今天小編分享的汽車經驗：2024年了，想進智駕第一梯隊，除了芯片算力還得卷什麼？，歡迎閱讀。
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。
在我們體驗不久之後，特斯拉正式推送了他們的 V12 版本，在國外的測評視頻中，FSD 能在斑馬線前等待行人，也能絲滑完成無保護左轉，或者在被突然出現的車輛被迫刹停後，能快速跟進。
作為最早上車 OCC 功能的品牌，特斯拉這方面的技術可以說是當前一流。
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特斯拉來對标之外，還是在智駕内卷的時代，需要拿出點新東西，再卷一步。
OCC，恰好就成為了這個馬前卒。
行業新寵
OCC 的全名叫作 Occupancy 占用網絡，其風頭不亞于當年的激光雷達，幾乎做智能駕駛功能的主流車企都會用 " 已有成果 " 或 "OCC 上車預告 " 的形式提及這項技術，目前将這項技術上車的企業包括特斯拉、華為、極越、智己等等。
和作為硬體的激光雷達不同的是，這是一種軟體技術，它通過大量的算法訓練，擁有對傳感器抓取信息的處理能力，不僅可以構建出實時三維場景，還會與系統其他算法 " 對線 " 核實，并對數據進行标注。
可能這麼說會有點抽象，我們可以先看一段視頻：
這是極越展示 OCC 上車的效果，視頻中，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影像顯示出來。
有人可能覺得：這樣的建模很普通啊，也就仿真遊戲千分之一的水平吧。然而區别在于，遊戲裡的建模都是設定好的物體和場景，而該視頻則是随機的、即時的真實場景。
換一句話說，連我們本人在開車時，都無法做到在腦海裡呈現如此完整的場景，尤其是盲點裡的後方來車。
我們注意到的、注意不到的，這台車都能注意到，其中出力的 Occupancy 占用網絡技術，到底是怎麼做到的？
攤開來看，OCC 會将空間劃分為很多個立體小方格，每個小方格被稱為 " 體素 "。當攝像頭捕捉的影像連續不斷的輸入給 OCC，OCC 就會觀察影像對應的空間，每個體素的狀态是被占用還是自由。
（綠框标注處即為 " 自由 " 狀态）
來個類比，一張圍棋棋盤，被放了棋子的格子就是 " 占用 " 狀态，未放棋子的格子就是 " 自由 " 狀态。
再舉個模拟現實場景的例子，在一個巨大的廣場上，只有前方停着一台小轎車，那麼經過 OCC 的分析，當前的感知空間裡僅有前方轎車所在區網域顯示 " 占用 "，其他區網域都是 " 自由 " 狀态。
（黑白格為 " 自由 " 狀态）
看到這裡，OCC 為什麼叫 " 占用 " 網絡大家應該也很清楚了，去區分哪裡是需要避開的 " 被占用 " 空間，哪裡是可供我們使用的 " 自由 " 空間就是它的主要任務。
下一步就是生成 " 語義 " 标籤。
一方面輸給 OCC 的影像信息本身就帶有識别功能，另一方面新增的高度信息讓目标物呈現更全面，可以跟數據庫的物體對應上，标注對應的類别。
可能又有人要問了，那如果某個障礙物就是認不出來，沒辦法定義呢？
這就是 OCC 的高明之處。如果碰到未知目标物，語義标籤可以直接定義為 " 未知 "，但将其所在空間定義為 " 占用 " 狀态的流程不變，車輛自然就知道該區網域無法通行。
就像人類開車也會碰到一些不認識的障礙物，但沒認出來沒關系，咱們知道無法通行，直接做出避讓動作即可。
此前正是據此原理，華為做出 GOD 算法，實現了避障能力極強的 AEB 功能。
傳統的 AEB 是提前為車輛設定白名單，只有識别到白名單内的障礙物才會觸發刹停。而用 " 空間占據即不可通行 " 的思路去做避障，則不再受制于白名單的限制。
那麼 OCC 一旦上車，車就能和人一樣靈活懂變通了？
不是靈丹妙藥
只能說這項技術加持，智能駕駛會更靈活，但難點還有很多。
從 OCC 的技術落地方面來說，雖然原理上可以在任何地段使用，但最終效果如何，還得看研發體量的投入和工程師的水平。
比如在訓練算法時，樣本類别和測試場景的數量、訓練序列和驗證序列的 " 做題量 " 都影響着最終成果。
（英偉達赢得 2023 自動駕駛開發大賽 3D Occupancy 預測挑戰賽冠軍的方案）
包括在 OCC 的運行過程中，動态目标物和靜态目标物的分割同樣有難度。
比如建築物不會移動，汽車會移動，那麼就要分開處理，防止靜止物體出現運動狀态，不然出現 " 汽車上傳送帶 " 的狀态那可是鬧笑話。
而針對動态目标物的追蹤也同樣有難度，想象一下，如果視頻裡，" 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迹，那實際應用仍然困難。所以移動目标物的體素會被匯總，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 表現都不錯，然而到了一個施工路段出現了問題。
當時原路線該右轉，然而樁桶擺出的新車道線只支持直行，系統很明顯識别出了障礙物，躊躇之下最終停車罷工。
我們推斷是由于路線規劃上需要右轉，OCC 識别只能直行，這是算法上對交通規則的邏輯和可行空間上產生了衝突。
在算法裡，車輛對樁桶具備規則認知，遇到用樁桶形成的車道線，是不是凌駕在普通車道線規則之上。
當原定路線被打亂，是宕機還是主動尋找 " 可行路線 " 目标？
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。
寫在最後
其實聯系實際來說，當駕駛員會開車但是經驗不足，且沒有過多被輸入碰到特殊場景的交通規則凌駕法則，碰到原先路線被打亂且對周邊環境陌生的情況下，肯定也是無從下手的。
區别在于，人類有種 " 試試呗 走錯了 那我就轉幾圈看看呗 " 的情感思維，車輛則可能出現對行駛任務碰到故障就一團亂麻無法處理的狀态。
所以如果不能完全實現對特殊規則的變通，即使像 OCC 這種高水平模拟人類思維的技術上車，機駕也永遠無法代替人駕。
END
