前段時間，我司主編老白去美國體驗了特斯拉FSD，作為傳說中的終極智駕BOSS，各位可以先看一下它的實力。

在我們體驗不久之后，特斯拉正式推送了他們的V12版本，在國外的測評視頻中，F(xiàn)SD能在斑馬線前等待行人，也能絲滑完成無保護(hù)左轉(zhuǎn)，或者在被突然出現(xiàn)的車輛被迫剎停后，能快速跟進(jìn)。

作為最早上車OCC功能的品牌，特斯拉這方面的技術(shù)可以說是當(dāng)前一流。

OCC并不是一個新鮮的詞匯，只是在極越提出來之前，很少有車企把它當(dāng)做重點宣傳的對象。

極越花大力氣宣傳自家的純視覺+OCC，除了本身品牌就是瞄準(zhǔn)特斯拉來對標(biāo)之外，還是在智駕內(nèi)卷的時代，需要拿出點新東西，再卷一步。

OCC，恰好就成為了這個馬前卒。

行業(yè)新寵

OCC的全名叫作Occupancy占用網(wǎng)絡(luò)，其風(fēng)頭不亞于當(dāng)年的激光雷達(dá)，幾乎做智能駕駛功能的主流車企都會用“已有成果”或“OCC上車預(yù)告”的形式提及這項技術(shù)，目前將這項技術(shù)上車的企業(yè)包括特斯拉、華為、極越、智己等等。

和作為硬件的激光雷達(dá)不同的是，這是一種軟件技術(shù)，它通過大量的算法訓(xùn)練，擁有對傳感器抓取信息的處理能力，不僅可以構(gòu)建出實時三維場景，還會與系統(tǒng)其他算法“對線”核實，并對數(shù)據(jù)進(jìn)行標(biāo)注。

這是極越展示OCC上車的效果，車輛宛如行駛在樂高世界，移動的車輛本身、道路其他參與者以及靜止的路燈、綠化帶等物體都以各種顏色的方塊狀圖像顯示出來。

有人可能覺得：這樣的建模很普通啊，也就仿真游戲千分之一的水平吧。然而區(qū)別在于，游戲里的建模都是設(shè)定好的物體和場景，而該視頻則是隨機的、即時的真實場景。

換一句話說，連我們本人在開車時，都無法做到在腦海里呈現(xiàn)如此完整的場景，尤其是盲區(qū)里的后方來車。

我們注意到的、注意不到的，這臺車都能注意到，其中出力的Occupancy占用網(wǎng)絡(luò)技術(shù)，到底是怎么做到的？

攤開來看，OCC會將空間劃分為很多個立體小方格，每個小方格被稱為“體素”。當(dāng)攝像頭捕捉的圖像連續(xù)不斷的輸入給OCC，OCC就會觀察圖像對應(yīng)的空間，每個體素的狀態(tài)是被占用還是自由。

（綠框標(biāo)注處即為“自由”狀態(tài)）

來個類比，一張圍棋棋盤，被放了棋子的格子就是“占用”狀態(tài)，未放棋子的格子就是“自由”狀態(tài)。

再舉個模擬現(xiàn)實場景的例子，在一個巨大的廣場上，只有前方停著一臺小轎車，那么經(jīng)過OCC的分析，當(dāng)前的感知空間里僅有前方轎車所在區(qū)域顯示“占用”，其他區(qū)域都是“自由”狀態(tài)。

（黑白格為“自由”狀態(tài)）

看到這里，OCC為什么叫“占用”網(wǎng)絡(luò)大家應(yīng)該也很清楚了，去區(qū)分哪里是需要避開的“被占用”空間，哪里是可供我們使用的“自由”空間就是它的主要任務(wù)。

下一步就是生成“語義”標(biāo)簽。

一方面輸給OCC的圖像信息本身就帶有識別功能，另一方面新增的高度信息讓目標(biāo)物呈現(xiàn)更全面，可以跟數(shù)據(jù)庫的物體對應(yīng)上，標(biāo)注對應(yīng)的類別。

