企业官网建设流程全解析

做自动驾驶感知的同行大概都有过这种体验：检测框的指标在验证集上已经刷得很漂亮，一上路却还是会被各种“编外物体”打脸——斜插在路边的施工围挡、掉在车道里的一半纸箱、横在路口的三轮车拉的超长钢管。这些目标在标注规范里找不到对应类别，检测头再强也使不上劲。OccFusion这类思路要解决的正是这个问题：不再执着于“这个东西是什么、框在哪”，而是回答“这块空间被占了没有”。它把自车周围的近场空间切成三维栅格，逐格判断占用、自由还是未知，再把相机和激光雷达两路证据在体素层面融到一起。

这个方向适合谁看？如果你正在做3D 占据栅格预测的算法落地，或者手上有一套 BEV 感知链路想往体素空间延伸，又或者你只是好奇“多传感器融合”在体素粒度上到底怎么实现，下面这些内容应该都能对上号。我会把 OccFusion 从问题定义、架构选型、参数换算，一直拆到能跑起来的伪代码和踩坑记录。

1. OccFusion 要解决的到底是什么问题

1.1 从“画框”到“占格子”：任务定义变了

传统 3D 检测的输出是一个个带朝向的立方体，每个框对应一个类别标签。这套范式隐含了一个假设：世界上的东西都能被穷举成有限的类别集合。现实显然不是这样。工程车伸出来的机械臂、临时摆放的锥桶阵、货车上没绑牢的板材，这些东西要么没类别，要么框出来形状根本对不上。

占据栅格换了个问法：把自车周围划成一个三维网格，比如前后左右各 40 米、高度 6.4 米，格子边长 0.4 米，那么就是一个 200 × 200 × 16 的网格，一共 64 万个格子。每个格子输出三种状态之一：被物体占据、可通行自由、以及没被任何传感器看到过的未知。这个定义的好处是不依赖类别体系，未知物体天然被覆盖；坏处是输出维度暴涨，算力和显存的开销比检测框高一个数量级。

OccFusion 在这个任务里承担的角色，是把“多源证据合成一张占据图”这件事做扎实。相机提供稠密但缺深度的语义线索，激光雷达提供精确但稀疏的几何线索，两者在体素空间里互补。我自己在做方案对比时最大的感受是：单看某一模态的占据预测，永远有一类场景是系统性失效的，而融合能把这类失效从“必然”压到“偶发”。

1.2 单模态方案撞上的三堵墙

纯视觉路线的问题很集中。第一是深度。单目图像到体素的映射依赖一个隐式的深度分布估计，这个分布在纹理丰富、光照正常的场景里还算靠谱，一到夜间、逆光、雨雾、大面积白墙，误差就是米级的。我实测过一个典型 case：空旷路面上有一段隔离护栏，视觉分支把护栏后面的自由空间也判成了占用，因为深度分布拖了一条长尾过去。

第二是远距离衰减。分辨率固定的情况下，图像上远处目标只占几十个像素，投影到体素后有效证据极少，占据预测在 30 米开外就开始糊成一片。

纯激光雷达路线的问题同样明显。点云稀疏性决定了它对细小物体、远处物体、低反射率物体的召回有天生的上限；一根直径 5 厘米的杆子，在 20 米处可能只有两三个点落上去，体素化后很可能直接被判定为空。另外点云没有颜色和纹理，遇到“玻璃幕墙”这类目标，几何上近乎透明，语义上却是实体障碍，只靠几何很难判对。

所以融合的动机不是“多一路输入显得高级”，而是两个模态的失效模式几乎正交：视觉怕光照和深度不准，雷达怕稀疏和低反射。正交的失效模式才是融合真正的收益来源。

1.3 三条融合路线的取舍

真要做，第一个决策就是融合发生在哪一层。我把常见的三种做法列一下，都实际跑过或者评估过：

OccFusion 走的是特征级融合，我认为这是当前性价比最高的选择。前融合的致命伤在于它把深度估计的误差固化进了输入，后面的网络再怎么学也难纠正；后融合看起来工程友好，但视觉分支把护栏后面判成占用这件事，雷达分支给不出任何反向证据，因为那块区域点云本来就是空的，属于“未知”而不是“自由”，融合权重根本不知道该往哪边压。

特征级融合的前提是两路特征能在同一个栅格上对齐，这就把坐标系的问题推到了台前，也是后面最容易出事的地方。

2. 整体架构拆解：融合该发生在哪一层

2.1 坐标系与特征对齐，一切的地基

体素占据预测里，坐标系的错误是最贵的一类 bug，因为它在指标上表现为“整体精度掉几个点”，很难定位。我的做法是把所有坐标统一到一个固定的自车坐标系：原点在後轴中心地面投影，X 向前，Y 向左，Z 向上。所有传感器外参都标到这个系上，体素网格也定义在这个系里，前向范围 [-40, 40]，侧向 [-40, 40]，高度 [-2.0, 4.4]。

