「具身智能落地实战」系列第 6 篇
前几篇我们拆解了具身机器人的硬件、VLA 大脑、SLAM 空间认知和控制架构。但机器人在真实环境中移动时，有一个最基本的需求：「别撞到东西」。传统的 2D 避障在复杂三维环境中捉襟见肘，而占据栅格网络（Occupancy Grid Network）提供了一种全新的 3D 空间感知范式。本文从基本原理、技术演进、工程挑战三个维度，拆解占据栅格网络如何让机器人「心中有一幅三维地图」，从而在复杂环境中灵活避障和导航。
引言：从「平面避障」到「三维感知」
如果你用过扫地机器人，可能会遇到这样的场景：机器人走到一个凳子旁边，明明凳子的腿很细，但机器人就是「看不到」，反复碰撞后才绕开。或者，机器人走到一个悬空的桌子下面，桌子上方是空的，但机器人以为整个区域都被占据了，不敢通过。
这些问题的根源在于：传统机器人的避障大多基于 2D 平面感知——把三维环境投影到一个平面上，只关心「这个平面位置有没有障碍物」。但真实环境是三维的，有高有低、有悬空有落地、有细腿有粗墙，2D 投影丢失了大量空间信息，导致避障能力有限。
要解决这个问题，机器人需要真正的「三维空间感知」——不仅知道「哪里有障碍物」，还知道「障碍物在什么高度、什么形状、占了多大体积」。这就是占据栅格网络（Occupancy Grid Network，也叫占据网络、神经辐射场占据等）要解决的问题。
占据栅格网络的核心思想很直观：把三维空间划分为一个个小立方体（体素，Voxel），然后预测每个体素是「被占据」还是「空闲」，从而构建一幅完整的三维占据地图。 有了这幅地图，机器人就知道空间中哪些地方可以走、哪些地方不能走，甚至可以从悬空的桌子下面、狭窄的缝隙中灵活通过。
近年来，随着 Tesla FSD、Figure 02、Unitree G1 等人形机器人和自动驾驶方案的采用，占据栅格网络已经从学术研究走向了工业落地，成为 3D 空间感知的新范式。
一、从 2D 栅格到 3D 占据：空间感知的演进
要理解占据栅格网络，先要理解它的「前身」——2D 占据栅格地图。
1.1 2D 占据栅格地图：传统机器人的「平面图」
2D 占据栅格地图（2D Occupancy Grid Map）是传统移动机器人最常用的环境表示方式。
基本原理：
- 将机器人运动的平面（通常是地面）划分为均匀的网格（如 5cm × 5cm 的格子）
- 每个格子有一个状态值，表示该位置被障碍物占据的概率（0 = 完全空闲，1 = 完全占据，0.5 = 未知）
- 通过激光雷达或超声波传感器的数据，实时更新每个格子的占据概率
优点：
- 简单直观，计算量小
- 适合轮式机器人在平面上的导航和避障
- 有成熟的算法和实现（如 GMapping、Hector SLAM、Cartographer 都输出 2D 栅格地图）
缺点：
- 只关心平面，丢失了高度信息——不知道障碍物有多高，也不知道悬空区域是否可通过
- 细腿障碍物（如凳子腿、桌子腿）在 2D 投影中占比很小，容易被忽略
- 无法处理需要三维空间推理的场景（如从桌子下面通过、绕过悬空的障碍物、上下楼梯）
对于在平面上移动的轮式机器人（如扫地机器人、AGV），2D 栅格地图基本够用。但对于人形机器人、四足机器人、无人机等需要三维空间运动的机器人，2D 栅格地图就远远不够了。
1.2 3D 点云地图：「有形状但没语义」
比 2D 栅格更进一步的是 3D 点云地图——用大量三维点表示环境的几何形状（系列第 3 篇 SLAM 中提到过）。
基本原理：
- 通过激光雷达或深度相机获取环境的 3D 点云
- 将多帧点云根据机器人位姿拼接，形成完整的 3D 点云地图
- 每个点有三维坐标，可能还有颜色、强度等属性
优点：
- 保留了完整的三维几何信息，精度高
- 可以表示任意形状的障碍物
- 适合三维重建、数字孪生等应用
缺点：
- 点云是「稀疏」的——只有传感器扫描到的表面有点，物体内部和未扫描到的区域没有点，无法判断是「占据」还是「空闲」
- 点云数据量大，存储和计算成本高
