佔用網絡（Occupancy Network）

佔用網絡（Occupancy Network） 係一種將自動駕駛感知從「識別物體」升級到「感知空間」嘅深度學習模型。佢唔再費力去辨認前方嘅障礙物具體係咩，而係將周圍嘅三維空間切分做無數細微嘅立方體（稱為體素），然後逐個判斷每個體素係被物體「佔用」定係「閒置」。

傳統嘅感知系統依賴目標偵測，需要係識出物體類別（例如車、人），先規劃避讓。但面對散落嘅紙箱、側翻嘅貨車等訓練集入面冇嘅「異形障礙物」，系統就好易「失明」。

佔用網絡就完全改變咗思路。佢唔關心物體係咩，淨係關心空間本身嘅狀態。只要係有嘢佔咗空間，無論形狀幾咁怪、係咪見過，都會被標記為障礙物，從而從根本上解決咗傳統感知喺「長尾場景」入面嘅漏檢問題。

空間體素化：將車輛周圍一定範圍嘅三維空間，切分做邊長通常係 0.2 米至 0.5 米嘅體素網格，形成一個「三維像素」地圖。
傳感器輸入與融合：主流方案通常以多路環視攝像頭嘅圖像為基礎，透過神經網絡推斷出每個體素嘅佔用機率。不過，呢個通常係需要前期利用激光雷達生成嘅高精準度數據作為訓練「老師」嚟教會視覺網絡。喺實際應用上，華為、理想等廠商亦經常將激光雷達用於實時感知，同視覺進行深度融合，以增強喺黑夜、強光等複雜環境下嘅可靠性。
高運算能力要求同挑戰：要係實時處理海量嘅三維體素數據，對車載晶片嘅運算能力係巨大考驗。因此，佢嘅大規模落地需要依賴強大嘅計算平台，並採用非均勻網格等算法技巧嚟平衡精度同效率。

技術路線	代表廠商	核心特點
純視覺路線	特斯拉、小鵬、極越	僅依賴攝像頭，透過強大嘅算法由二維圖像推斷三維空間。成本較低，但對算法同運算能力要求極高。
多傳感器融合路線	華為、理想等國產廠商	將攝像頭同激光雷達、毫米波雷達等傳感器數據深度融合。感知更加可靠，成本亦相應更高。

總而言之，佔用網絡透過將物理世界數碼化做可計算嘅空間模型，令自動駕駛車輛獲得咗真正嘅空間直覺。佢已成為通往高級自動駕駛嘅關鍵技術拼圖。