Occupancy 接入规划：自动驾驶从“识别物体”到“经营不确定性”的架构迁移

Occupancy 的本质，是把世界表达为一个概率化的空间场。它不像检测框那样说“这里有一辆车”，而是说“这个空间单元在当前或未来被占据的概率是多少”。这看似粗糙，实际更接近规划系统真正关心的问题：车身经过某个空间时，风险是多少。

自动驾驶系统的演进，不是从“没有 Occupancy”到“有 Occupancy”这么简单。真正的分水岭在于：概率信息有没有活到规划决策那一刻。

图 1｜Occupancy 与规划结合的工程演进

一、不要问 Occupancy 是否先进，要问它在哪里被截断

Occupancy 最大的价值是概率场，而最常见的浪费方式，是把它过早变成“能走 / 不能走”的二值边界。

这就像气象雷达能告诉我们一片云团的厚度、移动方向和降雨概率，但我们最后只把它画成一条红线：线内危险，线外安全。图变干净了，信息也没了。

Occupancy 真正改变规划系统的地方，不是让车“看见更多东西”，而是让规划器第一次有机会面对一个灰度世界。

传统规划器喜欢黑白世界：有障碍、无障碍；在车道内、在车道外；可通行、不可通行。但真实道路是灰度的。一个低矮纸箱、一个塑料袋、一片积水、一个悬空货车尾板，它们都不适合被简单塞进“障碍物”或“非障碍物”。Occupancy 把这种灰度显式表达出来，规划系统才有可能做出更像人类的风险管理。

二、阶段一：间接结合——给旧规划栈加一只“几何保险丝”

间接结合是最容易量产、也最容易被误解的方案。

它的核心做法是：Occupancy 网络输出 3D 或 BEV 占据结果，系统再通过高度切片、投影、阈值化、形态学处理、轮廓提取，把它变成 Free Space 边界或障碍物多边形，然后送入传统规划器。

这套方案像在老房子里加装烟雾报警器。它不改变房子的电路、水管和结构，但能在最危险的时候发出警报。对于已有成熟规划栈的车企，这是很现实的选择。安全验证资产可以复用，规划器接口变化小，算力压力可控，量产节奏不会被彻底打断。

但它的缺陷也很硬。Occupancy 本来是一张概率地图，进入后处理后被压缩成边界线。规划器看到的不是“这里有 0.35 的占据概率，那里有 0.82 的占据概率”，而是“这里不能走，那里能走”。这等于把灰度照片重新描成线稿。

更麻烦的是，后处理链路本身会放大误差。一个 0.3m 分辨率的 BEV 栅格，边界量化误差通常已经和栅格尺寸同量级相关。再经过膨胀、腐蚀、轮廓提取和凸包拟合，障碍物边界往往会被“吹胖”。在宽阔道路上，这种保守没什么问题；到了狭窄会车、施工绕行、地下车库、城中村道路，它就会变成通行能力问题。车不是不知道前面有路，而是它看到的“安全空间”被自己算法的安全边界吃掉了。

间接结合真正适合什么场景？

在公开技术展示中，Occupancy Network 已经被一些公司作为关键空间表征展示出来，Tesla 2022 AI Day 也专门展示过 Occupancy Network 与 Planning 相关内容；但公开展示不能直接推出内部量产系统的仲裁优先级，更不是“无条件相信某一路感知”。工程上没有“无条件相信”，只有置信度、时序稳定性、传感器一致性、场景上下文和安全策略共同决定的仲裁。

真正成熟的系统不会盲信 Occupancy，也不会盲信检测框。它会问几个更冷静的问题：

Occupancy 在这一阶段不是主厨，更像验毒针。它不能决定整桌菜怎么做，但它能在最危险的时候阻止系统把毒吃下去。

三、阶段二：半直接结合——让规划器直接阅读概率场

传统规划像拿尺子量边界，半直接结合像在一张热力图上找低温通道。前者问“碰没碰到”，后者问“这条路径的风险总量是多少”。

核心代价表达

可以把车辆轨迹上的碰撞风险简化理解为：

其中：

这个变化看起来只是碰撞检测方式变了，实际是规划哲学变了。

传统二值碰撞检测像法官：只判有罪或无罪。栅格概率代价像风险经理：它不急着判死刑，而是计算每条路径的风险暴露。

图 2｜半直接结合的 Layered Costmap 架构

半直接结合的创新点，不是“用了 Occupancy”，而是重构了三个接口。

规划输入接口：从对象列表变成空间场

Occupancy 不是“彻底解决异形障碍物”，它只是扩大了系统可表达的物理世界范围。遇到雨雾、反光、遮挡、传感器脏污，Occupancy 仍然会退化。

碰撞检测接口：从硬边界变成软势场

传统车辆模型通常用矩形框、多圆模型或多边形表达。硬边界的问题是代价不连续：差一点没撞，代价是 0；刚刚碰到，代价突然变成无穷大。这对优化器不友好。

这样障碍物附近形成连续风险场，轨迹优化器可以沿着梯度自然远离高风险区域。

这像把墙从“硬砖头”变成“越来越烫的空气”。车越靠近障碍物，代价越高；优化器不需要等到撞上才知道危险。

计算接口：从 CPU 几何运算转向 GPU 栅格并行

半直接结合听起来优雅，落到车端就是算力账。

表 2｜半直接结合中的关键工程权衡

这里最容易出问题的是安全边界。

很多系统为了安全，会把 Occupancy 代价做得很厚。结果是车辆在开阔道路上很安全，在窄路里像一个怕脏鞋的人：明明能过，就是不敢过。高斯核尾部如果不截断，低概率风险会铺满整个狭窄通道；截断太狠，又会损失提前避障能力。

这类参数不是调得越保守越好。过度保守也是安全风险，因为后车追尾、路口僵持、无保护左转迟滞、施工区停车，都会把车辆暴露在新的风险里。自动驾驶的安全不是“不动”，而是在风险之间做最小化选择。

四、动态 Occupancy：真正困难的是未来，不是当前

当前帧 Occupancy 解决的是“现在空间里有什么”。规划真正需要的是“我到那里的时候，那里会有什么”。

这就是 Occupancy Flow 和 4D Occupancy 的价值。Waymo 提出的 Occupancy Flow Fields 把运动预测表达为时空栅格，每个格子不仅有占据概率，还包含表示运动方向和幅度的 flow vector，用来缓解单纯 occupancy grid 不表达运动的问题。

这一步非常关键。因为自动驾驶规划不是在静态地图上画线，而是在一群会移动、会犹豫、会抢行、会犯错的人之间下注。

这里的技术难点不是把未来栅格画出来，而是让它对规划有用。

一个预测模型如果只是生成“看起来合理”的未来场景，对车端没有太大意义。规划需要的是可比较、可回放、可归因的未来风险。也就是说，不同自车动作必须能导致不同未来占据结果，否则世界模型只是一个漂亮的动画播放器。

这也是动作条件世界模型的意义。它不只是问“世界会怎样”，而是问“如果我刹车、加速、变道、让行，世界分别会怎样”。

近年的研究已经在尝试把 4D Occupancy forecasting 与规划结合，例如 Drive-OccWorld 将视觉中心的 4D occupancy forecasting world model 用于端到端规划，并探索 action condition、future occupancy and flow forecasting 以及 occupancy-based cost function。

五、隐式端到端：性能像涡轮，验证像黑箱

隐式端到端的逻辑很诱人：不要再人为拆分感知、预测、规划，让网络从传感器输入直接学习到驾驶轨迹。Occupancy 在这里不一定作为显式规划输入，而更像训练时的几何老师。它通过辅助监督约束 BEV 特征，让网络内部学到空间结构、遮挡关系和运动规律。

这套范式的优点很明显。模块化系统每经过一个接口就会损失信息：检测框丢掉形状，轨迹预测丢掉联合不确定性，规则规划丢掉人类驾驶里的微妙博弈。隐式端到端试图让信息在同一个特征空间里流动，减少人为接口造成的损耗。

但它也带来一个硬伤：你很难知道系统为什么这样开。模块化系统像一台拆得开的机械表，每个齿轮都能检查。隐式端到端像一块封装芯片，性能可能更强，但出了问题只能通过输入输出倒推。对于量产自动驾驶，这不是小问题。事故复盘、责任界定、安全验证、法规沟通，都要求系统能解释“为什么在这个时刻选择这条轨迹”。

在真实量产中，端到端模型通常仍需要安全壳、规则约束、冗余监控和可回退策略。没有这些东西，端到端不是自动驾驶系统，只是一个会输出轨迹的大模型。

六、显式端到端：把世界模型做成规划器的沙盘

显式端到端试图解决隐式端到端的黑箱问题。它保留神经网络的强表征能力，但不让网络直接把一切吞掉。系统先预测未来多帧 4D Occupancy + Flow，再让规划器在这个可观测、可渲染、可回放的未来世界中选择轨迹。