- 点云没有「占据/空闲」的明确状态，用于避障时需要额外处理（如将点云投影到 2D、或做距离查询）
- 动态物体处理困难——移动的人或物会在点云中留下「残影」
点云地图适合做「三维重建」和「高精度定位」，但直接用于避障和导航并不高效——机器人需要知道的是「这个空间能不能走」，而不是「这个空间有哪些点」。
1.3 占据栅格网络：「每个体素都有状态」
占据栅格网络（Occupancy Grid Network）结合了 2D 栅格地图的「状态明确」和 3D 点云的「三维信息」，是一种更适合机器人避障和导航的 3D 空间表示。
基本原理：
- 将三维空间划分为均匀的体素（Voxel，三维立方体，如 10cm × 10cm × 10cm）
- 用神经网络预测每个体素的状态：被占据（Occupied）、空闲（Free）、未知（Unknown）
- 可以进一步预测每个体素的语义类别（这是墙、这是桌子、这是人），即「语义占据」
- 输入可以是单目图像、多目图像、点云、或多传感器融合，输出是 3D 占据栅格
与 2D 栅格地图的区别：
- 2D 栅格是平面的，3D 占据栅格是立体的
- 2D 栅格通常用经典概率方法更新，3D 占据栅格通常用神经网络预测
- 2D 栅格只有占据概率，3D 占据栅格可以有语义信息
与 3D 点云的区别：
- 点云是「表面表示」——只有物体表面有点，内部未知
- 占据栅格是「体积表示」——每个体素都有明确的占据/空闲状态，物体内部也被标记为占据
- 点云数据量随场景复杂度变化，占据栅格数据量固定（取决于体素分辨率和空间范围）
工程视角： 占据栅格网络的核心价值在于「把三维空间变成了机器人可以直接用于决策的状态表示」。有了 3D 占据栅格，机器人不需要再做「点云→2D投影→避障」的间接转换，而是直接查询「我要走的路径上，哪些体素被占据了」，从而快速判断是否可以通过。这对于人形机器人尤其重要——人形机器人需要判断「桌子下面能不能钻过去」「缝隙够不够宽」「头顶会不会撞到东西」，这些都需要三维空间信息，2D 栅格地图根本做不到。
二、占据栅格网络的核心技术
占据栅格网络不是一个单一算法，而是一类技术的统称。以下是几个核心技术方向。
2.1 体素化与占据预测
体素化（Voxelization） 是占据栅格网络的基础——把连续的三维空间离散化为均匀的体素网格。
关键参数：
- 体素分辨率：每个体素的大小（如 5cm、10cm、20cm）。分辨率越高，地图越精细，但计算量和存储量越大
- 空间范围：需要预测的三维空间大小（如以机器人为中心的 10m × 10m × 3m 范围）
- 状态表示：每个体素的状态可以是二值（占据/空闲）、概率（0-1 的占据概率）、或语义类别（多分类）
占据预测网络通常采用编码器-解码器架构：
- 编码器：提取输入传感器数据（图像、点云）的特征
- 解码器：将 2D 特征「提升」到 3D 空间，预测每个体素的占据状态
- 常见的 3D 解码器包括：3D 卷积、体素 Transformer、可微渲染、三平面（Tri-plane）表示等
2.2 从 2D 图像到 3D 占据：单目占据预测
最有挑战性也最有实用价值的方向是单目占据预测——只输入一张单目摄像头图像，预测三维空间的占据栅格。
为什么有价值？因为单目摄像头成本最低、安装最简单、体积最小，如果只用单目就能预测 3D 占据，将大幅降低机器人的感知成本。
为什么有挑战？因为单目图像丢失了深度信息，网络需要「想象」出三维空间的结构——这就像人类用一只眼睛也能大致判断空间结构，但需要大量的先验知识。
典型方法：
- 2D 特征提升：先用 2D 卷积提取图像特征，然后通过「特征提升」模块（如 Lifting、Voxel Transformer）将 2D 特征映射到 3D 体素空间
- 三平面表示（Tri-plane）：不直接预测 3D 体素，而是预测三个正交平面的特征图，通过三平面插值查询任意 3D 点的特征，大幅减少计算量（特斯拉 FSD 采用的方案）
- 神经辐射场（NeRF）：用神经辐射场表示三维空间，通过可微渲染训练，预测空间中任意点的密度和颜色
