实际上特斯拉的Occupancy Network目的就是为了解决异形障碍物的问题，因为单纯的2D图像语义分割和BEV俯瞰图很难量化道路中的异形障碍物情况，Occupancy Network实现的功能就是1.Occupancy Volume 把障碍物用voxel体素表示出来 2.Occupancy Flow 给障碍物体素赋予语义，表达物体是否静止，如何运动，以实现避障和道路规划

现在大家方案都与这个类似，比如华为的GOD网络，也就是大嘴说的看得懂物的这个算法，但是他跟纯视觉占用网络的差异是，华为使用了雷达点云数据跟纯视觉数据做特征融合，区别在于纯视觉需要依赖色深和多角度2D图像实现深度计算，但是问题核心是他不知道有多远，他通过标注数据训练去猜深度，而带有激光雷达是不需要猜的，是测量的结果，这有助于异形障碍物判断，同时激光雷达测距还可以帮助纯视觉特征打标签，在影子模式采集数据时能有效帮助提高纯视觉能力

所以我一直是坚定的多传感器融合派，在算力充足的条件下，可靠传感器数据越多，算法可操作性越大，上限越高，当然对软件能力要求也越高，从用户层面来讲就更安全

但是跑题了，我写这个的初衷是因为小米发公告表示自己的AEB功能仅支持车辆、行人和二轮车，所以我们来回顾一下小米发布会关于小米超分辨率占用网络的介绍，精度达到了小于0.1m的水平，精度为特斯拉三倍以上，可精准识别异形障碍物，但是目前不响应锥桶、水马、石头、动物等障碍物