第684章啟發和顛覆
第684章啟發和顛覆(第2/3頁)
求極高。
並且對非常規障礙物（比如掉落的輪胎、倒下的樹、形狀怪異的施工設施）的識彆能力，存在理論瓶頸。
我在想，是否可以引入一種更‘直接’的表達方式——占用網絡（occupancynetwork）。”
“占用網絡？”李鵬飛下意識地重複了一句，這位計算機視覺領域的頂尖專家，鏡片後的眼睛瞬間亮了起來，身體也不由自主地坐直了。
這個概念對他而言不算陌生，但從未在量產自動駕駛領域被認真討論過。
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、是錐桶還是彆的什麼具體類彆。
它隻關心一個最本質的問題：車輛前方及周圍的三維空間裡，哪些體素（voxel）被占用了？
是剛性占用（如牆壁）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，然後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雲，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，還是一堆怪異的建築垃圾，甚至是一團濃霧（如果能部分穿透），係統都能感知到‘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‘它怎麼動’，往往比精確知道‘它是什麼’更重要，尤其是在極端cornercase下。
而且，這種表達天然適合後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彆識彆的依賴，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slam，對空間建模理解很深，怎麼看？”
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。
忽略物體類彆，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
（本章未完，請點擊下一頁繼續閱讀）