- 生成式模型：用扩散模型等生成式方法，从单目图像「生成」合理的 3D 占据结构
代表工作：
- OccNet（特斯拉，2023）：基于三平面表示的单目占据预测网络，用于自动驾驶
- OpenOccupancy：开源的自动驾驶占据预测基准和方法
- UniOcc：统一的单目和多目占据预测网络
- SparseOcc：稀疏占据预测，减少计算量
2.3 多传感器融合占据预测
除了单目，还可以用多传感器融合来预测占据栅格，提升精度和鲁棒性。
常见的融合方案：
- 多目摄像头：多个视角的图像提供更多几何约束，提升深度预测精度
- 摄像头 + 激光雷达：摄像头提供语义和纹理，激光雷达提供精确深度，两者融合
- 摄像头 + IMU + 轮速计：利用运动信息辅助三维结构预测
- 多帧时序融合：融合连续多帧图像，利用运动视差提升深度估计，同时处理动态物体
多传感器融合的占据预测精度更高，但系统复杂度和成本也更高。在实际项目中，需要根据精度需求和成本预算选择合适的传感器配置。
2.4 语义占据：从「有没有」到「是什么」
基本的占据栅格只告诉机器人「这里有没有障碍物」，但机器人还需要知道「这是什么障碍物」——是墙、是桌子、是人、还是其他机器人？这就是语义占据（Semantic Occupancy）。
语义占据在每个体素的占据状态基础上，增加了语义类别预测。输出的不再是「占据/空闲」二值，而是「墙/地板/天花板/桌子/椅子/人/车/未知」等多分类。
语义占据的价值：
- 智能避障：不同类别的障碍物有不同的避障策略——人需要保持安全距离并预测其运动，桌子可以从下面通过，墙必须绕开
- 任务规划：VLA 模型需要知道环境中有哪些物体、在哪里，才能根据语言指令生成正确的动作（如「把桌子上的杯子拿给我」）
- 动态物体处理：识别出「人」「车」等动态物体，可以单独跟踪和预测其运动，避免在占据地图中留下「残影」
- 人机交互：识别人的位置和姿态，实现安全的人机协作
语义占据是连接「空间感知」和「任务决策」的桥梁——它让机器人不仅知道「空间长什么样」，还知道「空间里有什么」，从而做出更智能的决策。
2.5 时序占据与动态物体处理
真实环境是动态的——人在走、车在动、门在开关。静态的占据栅格无法处理动态物体，需要时序占据（Temporal Occupancy）。
时序占据融合连续多帧的传感器数据和机器人运动信息，预测随时间变化的占据栅格，包括：
- 动态物体检测与跟踪：识别并跟踪场景中的动态物体，预测其未来运动轨迹
- 静态背景重建：剔除动态物体，重建稳定的静态背景占据地图
- 未来占据预测：根据动态物体的运动趋势，预测未来几秒的占据栅格，用于前瞻性避障
时序占据是占据栅格网络从「感知」走向「预测」的关键一步——机器人不仅知道「现在哪里有障碍物」，还能预测「未来哪里会有障碍物」，从而提前规划避障路径。
三、占据栅格网络的工程挑战
占据栅格网络虽然前景广阔，但从算法到工程落地还有不少挑战。
3.1 算力与延迟：三维预测的「成本」
三维占据预测的计算量远大于 2D 感知——一个 10m × 10m × 3m 的空间，用 10cm 体素分辨率，就有 30 万个体素需要预测。如果分辨率提高到 5cm，体素数量增加到 240 万个。
算力挑战：
- 3D 卷积的计算量是 2D 卷积的数倍甚至数十倍
- 高分辨率体素预测需要大量显存和计算资源
- 机器人边缘设备的算力有限（如 RK3588 只有 6 TOPS，Orin 有 275 TOPS），难以实时运行高分辨率 3D 占据网络
延迟挑战：
- 机器人避障需要低延迟感知——从传感器数据输入到占据栅格输出，延迟最好在 50ms 以内
- 复杂的 3D 占据网络推理延迟可能达到几百毫秒，无法满足实时避障需求
应对策略：
- 降低分辨率：在保证避障精度的前提下，使用较低的体素分辨率（如 10-20cm）
- 稀疏预测：只预测机器人周围可能用到的区域（如前方扇形区域），而不是全空间预测
- 三平面/混合表示：用三平面、哈希表等高效表示替代密集 3D 体素，减少计算量
