占據網絡（Occupancy Network，簡稱OCC）是近幾年來自動駕駛技術討論中的高頻詞。之所以這項技術這么火熱，是因為傳統感知系統需要先識別出一個障礙物是什么，才能決定如何應對，但對于如掉落的大塊泡沫、側翻的貨車、散落一地的施工建材等沒見過的異形障礙物，系統不認得就不會處理，對于自動駕駛感知來說，這始終是一大隱患。

占用網絡則換了一種思路，它不再關心這是什么，而是將車輛周圍的三維空間切成密密麻麻的小方塊（體素），逐個判斷每個方塊里到底有沒有東西。這意味著，自動駕駛系統不需要認識世界上所有障礙物，也能知道哪些空間不可通行，那這項技術發展到現在，哪些企業真的將其用在了量產車上？

從專利看特斯拉的技術細節

特斯拉是純視覺占用網絡路線最早的實踐者，特斯拉占用網絡技術于2022年AI Day就已首次公開，2026年3月，特斯拉公布了一項名為《Artificial Intelligence Modeling Techniques for Vision-Based High-Fidelity Occupancy Determination and Assisted Parking Applications》的專利，相當完整地展示了占用網絡的技術思路。

這套方法摒棄了激光雷達，僅靠8顆車外攝像頭的圖像數據，通過神經網絡推斷車輛周圍三維空間中每個體素是否被有質量的物體占據，其默認體素邊長為33厘米，但在車輛附近的已占用區域，體素可以動態縮小到10厘米，提供更精細的空間描述；當物體形狀彎曲、單個體素無法準確描述邊界時，網絡還會對被占用的體素繼續切分子體素，以此擬合曲線輪廓。

圖片源自：網絡

此外，這套系統還引入了時間維度的設計，特斯拉的占用網絡并不只是對單幀畫面做判斷，系統還利用Transformer架構將當前的三維表征與歷史時序數據融合，由此計算出占用流，也就是移動體素的確切速度。在占用流基礎上疊加三維語義信息，還可以讓網絡知道某一團體素到底是一輛在動的車，還是一棟固定不動的建筑。這個思路的本質，其實是將空間感知和運動預測揉進了同一個模型里，而不是分成兩個獨立的步驟。

特斯拉還在訓練方法上做了重要的工程選擇，該專利透露，特斯拉采用無監督訓練方法，不依賴人工標注來訓練占用網絡的體素預測能力，這讓模型能夠通過大規模實車數據自我迭代。從圖像輸入到轉向、加速、制動輸出，全程由神經網絡驅動，端到端的整體設計，使得駕駛行為更接近人類的自然操作方式。

國內純視覺路線的實踐

視線回到國內，國內的純視覺路線發展其實也很快。小鵬汽車從2024年宣布取消激光雷達之后，已將占用網絡作為其感知架構的關鍵環節。在2025年的CVPR自動駕駛分論壇上，小鵬作為唯一受邀發表主題演講的車企，展示了其自動駕駛基座模型的技術成果。這套模型的核心思路與特斯拉有相似之處，即直接從感知到控制建立閉環，不依賴傳統規則引導，以模仿人類決策為目標。

小鵬在去掉激光雷達后，依靠5顆800萬像素高清攝像頭組成的感知網絡，配合自研的圖靈芯片，城市道路識別精度提升了約40%，系統功耗反而降低了約20%。占用網絡在這個架構里承擔的任務，是從二維圖像中推斷三維空間的占據狀態，尤其要處理好那些傳統檢測模型無法覆蓋的異形障礙物。

圖片源自：網絡

小鵬也在往模型預測的方向走，其世界基座模型具備鏈式推理能力，也就是模型在做駕駛決策時不只是看到當前狀態就做反應，而是會持續在內部進行我在哪、發生了什么、要怎么走這樣的推理鏈條，再給出決策。這種推理能力建立在占用網絡提供的三維空間理解基礎上，讓模型對復雜場景的應對更加連貫和可控。

多傳感器融合中的占用網絡

純視覺方案用占用網絡從二維圖像算出三維世界，但還有一條路線選擇從物理層面解決了問題，那就是將占用網絡與激光雷達等傳感器融合。之所以會出現這條技術路線，是因為很多行業從業者認為視覺算法再強，遇到逆光、暴雨、大霧等極端條件也可能失效，而激光雷達作為主動傳感器，抗干擾能力是一種物理層面的保障。

華為的ADS系統在這條路線上走得就很靠前，華為把攝像頭、激光雷達和毫米波雷達的數據在特征層面做融合，使占用網絡的輸入不再只有圖像，還包含了激光雷達的厘米級三維點云和毫米波雷達的速度信息。華為ADS 3.0就已徹底摒棄了傳統的BEV網絡，只保留GOD大網，GOD可以將外界環境劃分為立方體，判斷其占用狀態，不僅能辨識已知物體，還能識別異形障礙物。這是一種將占用網絡作為感知主干而非輔助模塊的設計思路。到了ADS 4.0版本，華為進一步采用攝像頭加激光雷達、毫米波雷達、超聲波、高精地圖/V2X的融合方案，為車輛提供360度環境感知能力。

圖片源自：網絡

與純視覺路線相比，融合方案可以讓不同傳感器之間實現互相校驗。當某個傳感器因環境條件失效時，其余傳感器仍能維持基礎的空間感知，提升整個系統的魯棒性。占用網絡在這種架構中的作用不再只是猜空間狀態，而是在接收更可靠的輸入后，輸出更確定的空間占用判斷。

