视觉感知（Visual Perception）的十年（2015–2025），是从“识别照片里的像素”向“重建实时三维物理世界”的跨越。
视觉感知是自动驾驶的“眼睛”。这十年间，视觉算法完成了从 2D 到 3D、从局部到全局、从“特征识别”到“几何占位”的彻底重构。
一、 演进三大阶段：从“画框”到“造世界”
1. 2D 卷积与目标检测阶段 (2015–2018) —— “图像识别”
- 主流算法：CNN（卷积神经网络），如 YOLO 系列、Faster R-CNN。
- 特征：算法在单帧 2D 图像上运行，主要任务是给车辆、行人画矩形框（Bounding Box）。
- 局限性：*深度缺失：2D 框很难准确判断物体的真实距离和 3D 形态。
- 后融合难题：多个摄像头的感知结果在后处理阶段进行硬拼接，经常出现物体在画面交界处“重影”或“断开”的情况。
2. BEV 与 Transformer 时代 (2019–2022) —— “俯视图统一”
里程碑：特斯拉在 2021 年 AI Day 普及了BEV（鸟瞰图）架构。
技术突破：
空间投影：通过 Transformer 架构将多个摄像头的 2D 图像特征直接投影到统一的 3D 俯视图空间（BEV）。
时序融合：算法开始引入“时间”维度，能够通过多帧画面计算物体的速度、加速度，并解决物体被临时遮挡后的记忆问题。
意义：视觉感知从此不再是单纯的图像分类，而是在构建一张实时的、围绕车辆的动态 3D 小地图。
3. 占用网络与生成式 AI 时代 (2023–2025) —— “空间占位”
- 主流技术：Occupancy Network（占用网络 / 占据栅格）、VLM（视觉语言模型）。
- 2025 现状：*通用障碍物识别：2025 年的算法（如华为 ADS 3.0、小米 SU7 的感知架构）不再纠结“前方是什么”，而是判断“前方 坐标的空间是否被占用”。这解决了识别不出侧翻车辆、散落纸箱、施工围栏等异形物体的问题。
- 语义理解：视觉系统能“读懂”路牌文字、施工牌信息，甚至识别交警的手势。
二、 核心维度十年对比表 (2015 vs 2025)
| 维度 | 2015 (感知 1.0) | 2025 (感知 3.0) | 核心演进点 |
|---|---|---|---|
| 基础模型 | 纯 CNN (ResNet 等) | Transformer / VLM | 实现了全局信息的注意力关联 |
| 感知空间 | 2D 图像平面 | 4D 时空占用空间 (Occupancy) | 实现了对物理世界的几何级重建 |
| 目标范围 | 预定义的白名单物体 | 通用障碍物 (General Obstacles) | 彻底解决了“长尾场景”识别难题 |
| 感知精度 | 像素级分类 | 体素级 (Voxel) 占据预测 | 极大地提升了异形物体的避障能力 |
| 系统延时 | 以上 | ** (硬件加速推理)** | 实时性足以支持高速场景紧急避障 |
三、 2025 年的技术巅峰：通感一体与具身视觉
在 2025 年，视觉感知已经进化为一种**“全息物理引擎”**：
- 神经场景重建 (Neural Scene Reconstruction)：
2025 年的视觉系统结合了NeRF（神经辐射场）或高斯泼溅 (Gaussian Splatting)技术。车辆在行驶时不仅在看，还在实时对周围环境进行三维建模。这些回传的数据可以自动转化为数字孪生，供算法进行离线训练。 - eBPF 内核级感知监控：
由于感知模型变得极其庞大（数十亿参数），2025 年的架构引入了eBPF 监控。它在内核层实时跟踪“摄像头曝光 神经网络推理 物体坐标输出”的全链路时延。如果检测到显存由于复杂路口计算量激增而导致丢帧，eBPF 会即刻触发降级策略，保障安全核心感知不中断。 - 弱势群体（VRU）意图感知：
视觉感知现在能识别行人的骨架姿态。通过分析路边行人的重心偏移和视线方向，2025 年的系统能提前 预判行人是否有横穿马路的冲动。
四、 总结：从“看见”到“认知”
过去十年的演进，是将视觉感知从一种**“二维分类器”打造成了机器人的“生物视觉本能”**。
- 2015 年：视觉在告诉计算机“这张图里有个色块像一辆车”。
- 2025 年：视觉在告诉车辆“你面前 5 米处有一个占据 空间、正以 速度斜向切入的刚性障碍物”。