- 模型压缩：量化、蒸馏、剪枝，减小模型体积和推理延迟
- 硬件加速：使用支持 3D 卷积的 NPU/GPU，或设计专用的占据预测加速电路
工程视角： 占据栅格网络的工程落地，核心是在「精度」和「成本」之间找平衡。10cm 分辨率的占据栅格，对于人形机器人避障来说基本够用——能识别桌子腿、能判断缝隙宽度、能检测悬空障碍物。但如果要做精细操作（如抓取、装配），10cm 就太粗了，需要更高分辨率或结合其他感知手段。在实际项目中，建议先用低分辨率验证算法可行性，再根据需求逐步提升分辨率，不要一开始就追求「厘米级」精度导致算力和延迟不可接受。
3.2 数据标注：三维占据的「 ground truth 」难题
训练占据栅格网络需要大量标注数据，但三维占据的 ground truth 获取非常困难。
为什么难？
- 三维空间的占据状态无法直接「标注」——你不能像标注 2D 边界框那样，在三维空间中手工框出每个物体
- 通常需要用高精度激光雷达扫描环境，构建点云，然后将点云「膨胀」为占据栅格作为 ground truth
- 但激光雷达也有盲区（如透明物体、黑色吸光物体、远处小物体），构建的 ground truth 本身就有误差
- 动态物体的占据标注更困难——需要区分静态背景和动态物体，还需要预测未来运动
应对策略：
- 仿真数据生成：在仿真环境中自动生成精确的占据 ground truth（系列第 4 篇 Sim-to-Real），用大规模仿真数据预训练
- 弱监督/自监督：利用多视图几何、深度估计、运动一致性等自监督信号，减少对人工标注的依赖
- 激光雷达自动标注：用高精度激光雷达自动生成占据标签，用于训练摄像头-based 的占据网络
- 主动学习：让模型主动选择「最不确定」的场景进行人工标注，提升标注效率
3.3 透明/反光/黑色物体：感知的「盲区」
占据栅格网络的输入通常是摄像头或激光雷达，但这些传感器对某些物体有「感知盲区」：
- 透明物体（玻璃、透明塑料）：摄像头能看到但深度估计不准，激光雷达可能穿透或反射异常
- 反光物体（镜子、金属表面）：摄像头会有高光和反射，激光雷达反射异常
- 黑色吸光物体：激光雷达反射率低，可能检测不到
- 细小物体（电线、细杆）：体素分辨率不够时可能被忽略
- 悬空物体（悬挂的电线、吊灯）：2D 投影中可能被忽略，3D 占据中需要专门检测
这些「盲区」物体在工业场景中可能造成安全隐患——比如机器人没检测到悬空的电线，头部撞上去；没检测到透明的玻璃门，直接撞上去。
应对策略：
- 多传感器融合：摄像头 + 激光雷达 + 超声波 + 触觉，多种传感器互补，减少盲区
- 专门的小物体/透明物体检测：针对特定难检测物体，训练专门的检测模型
- 保守的安全裕度：在占据栅格中对不确定区域做「膨胀」处理，增加安全距离
- 物理接触兜底：在机器人外壳安装碰撞检测传感器，万一感知漏检，物理碰撞也能触发紧急停止
3.4 与 SLAM 和导航的集成
占据栅格网络不是孤立的，它需要与 SLAM（定位与建图）和导航系统深度集成。
与 SLAM 的关系：
- SLAM 提供机器人的位姿（我在哪），占据栅格提供环境的状态（周围有什么）
- 两者可以协同——SLAM 的位姿用于多帧占据栅格的融合，占据栅格可以作为 SLAM 的地图表示
- 语义占据可以辅助 SLAM 的回环检测和动态物体剔除
与导航的关系：
- 占据栅格是路径规划和避障的输入——规划器在占据栅格上搜索无碰撞路径
- 3D 占据栅格支持三维空间的路径规划（如人形机器人从桌子下面通过、无人机在三维空间中飞行）
- 时序占据和未来占据预测支持前瞻性避障——提前规划避开动态物体
集成挑战：
- 占据栅格的坐标系需要与 SLAM 和导航的坐标系精确对齐
- 占据栅格的更新频率需要与导航的规划频率匹配
- 占据栅格的不确定性需要传递给导航系统，用于风险感知规划
四、占据栅格网络的应用场景
4.1 人形机器人
人形机器人是占据栅格网络最典型的应用场景。人形机器人需要在复杂的三维环境中行走、操作、交互，2D 栅格地图完全不够用。
具体应用：