小米的做法更進一步，其在融合方案中提出了超分辨率占用網絡的技術思路。傳統占用網絡將障礙物描述為方塊，對曲面物體的邊界描述不夠精細，導致明明空間足夠穿行或泊入，系統卻可能因識別誤差而不敢上前。小米在占用網絡中加入超分辨率的矢量算法，直接把路面上的可視物體模擬成連續曲面的立體物，將占用網絡的空間分辨精度提高到小于0.1米，相較于特斯拉FSD約0.32米的精度，小米的方案在體素級別的空間刻畫上更細。

圖片源自：網絡

從傳感器配置來看，小米采用了1顆激光雷達、11顆高清攝像頭、3顆毫米波雷達和12顆超聲波雷達，配合兩顆Orin高算力芯片，綜合算力達508TOPS。占用網絡在這個配置中對接激光雷達的點云數據，同時對多傳感器輸入做特征融合，這也是超分辨率得以實現的前提。

占用網絡與世界模型的結合

時間進入2026年，占用網絡有一個很明顯的技術走向，那就是與世界模型概念的深度結合。世界模型的核心是讓系統不僅能感知當前狀態，還能推演未來可能發生的變化，占用網絡在其中充當了基礎空間表示的載體。

理想汽車在這方面的布局就值得展開說說，2025年ICCV上，理想自動駕駛技術研發負責人詹錕做了關于世界模型的分享，闡述了理想從數據閉環走向訓練閉環的技術邏輯。所謂訓練閉環，就是讓模型不僅從實車數據中學習，還能在一個自建的環境模擬器中持續迭代，通過與環境互動來提升能力。理想的方案是在云端構建一套世界模型訓練環境，來訓練車端的VLA大模型，這是將世界模型與強化學習閉環落地于量產自動駕駛系統的完整架構。

圖片源自：網絡

占用網絡在這個框架中就扮演了非常重要的角色，理想提出的SparseWorld-TC模型，采用軌跡條件的思路，模型不只是輸入歷史幀來做預測，還將自車未來的行駛軌跡編碼為條件，讓網絡能夠回答如果我沿這條軌跡行駛，周圍的空間會變成什么樣這類問題。這意味著占用網絡從單純的描述當前空間升級為預測不同決策下的空間變化，為規劃模塊提供了更直接的支撐。在技術實現上，SparseWorld-TC徹底放棄了傳統VAE的離散化編碼方式，改用直接特征回歸來保留更豐富的幾何細節，避免了對遠處物體的模糊化問題。

蔚來走的則是世界模型加占用網絡的技術路線，2025年5月，蔚來推送了其世界模型NWM（NIO World Model）的首個版本。這套模型的核心能力體現在時間維度的推演上，NWM可以在100毫秒內推演出216種可能的未來軌跡并尋找最優路徑，然后在下一個100毫秒內根據新的外界信息重新推演。占用網絡在這個體系里負責基礎的空間建模，NWM需要先理解當前三維空間中每個位置的占用狀態，才能在此基礎上推演未來的變化。與理想的不同之處在于，蔚來的世界模型更強調對環境演化本身的理解，而理想更側重將占用預測直接用于規劃評估。

從技術路線上看，理想和蔚來的方向指向一個共同的趨勢，即占用網絡不再只是感知模塊，而是在逐步成為端到端自動駕駛系統中的核心空間推理單元（相關閱讀：哪些企業的自動駕駛方案使用了世界模型，用法有啥區別？）。它的輸出不僅描述當前世界是什么樣的，還可以回答如果我這樣做，世界會變成什么樣，這個能力的延伸，正在改變占用網絡在整個智能駕駛架構中的定位。

技術演進的幾個方向

如果從技術發展的角度看，2026年占用網絡的演進方向大致有兩條主線。

一條是向4D化發展。傳統占用網絡只描述當前時刻的三維空間占用情況，而4D占用網絡引入了時間維度，開始預測占用狀態在未來一段時間內的變化。這要求系統不僅判斷這個方塊現在有沒有東西，還要推斷它下一秒會移到哪里。將占用流概念納入占用網絡，本質上是把空間感知和運動預測融合到同一個模型之中。

圖片源自：網絡

另一條是與端到端架構的結合。過去占用網絡通常只負責感知這一個環節，輸出占用網格之后交給決策模塊處理嗎，但隨著技術演進，多個企業的方案中，占用網絡已經與規劃模塊聯成一個整體，空間的占用狀態直接參與軌跡生成，不再需要中間的人工定義接口。小鵬的世界基座模型、理想的VLA、蔚來的NWM，都在朝這個方向走。這種架構可以讓信息傳遞更具連貫性，由于從感知到決策不再經過逐層轉譯，損失的信息更少，面對復雜場景時的表現也更穩定。

此外，占用網絡在不同企業的技術體系中扮演的角色也正在分化。特斯拉把它作為純視覺路線的核心支柱，華為把它作為多傳感器融合體系中的一個感知層，理想和蔚來則把它的邊界延伸到預測和規劃。這些技術路線的差異也反映了一個事實，那就是占用網絡本身是一個相對底層的空間感知技術，它真正能發揮多少作用，取決于每家企業在它之上構建了怎樣的上層架構。

-- END --

       原文標題 : 哪些車企真的將占用網絡裝進了量產車？