特斯拉纯视觉方案之所以能丢掉激光雷达构建三维世界,核心不在于给每个摄像头单独估算距离,而在于感知范式的彻底重写。它的底层引擎叫占用网络。
传统自动驾驶靠目标检测驱动,先用矩形框框出卡车、轿车或行人,再计算空间坐标。这种逻辑在遇到侧翻的异形货车、掉落的异物或飞溅的轮胎皮等长尾障碍物时,极易因无法匹配预设分类而漏检。占用网络彻底抛弃了先识别后避障的旧思路,直接把物理世界抽象成类似积木搭建的几何网格,只回答一个根本问题:这块空间到底有没有实体物质占据。
系统将车辆周边数百米范围内的立体空间,切分成数以百万计的3D体素。

车身环视的八颗高清摄像头首先将多路原始图像送入深度卷积骨干网络,抽取高维的多尺度语义特征。接着,系统通过跨视角注意力机制与空间位置编码,将二维像素特征强行拉伸、反投影至统一的三维空间坐标系中。网络端到端地预测每一个体素网格被物理实体填满的概率,并在毫秒级时间内拼装出整车全向包围的稠密几何体。
为了解决全空间计算量爆炸的难题,特斯拉在体素划分上采用了变分辨率策略。远端和空旷区域采用三十余厘米的粗糙网格粗筛,贴近车身行驶轨迹与障碍物边界的近场区域则细化至十厘米级别。最新架构甚至引入了符号距离场计算,以连续曲面函数预测亚像素边界,让路沿和异形曲面的刻画不再粗糙。
单帧图像没有空间厚度,真正的三维感知必须靠时间来缝合。
行车过程中的多帧图像被持续存入时序缓存队列,算法结合车辆自车的惯导数据与运动矢量,对历史体素特征实施精确的空间几何对齐。这种时间维度的累加赋予了感知系统短时记忆。哪怕侧前方的行人突然被大货车完全挡住,系统在体素空间中依然会保留并持续推演该位置的实体存在,彻底消除了视觉盲区带来的安全死角。
物理世界不仅有静止的墙体,更有快速穿梭的动态目标。特斯拉并没有在三维体素上套用复杂的目标追踪器,而是让网络直接输出每个体素的占用流场。系统给每个带速度的体素赋予运动矢量,不论是正在起步的双节铰接公交车,还是在风中横向飘移的塑料袋,其未来几秒的运动轨迹和形变都能被实时矢量化。
这种极其复杂的体素网络,根本不可能依赖昂贵且低效的人工激光雷达标注。
特斯拉的解法是依靠上百万量产车队回传的视频片段,在云端超算集群中利用神经辐射场技术进行离线三维重建。云端模型将车辆驶过多角度采集的数据融合成高保真物理场景,自动生成稠密的体素真值,再反向监督端侧轻量化网络进行蒸馏训练。这种自监督闭环让纯视觉模型在低算力车端硬件上以极低延迟跑出媲美甚至超越物理激光雷达的环境建模效果。