 传感器 | 数据形式 | 优势 | 局限 |
|---|---|---|---|
| 摄像头 | 2D 图像序列 | 语义丰富、成本低、纹理清晰 | 缺乏深度、受光照影响大 |
| 激光雷达 | 3D 点云 | 深度精确、几何结构清晰 | 稀疏、雨雾衰减、成本较高 |
| 毫米波雷达 | 距离/速度/角度 | 测速直接、穿透性强 | 角分辨率低、点云噪声大 |
| IMU/GNSS | 位姿与速度 | 提供自车运动基准 | 存在漂移与遮挡误差 |
摄像头擅长“看懂是什么”，激光雷达擅长“看清在哪里”，毫米波雷达擅长“测出多快”。动态占用预测需要同时回答“是什么、在哪里、往哪动”，因此多传感器融合几乎是必然选择。
二、BEV 感知范式
BEV（Bird's Eye View，鸟瞰图）感知将多视角图像或点云统一投影到自车坐标系下的俯视平面，形成一张具有空间一致性的特征图。它的核心价值在于：把透视投影下的尺度变化、遮挡关系，转换为俯视平面上的固定网格表达，便于多传感器对齐与下游规划使用。
典型 BEV 流程如下：
- 各传感器分别提取特征，如摄像头图像特征、激光点云体素特征；
- 通过内外参将特征投影或查询到 BEV 网格；
- 在 BEV 空间进行多模态融合与时序对齐；
- 输出 BEV 特征图，供检测、分割、占用预测等任务共享。
三、占用栅格与占用网络
占用栅格（Occupancy Grid）把三维空间离散为规则体素，每个体素记录“是否被占据”以及可能的语义类别。它不依赖目标框，因此对不规则障碍物、异形车辆、施工区域等更友好。占用网络（Occupancy Network）则用神经网络直接从传感器数据预测每个体素的占用概率与语义标签。
与传统的“检测框 + 跟踪”范式相比，占用栅格的优势在于：
- 不依赖预定义类别，能表达任意形状障碍物；
- 保留完整空间几何，适合精细避障；
- 天然支持多传感器融合与时序累积。
其代价是计算与存储开销大，且体素分辨率、感受野、时序融合方式都会显著影响效果。工程中常用稀疏卷积、多尺度特征、局部体素查询等手段控制成本。
四、动态占用预测的定位
静态占用只回答“当前哪里被占据”，而动态占用预测进一步回答“未来若干秒内，这些体素会如何运动”。它位于感知与规划之间，是连接“看见”与“决策”的关键桥梁。
从图中可以看到，动态占用预测位于占用网络之后、规划控制之前。它接收 BEV 融合特征与当前占用体素，输出未来多个时间步的体素占用与运动流，为规划器提供“未来空间会怎样变化”的预判。
五、典型场景与工程误区
在城市路口场景中，一辆公交车遮挡了后方横穿的行人。传统检测框可能因遮挡而漏检，但占用栅格会保留“被占据”的空间证据；动态占用预测则进一步推断该区域未来可能出现的运动趋势，帮助自车提前减速。
常见误区二：忽略自车运动补偿。动态占用预测必须在自车坐标系下进行时序对齐，否则历史体素会因自车运动而错位。
常见误区三：只关注单帧精度，忽略时序一致性。未来体素流若在相邻帧间抖动，规划器将难以稳定使用。
六、核心参数与工程清单
在工程实现中，以下参数直接影响动态占用预测的效果与成本：
体素分辨率：0.2m / 0.4m / 0.8m
感知范围：前后 100m，左右 50m，高度 -3m ~ 5m
预测时域：1s / 2s / 3s
时间步长：0.5s
体素类别：空、车辆、行人、骑行者、静态障碍、未知
特征通道：占用概率、语义 logits、速度矢量 (vx, vy, vz)
建议在项目初期就明确体素分辨率与预测时域的权衡：分辨率越高，几何越精细，但显存与推理延迟上升；预测时域越长，规划收益越大，但不确定性也越高。通常 0.4m 分辨率、2s 预测时域是城市场景的较优起点。
总结来说，传感器提供原始观测，BEV 提供统一空间，占用网络提供精细几何，动态占用预测提供未来演化。四者层层递进，共同构成自动驾驶感知从“看见”到“预见”的完整基础。