陈默抬起头，目光灼灼，带着一种破釜沉舟的锐气：
“现在，我建议，目标不变，启界m5在2019年q4量产时，依旧要实现这些功能。
这是我们对姚总的承诺底线。”
“但是——”陈默的声音陡然拔高，“技术路线，必须切换！切换到我们刚刚讨论的bev+transformer架构上！”
“为什么”他自问自答。
“因为只有这条路，才能让我们在实现眼前l2.5目标的同时，为后续l3、l4的快速迭代打下不可撼动的基础。
才能在特斯拉、小鹏们还在优化他们的传统感知架构时，建立起真正的代差优势。
才能对得起我们‘华兴技术’这块招牌，才能在后期的竞争中立于不败之地。”
“这不仅仅是技术路线的选择，”陈默的语气变得无比郑重，“这是战略，是车bg智能驾驶业务未来五年的根基，是决定我们能否在智能汽车时代真正掌握灵魂的关键一役。”
至于为什么一开始没有确定好技术路线，这还真不能怪陈默。
是，他是重生者，但他都重生这么多年了，很多事情早已不记得。
这次要不是蒋雨宏和卞金鳞两人联合当起了大召唤师，让他死去的记忆忽然攻击他，也不会有这档子事...
...
会议室里，姚尘风放下笔的“啪嗒”声把卞金鳞从回忆中拽了出来。
他开了口，语气带着商人的敏锐：
“雨宏，金麟，你们的技术路径我非常认同也非常支持。
不过，我关心的是用户体验的‘显性化’。
特斯拉的noa，用户一用就知道好，变道果断不墨迹。
我们的alc，92%成功率听起来不错，但剩下的8%是什么情况
用户会不会觉得‘傻’或者‘怂’
这个‘好用’的临界点在哪里
营销上怎么包装这个‘l2.5’
叫‘准l3’还是‘高阶l2’
这直接影响用户预期和口碑！”
蒋雨宏正要回答，一直沉默品茶的陈默却放下了茶杯。
杯底与桌面接触，发出一声轻微的脆响，瞬间吸引了所有人的注意。
蒜鸟蒜鸟，本人陈默，向来只装高端局。
“姚总的顾虑很实际。”陈默的声音不高，瞬间成为会议室的中心，“用户体验是检验技术的唯一标准。关于alc的决策鲁棒性，还有bev感知落地难的问题，我最近看了一些前沿论文和开源项目，有点不成熟的想法，可以抛出来供大家探讨。”
“第一，关于感知。”陈默的指尖在桌面上虚点，仿佛在勾勒无形的蓝图，“bev是方向没错。
但传统基于摄像头和雷达点云生成bev特征图，再去做目标检测、分割的方法，对算力和实时性要求极高。
并且对非常规障碍物（比如掉落的轮胎、倒下的树、形状怪异的施工设施）的识别能力，存在理论瓶颈。
我在想，是否可以引入一种更‘直接’的表达方式——占用网络（occupancynetwork）。”
“占用网络”李鹏飞下意识地重复了一句，这位计算机视觉领域的顶尖专家，镜片后的眼睛瞬间亮了起来，身体也不由自主地坐直了。
这个概念对他而言不算陌生，但从未在量产自动驾驶领域被认真讨论过。
它太新，也太“重”了。
“对，”陈默点头。
“它不关心前方障碍物是车、是人、是锥桶还是别的什么具体类别。
它只关心一个最本质的问题：车辆前方及周围的三维空间里，哪些体素（voxel）被占用了
是刚性占用（如墙壁）还是柔性占用（如灌木丛）
是可穿越的还是不可穿越的”
他一边说，一边拿起桌上的白板笔，转身在旁边的白板上快速勾勒起来。
寥寥几笔，画出一个粗糙的车辆前方视角，然后打上密集的三维网格。
“输入多视角摄像头图像，甚至融合低线束激光雷达的稀疏点云，通过一个精心设计的3d卷积神经网络，直接输出一个稠密的三维占用栅格图。
每一个小格子（体素）都有一个概率值，表示它被占据的可能性。
同时，还可以预测每个被占据体素的运动状态（速度向量）。”
陈默的笔尖在网格上移动：
“这样，无论前方是一个标准车辆，还是一堆怪异的建筑垃圾，甚至是一团浓雾（如果能部分穿透），系统都能感知到‘有东西占着这个空间，可能会动’。
避障是最核心的需求，知道‘有东西’且‘它怎么动’，往往比精确知道‘它是什么’更重要，尤其是在极端cornercase下。
而且，这种表达天然适合后续的轨迹规划和碰撞检测，因为它直接描述了空间的占用情况。”
他放下笔，看向已经完全被吸引的李鹏飞和卞金麟：
“这或许能绕过传统目标检测对长尾类别识别的依赖，提升对异形障碍物的泛化能力。
当然，计算量巨大是现实挑战，需要算法创新和硬件加速的协同。
但方向，我认为值得探索。
鹏飞，你在诺基亚搞高精地图和slam，对空间建模理解很深，怎么看”
李鹏飞深吸一口气，眼中闪烁着震撼和兴奋的光芒，仿佛被一道闪电劈开了思维的迷雾。
他紧紧盯着白板上那个简陋的网格图，大脑以前所未有的速度运转起来。
忽略物体类别，直指空间占用的本质。
这思路太颠覆了！简直是给感知领域开了另一扇窗。
他之前的研究一直纠结于如何提升目标检测的精度和鲁棒性，却从未想过可以换个角度，直接描述空间的“满”与“空”、“动”与“静”！
“陈总...您这想法...”李鹏飞的声音因为激动而微微发颤。
“太...太有启发性了！
它跳出了物体识别的框架，直指自动驾驶最核心的空间安全性问题！
对！异形障碍物、未知物体...
这些困扰业界多年的难题，在占用网络的框架下，可能被极大缓解。
计算量确实是座大山，但稀疏卷积、模型蒸馏、专用硬件...
这些都是可以攻克的路径！
我...我立刻组织感知团队进行预研和可行性验证。
这可能是解决bev落地痛点的关键钥匙！”