[首發(fā)于智駕最前沿微信公眾號]在自動駕駛的視覺感知領(lǐng)域，占用網(wǎng)絡(luò)（Occupancy Network）風(fēng)頭正勁，大有取代傳統(tǒng)目標(biāo)檢測方案的勢頭。在最近一篇交流占用網(wǎng)絡(luò)的文章中，有小伙伴提問，自動駕駛有了占用網(wǎng)絡(luò)還需要卷積神經(jīng)網(wǎng)絡(luò)（CNN）嗎？

對于這個問題我們需要先厘清它們在整個系統(tǒng)里扮演的角色。占用網(wǎng)絡(luò)在自動駕駛中更像是一種對世界的表達(dá)方式，而CNN則是處理圖像信息的基礎(chǔ)工具。這兩者之間并不是非此即彼的替代關(guān)系，而是各司其職。

傳統(tǒng)的視覺識別是怎么工作的？

在占用網(wǎng)絡(luò)流行之前，自動駕駛的主流感知方案是基于CNN的目標(biāo)檢測。你可以把它想象成給攝像頭拍到的每一張照片畫框。

當(dāng)攝像頭拍攝到前方的道路，CNN會通過一層層的卷積運算，從像素中提取出邊緣、紋理、形狀等特征。如果它發(fā)現(xiàn)某個區(qū)域的特征符合它學(xué)習(xí)過的車或者人的特征，就會在該位置打上一個標(biāo)簽，并給出一個矩形框。

卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)

這種方式在處理標(biāo)準(zhǔn)物體時效率非常高，因為它直接告訴了系統(tǒng)前方多遠(yuǎn)有一輛車。

然而，單純依靠畫框的方案存在一個明顯的短板，就是它很難處理那些沒見過的物體。

如果路面上掉落了一個形狀奇特的塑料桶，或者有一輛側(cè)翻的運載奇形怪狀建筑材料的卡車，傳統(tǒng)的CNN目標(biāo)檢測模型可能會因為找不到匹配的特征而漏檢。

這是因為這類模型本質(zhì)上是在做分類題，如果題目超出了它的知識庫，它就可能選擇視而不見。這種漏檢對于追求極致安全的自動駕駛來說，顯然是不可接受的。

為什么需要占用網(wǎng)絡(luò)？

為了解決這種“長尾問題”，占用網(wǎng)絡(luò)應(yīng)運而生。它不再試圖去分辨前方到底是車還是樹，而是直接把三維空間切成無數(shù)個微小的方格，也就是我們常說的體素。

占用網(wǎng)絡(luò)的目標(biāo)非常單純，那就是判斷每一個方格是被占據(jù)了，還是空閑的。

通過這種方式，感知系統(tǒng)就能構(gòu)建出一個實時的三維物理世界模型。在這個模型里，哪怕前方是一堆亂七八糟的雜物，只要它占據(jù)了空間，占用網(wǎng)絡(luò)就會把它標(biāo)記為不可通行。

這種從做分類題到做空間判斷題的轉(zhuǎn)變，極大地提升了自動駕駛對未知環(huán)境的適應(yīng)能力。它不再依賴于復(fù)雜的物體標(biāo)簽，而是回歸到了物理世界的本質(zhì)。

通過占用網(wǎng)絡(luò)，車輛可以更精準(zhǔn)地感知物體的邊緣、高度和深度，甚至能預(yù)測物體在空間中的運動趨勢。

這不僅解決了漏檢奇形怪狀物體的問題，也為車輛的規(guī)控系統(tǒng)提供了更干凈、更立體的環(huán)境地圖。

占用網(wǎng)絡(luò)和CNN是替代關(guān)系嗎？

既然占用網(wǎng)絡(luò)這么厲害，那CNN是不是就可以不再使用了呢？答案是否定的。實際上，目前的占用網(wǎng)絡(luò)架構(gòu)中，CNN依然發(fā)揮著不可替代的基礎(chǔ)作用。

我們要明白，占用網(wǎng)絡(luò)處理的是三維空間的占用情況，但傳感器的輸入，尤其是攝像頭拍攝的原始畫面，依然是二維的像素點。

要把這些雜亂的像素變成有意義的特征，最成熟、最高效的手段依然是CNN。

在目前的感知流程中，CNN充當(dāng)著骨干網(wǎng)絡(luò)的角色。攝像頭捕獲圖像后，首先由CNN進行初步的特征提取，把圖像轉(zhuǎn)化成高維的特征向量。這些特征向量里包含了物體的顏色、紋理、明暗變化等關(guān)鍵信息。

隨后，這些信息才會被送入后續(xù)的模塊（比如Transformer或跨空間映射模塊），轉(zhuǎn)化成三維空間下的占用概率。

換句話說，CNN負(fù)責(zé)看，它提供了感知的素材；而占用網(wǎng)絡(luò)負(fù)責(zé)想，它基于這些素材把世界構(gòu)造成三維的模樣。

未來的感知架構(gòu)會如何演進？

雖然CNN目前依然穩(wěn)坐骨干網(wǎng)絡(luò)的寶座，但自動駕駛的感知架構(gòu)確實在發(fā)生變化。隨著計算硬件的升級，一些原本由CNN承擔(dān)的任務(wù)正在向Transformer轉(zhuǎn)移，尤其是在處理多攝像頭融合和長時序信息時，Transformer表現(xiàn)出了更強的全局建模能力。

但這并不意味著CNN會徹底消失。在一些對實時性要求極高、計算資源相對有限的邊緣處理任務(wù)上，CNN憑借其局部特征提取的極高效率，依然具有很強的競爭力。

未來的自動駕駛感知系統(tǒng)，大概率會是一種多種技術(shù)深度融合的狀態(tài)。CNN可能會繼續(xù)在底層處理圖像像素，通過輕量化的設(shè)計快速提取基礎(chǔ)特征；而占用網(wǎng)絡(luò)則在更高層級上統(tǒng)領(lǐng)全局，把來自不同傳感器的數(shù)據(jù)整合成統(tǒng)一的空間模型。

在這個進化的過程中，占用網(wǎng)絡(luò)并沒有淘汰CNN，而是把CNN從繁重的畫框任務(wù)中解放了出來，讓它回歸到最擅長的圖像特征提取工作中。

兩者的結(jié)合，讓自動駕駛汽車能夠不僅看清路上的物體，更能真正讀懂這個立體的物理世界。