相机分支的关键一步是把体素中心点投影到图像平面。这一步的公式本身很朴素：

# 伪代码：体素中心批量投影到某个相机 # grid_xyz: [N, 3] 体素中心在自车坐标系下的坐标 p_cam = grid_xyz @ R_cam.T + t_cam # 转到相机坐标系 z = p_cam[:, 2] valid = z > 1e-3 # 相机后方或过近的点剔除 u = fx * p_cam[:, 0] / z + cx v = fy * p_cam[:, 1] / z + cy inside = valid & (u >= 0) & (u < img_w) & (v >= 0) & (v < img_h)

真正难的不是这段，而是标定的时间同步和安装公差。相机和雷达的硬件时间戳如果不同步到 10 毫秒以内，车辆在 60 km/h 下每 10 毫秒位移 17 厘米，正好是半个体素，投影就会系统性偏移。我一般会在数据预处理阶段做两件事：一是按硬件触发信号对齐时间戳而不是按消息到达时间；二是做一次在线标定校验，用静止场景下的标定板或车道线做残差检查，残差超过 0.3 度就报警重标。

提示：投影前务必做一次“可视化自检”——把体素网格中心投影到图像上画点，肉眼确认点云投影和图像里的物体边缘是否贴合。这一步花十分钟，能省掉后面两天的调参。

2.2 特征级融合的具体形态

两路特征都投影到 64 万个体素上之后，怎么合？我试过三种：直接相加、通道拼接后过卷积、门控加权。相加最简单但对齐误差零容忍，两路特征只要错一格，相加就等于互相污染。拼接加卷积参数量上去之后小数据集容易过拟合。

最终我用的是一种模态门控结构：先算出每个体素位置上两路的可靠程度，再按权重混合。这个“可靠程度”不需要额外标注，让网络自己学。

# 伪代码：单个 OccFusion 融合块 def fuse(cam_vox, lidar_vox, lidar_cnt): # cam_vox: [B, C, X, Y, Z] 相机投影得到的伪稠密体素特征 # lidar_vox: [B, C, X, Y, Z] 点云体素化后的稀疏特征 # lidar_cnt: [B, 1, X, Y, Z] 每个体素内的点数，作为稀疏度先验 gate = sigmoid(mlp(concat([cam_vox, lidar_vox, log1p(lidar_cnt)], dim=1))) fused = gate * lidar_vox + (1.0 - gate) * cam_vox return fused + conv3d(fused) # 局部 3x3x3 平滑，补偿对齐残差

把点数作为额外输入是我踩坑之后加的。纯粹靠特征本身，网络分不清“这个体素雷达没点是因为那里真的空”还是“因为物体反射率低没返回”，而点数分布能间接区分这两件事——前者通常邻域也没有点，后者邻域往往有点。

2.3 时序融合值不值这个显存

占据预测有一个天然优势：场景在短时间内是准静态的。前一帧看到的东西，只要知道自车怎么动的，就能大致搬到当前帧。这对补全遮挡和稀疏区域帮助极大，尤其是视觉分支在远处糊掉的那片区域，靠历史帧累积能拉回来不少。

具体做法是把上一帧的占据 logits 按自车位姿变化 warp 到当前帧坐标系，再和当前帧结果做置信度门控融合。位姿从组合导航或轮速加 IMU 拿到，做一次 SE(3) 变换，然后对体素做三线性采样。

代价很直接：显存翻倍，并且需要一个按序列组织的采样器。我实测在 200 × 200 × 16 的网格上加一帧历史，训练显存大概多 1.5 到 2 GB（batch=4，混合精度）；推理延迟增加 8 到 12 毫秒。值不值？我的判断是：如果你的场景里遮挡严重（城市路口、密集停车），值；如果是高速直道为主，收益不明显，可以先不上。

还有一个容易忽略的细节：位姿估计本身的误差会随时间累积，所以历史帧不能无限往下挂。我的经验是只挂一帧，最多两帧，再多的话 warp 误差反而把结果带偏了。

2.4 解码头与监督信号的搭配

占据头的输出是每个体素一个类别分布。三个类别（自由、占用、未知）里，“未知”这个类不能靠网络凭空学出来，必须靠监督信号的 mask 来定义——没被任何传感器射线穿过的体素，在算 loss 时直接忽略，模型自然学不到它的规律，推理时它的输出就是低置信度的，我们在后处理里把它归到未知。

解码头的结构我倾向轻量：两层 3D 卷积加一个 1×1×1 的分类层就够了。这里踩过一个坑，一开始用了比较深的三维卷积堆叠，参数量上去了，但 mIoU 反而降了 1.2 个点——感受野过大导致相邻体素特征互相污染，细长物体（杆子、护栏）直接被抹平。后来把卷积核限制在 3×3×3，深度砍到两层，细长目标的召回明显回升。

监督信号方面，除了最终的占据标签，我还加了两个辅助头：一个预测每个体素的“可见性”（是否被至少一个传感器观测到），另一个是深度分布的中间监督（用雷达点投影到图像上生成稀疏深度作为监督）。辅助头只在训练时用，推理时丢掉，不增加部署成本。

3. 核心参数与细节设计

3.1 体素分辨率、范围与显存预算的算式

这一块是纯工程账，算清楚了再动手能省很多返工。假设网格是 X × Y × Z，特征通道 C，数据类型 float16（2 字节），batch 为 B：

单个特征图显存 = X × