01

60 秒回答模板

Occupancy 的核心是把车辆周围三维空间离散成 voxel、BEV grid 或连续隐式表示，预测每个空间单元是否被占据、是否可通行，以及有时还会预测语义、运动状态和置信度。它相比只做 3D box 检测，更适合表达不规则障碍物、未分类物体、路沿、施工物和可行驶空间，对下游规划更直接。输入可以来自相机、激光雷达或多模态融合，关键工程问题是坐标系和时间同步、深度/几何误差、遮挡区域的不确定性、动态物体时序一致性和计算开销。适用边界也要讲：栅格分辨率越高越耗算力，远距离和遮挡处不确定性大，训练标签和真值构建困难，所以部署时要用场景库、闭环规划影响和安全冗余验证，而不是只看 occupancy IoU。

考点 空间占据
难度 真实面经题
回答目标 讲清 Occupancy 的空间表示、输入误差、不确定性、下游价值和工程验证边界。
02

深入解析

01

从检测转为空间建模

传统目标检测输出有限类别和 3D box，Occupancy 更关注空间中哪些位置被占据、哪些位置空闲或未知。它能表达形状不规则、类别未知但影响安全的障碍物，更贴近规划需要的可通行空间。

02

表示方式影响效果

常见表示包括 BEV grid、3D voxel、稀疏体素、隐式场或多层高度图。分辨率高能表达细节，但显存和计算开销大；分辨率低更实时，但小障碍物、路沿和薄物体容易被抹掉。

03

输入误差要显式处理

相机路线要解决深度估计和遮挡，激光雷达路线要处理点云稀疏、动态点和雨雾噪声，多模态路线还要处理外参、时间同步和置信度融合。Occupancy 不是天然可靠，输入几何误差会直接投射到空间占据错误。

04

不确定区域很关键

自动驾驶不能把不可见区域当成空闲。遮挡后方、传感器盲区、远距离稀疏区域和临时强反射区域都应保留未知或低置信状态。好的回答要区分 free、occupied、unknown，而不是只输出二分类占据。

05

和下游规划联动

Occupancy 的价值在于给规划提供可通行空间、障碍边界和风险区域。评估时除了体素 IoU，还要看碰撞风险、急刹误触发、规划轨迹稳定性、延迟和长尾障碍物覆盖，避免感知指标好但规划不可用。

06

工程边界要说清

Occupancy 训练标签难，真值常来自激光雷达、多帧融合或离线重建，本身有误差。部署还要考虑刷新率、内存、远距离退化、动态物体时序和传感器失效。面试中要强调闭环验证和不确定性，而不是只讲网络结构。

03

易错点

  • 把 Occupancy 简化成普通 3D 检测，没有说明空间占据和 unknown 状态。
  • 只讲网络结构，不讲传感器误差、标定同步和标签真值来源。
  • 认为 Occupancy 能直接解决所有长尾障碍物，忽略分辨率、遮挡和远距离退化。
  • 只用 IoU 评估，不关注下游规划碰撞、误刹和延迟。
  • 把不可见区域默认当成空闲，缺少安全边界意识。
04

面试官追问

Occupancy 和 3D 目标检测有什么关系？

3D 检测输出物体级 box 和类别，Occupancy 输出空间级占据状态。两者可以互补：检测适合结构化目标，Occupancy 更适合未知或不规则障碍物和可通行空间。

遮挡区域应该预测为空还是占据？

都不能简单处理。工程上通常要保留 unknown 或低置信状态，并让规划按风险处理，否则把不可见区域当空闲会带来安全问题。

Occupancy 标签怎么来？

常见来自激光雷达点云、多帧融合、离线重建、仿真或人工校验，但真值本身有遮挡和配准误差，所以要关注标签质量。