可能又有人要問了，那如果某個障礙物就是認(rèn)不出來，沒辦法定義呢？

這就是OCC的高明之處。如果碰到未知目標(biāo)物，語義標(biāo)簽可以直接定義為“未知”，但將其所在空間定義為“占用”狀態(tài)的流程不變，車輛自然就知道該區(qū)域無法通行。

就像人類開車也會碰到一些不認(rèn)識的障礙物，但沒認(rèn)出來沒關(guān)系，咱們知道無法通行，直接做出避讓動作即可。

此前正是據(jù)此原理，華為做出GOD算法，實現(xiàn)了避障能力極強的AEB功能。

傳統(tǒng)的AEB是提前為車輛設(shè)定白名單，只有識別到白名單內(nèi)的障礙物才會觸發(fā)剎停。而用“空間占據(jù)即不可通行”的思路去做避障，則不再受制于白名單的限制。

那么OCC一旦上車，車就能和人一樣靈活懂變通了？

不是靈丹妙藥

只能說這項技術(shù)加持，智能駕駛會更靈活，但難點還有很多。

從OCC的技術(shù)落地方面來說，雖然原理上可以在任何地段使用，但最終效果如何，還得看研發(fā)體量的投入和工程師的水平。

比如在訓(xùn)練算法時，樣本類別和測試場景的數(shù)量、訓(xùn)練序列和驗證序列的“做題量”都影響著最終成果。

（英偉達(dá)贏得2023自動駕駛開發(fā)大賽 3D Occupancy 預(yù)測挑戰(zhàn)賽冠軍的方案）

包括在OCC的運行過程中，動態(tài)目標(biāo)物和靜態(tài)目標(biāo)物的分割同樣有難度。

比如建筑物不會移動，汽車會移動，那么就要分開處理，防止靜止物體出現(xiàn)運動狀態(tài)，不然出現(xiàn)“汽車上傳送帶”的狀態(tài)那可是鬧笑話。

而針對動態(tài)目標(biāo)物的追蹤也同樣有難度，想象一下，如果視頻里，“積木”般移動的大卡車在某幾幀突然散開再聚集成原樣，你還覺得靠譜嗎？

如果只去考慮單個體素而無法跟蹤并推理障礙物軌跡，那實際應(yīng)用仍然困難。所以移動目標(biāo)物的體素會被匯總，劃為一個整體。

或許你會問：如果感知能力夠強，OCC也做的很成熟，智能車是不是就無敵了？

這個問題，其實從我們體驗的特斯拉FSD上或許能找到答案。

一路上特斯拉FSD表現(xiàn)都不錯，然而到了一個施工路段出現(xiàn)了問題。

當(dāng)時原路線該右轉(zhuǎn)，然而樁桶擺出的新車道線只支持直行，系統(tǒng)很明顯識別出了障礙物，躊躇之下最終停車罷工。

我們推斷是由于路線規(guī)劃上需要右轉(zhuǎn)，OCC識別只能直行，這是算法上對交通規(guī)則的邏輯和可行空間上產(chǎn)生了沖突。

在算法里，車輛對樁桶具備規(guī)則認(rèn)知，遇到用樁桶形成的車道線，是不是凌駕在普通車道線規(guī)則之上。

當(dāng)原定路線被打亂，是宕機還是主動尋找“可行路線”目標(biāo)？

簡單來說，碰到有問題的地方是“靜止”還是“移動”？

這些都不是OCC能解決的問題。

寫在最后

其實聯(lián)系實際來說，當(dāng)駕駛員會開車但是經(jīng)驗不足，且沒有過多被輸入碰到特殊場景的交通規(guī)則凌駕法則，碰到原先路線被打亂且對周邊環(huán)境陌生的情況下，肯定也是無從下手的。

區(qū)別在于，人類有種“試試唄 走錯了 那我就轉(zhuǎn)幾圈看看唄”的情感思維，車輛則可能出現(xiàn)對行駛?cè)蝿?wù)碰到故障就一團亂麻無法處理的狀態(tài)。

所以如果不能完全實現(xiàn)對特殊規(guī)則的變通，即使像OCC這種高水平模擬人類思維的技術(shù)上車，機駕也永遠(yuǎn)無法代替人駕。

返回第一電動網(wǎng)首頁 >