这更像军队做沙盘推演：不是凭直觉下命令，而是先推演不同路径下敌我位置变化，再选风险最低的行动。

显式端到端的最大优点，是它保留了工程系统最需要的三样东西：

但它的代价也很沉重。4D Occupancy 的计算量不是普通 BEV 感知的线性升级，而是把空间、时间、语义、运动、自车动作条件全部揉在一起。当前帧看错一次，未来多帧连续滚动预测会把误差累积放大。世界模型如果过度自信，会让规划器相信一个不存在的未来；如果过度保守，车辆会像患有焦虑症一样开车。

显式端到端真正要解决的不是“预测未来”，而是“知道自己预测得有多不确定”。没有不确定性校准的世界模型，只是高级幻觉机。

图 3｜Occupancy 规划系统的技术脑图

七、真正的创新不在模型名，而在四个工程缝隙

很多文章写 Occupancy，喜欢堆概念：BEV、Transformer、4D、World Model、End-to-End。问题是这些词本身不构成工程创新。真正决定系统水平的，是几个缝隙处理得怎么样。

缝隙一：感知概率如何变成规划代价

Occupancy 输出 0.7，并不自动意味着规划器应该避让多少。概率到代价之间需要映射函数，这个映射函数会决定车辆性格。

同样的 Occupancy，代价映射陡峭，车会保守；映射平缓，车会激进。高速场景需要高惩罚，泊车场景需要允许低速贴近。雨雾场景需要扩大不确定性边界，窄路会车又不能让边界过度膨胀。

真正的工程能力，不是有一个 Occupancy 网络，而是能根据速度、场景、道路拓扑、交通参与者类型和历史稳定性动态调整风险代价。

缝隙二：高度信息如何压缩

完整 3D Voxel 很贵，直接压成 2D 又容易丢失信息。路沿、低矮障碍、悬空货车尾板、限高杆，对自车风险完全不同。高度压缩不是简单投影，而是一次面向车辆几何的风险提取。

高度切片阈值必须与车型底盘高度、传感器安装位置、场景类型和可碾压策略绑定，不存在一个放之四海皆准的固定区间。

缝隙三：地图和实时感知冲突时相信谁

地图是记忆，Occupancy 是现场。记忆有用，但会过期；现场真实，但会有噪声。

高精地图告诉你这里有车道线，Occupancy 告诉你这里有施工围挡。系统不能简单选一个相信。它需要判断地图元素的时效性、感知结果的稳定性、道路拓扑的可替代性，以及违反地图行驶的法规风险。这类冲突是城市 NOA 的日常，不是 corner case。

缝隙四：系统如何证明自己安全

Occupancy 让感知表达更连续，但也让验证更复杂。传统多边形障碍物可以做明确的碰撞检查，概率场则需要定义风险阈值、代价积分、时序一致性和不确定性边界。

这意味着安全验证必须从“是否撞上障碍物”扩展到：

八、四类架构的最终判断

如果要给出一个冷静判断：未来相当长一段时间，主流量产不会直接跳到完全显式世界模型，也不会彻底抛弃模块化安全壳。更现实的路线是半直接结合成为中枢，端到端模型提供候选轨迹或特征增强，规则系统和安全监控作为外层约束。

也就是说，量产自动驾驶不会是一场“神经网络消灭传统规划”的革命，更像一次缓慢的器官移植：先换感知表征，再换碰撞检测，再换预测接口，最后才可能换掉决策心脏。

九、核心结论

Occupancy 的价值不在于它比检测框“更高级”，而在于它把自动驾驶规划从对象中心推向空间中心。

对象中心的系统问：“我识别出了什么？”

但 Occupancy 不是银弹。它解决了传统感知对语义类别过度依赖的问题，却引入了新的系统成本：栅格分辨率、显存带宽、概率校准、时序一致性、地图冲突、代价映射、安全验证。真正成熟的自动驾驶公司不会把 Occupancy 当成一个炫技模块，而会把它当成贯穿感知、预测、规划、仿真和数据闭环的统一空间协议。

一句话概括：

Occupancy 不是让车“看见物体”的技术，而是让车“经营空间风险”的技术。它的终点不是更大的栅格，而是一个能被规划器理解、被安全系统约束、被工程团队验证的概率世界。

这才是它真正重构自动驾驶系统的地方。