- 三维避障：检测悬空障碍物（吊灯、电线）、低矮障碍物（台阶、门槛）、细腿障碍物（桌子腿、椅子腿），实现灵活避障
- 通过性判断：判断桌子下面能不能钻过去、门缝够不够宽、楼梯能不能上
- 全身运动规划：在三维占据栅格上规划全身运动轨迹，避免手臂、腿部、头部碰撞
- 人机协作安全：识别人的位置和姿态，保持安全距离，预测人的运动趋势
代表：Figure 02、Tesla Optimus、Unitree G1 等人形机器人都在采用或探索占据栅格网络。
4.2 自动驾驶
自动驾驶是占据栅格网络的另一个重要应用场景，也是目前技术最成熟的领域。
具体应用：
- 三维环境感知：感知道路、车辆、行人、障碍物的三维占据状态
- 可行驶区域检测：判断哪些区域可以行驶，哪些区域被占据
- 动态物体预测：预测其他车辆和行人的未来运动轨迹
- 无保护左转、拥堵路段通行：基于精细的三维占据预测，实现复杂场景的决策
代表：特斯拉 FSD（采用三平面占据网络）、小鹏、理想、蔚来等自动驾驶方案都在探索占据栅格网络。
4.3 四足机器人
四足机器人需要在复杂地形（楼梯、碎石、草地）中行走，也需要三维空间感知。
具体应用：
- 地形感知：感知地面的高度变化、障碍物分布，规划足端落点
- 三维避障：检测低矮障碍物（树枝、石块）和悬空障碍物，避免碰撞
- 动态平衡：结合占据栅格和 IMU 数据，实现复杂地形上的动态平衡
- 巡检任务：在工业场景中巡检，检测设备异常和环境风险
4.4 无人机
无人机在三维空间中飞行，天然需要三维占据感知。
具体应用：
- 三维避障：检测树木、电线、建筑等障碍物，实现三维空间避障
- 室内导航：在室内复杂环境中导航，检测墙壁、家具、人
- 穿越机竞速：在复杂的三维赛道中高速飞行，需要实时、低延迟的占据感知
- 测绘与巡检：构建三维占据地图，用于测绘、巡检、数字孪生
4.5 工业场景
在工业场景中，占据栅格网络可以提升机器人的灵活性和安全性。
具体应用：
- 柔性制造：在非结构化的产线环境中，机器人需要感知变化的工件和障碍物
- 人机协作：识别人的位置和姿态，实现安全的人机协作
- 仓储分拣：在复杂的仓储环境中，机器人需要感知货架、货物、人员，实现灵活导航和分拣
- 危险环境作业：在核辐射、化工等危险环境中，机器人需要精确感知环境，避免碰撞导致安全事故
五、总结
占据栅格网络是 3D 空间感知的新范式，它让机器人从「平面避障」走向「三维感知」，从「知道哪里有障碍物」走向「知道障碍物的三维形状和语义」。
核心要点回顾：
- 演进路径：从 2D 占据栅格（平面、简单）→ 3D 点云（三维、稀疏）→ 占据栅格网络（三维、体素化、有状态），空间表示不断进化
- 核心技术：体素化与占据预测、单目/多目占据预测、多传感器融合、语义占据、时序占据与动态物体处理
- 工程挑战：算力与延迟（三维预测成本高）、数据标注（三维 ground truth 难获取）、透明/反光/黑色物体感知盲区、与 SLAM 和导航的深度集成
- 应用场景：人形机器人、自动驾驶、四足机器人、无人机、工业柔性制造与人机协作
占据栅格网络不是一个「已经成熟」的技术，而是一个「快速发展」的方向。随着算力提升、算法优化、数据积累，占据栅格网络的精度会越来越高、延迟会越来越低、成本会越来越便宜。未来，它可能成为机器人的「标准感知模块」——就像今天的 2D 激光雷达避障一样普遍。
对于具身智能来说，占据栅格网络是连接「感知」和「行动」的关键桥梁——只有真正理解了三维空间，机器人才能在复杂环境中灵活、安全、智能地行动。
关于作者： 越微智能（Yuewell）专注具身智能与工业 AI 视觉落地，基于自研 VLA 多模态大模型，提供全品牌机器人二次开发（适配宇树/优必选/智元/傅利叶）与工业级视觉算法定制，结合 3D 空间感知与语义理解，支持从算法、硬件到产线实机部署的全栈交付。
下一篇预告： 《机器人定位传感器全解：IMU、轮速计与多传感器融合》，我们将拆解机器人的「内耳」和「脚感」——IMU 和轮速计如何工作，以及它们如何与视觉/激光融合实现高精度定位，敬请关注。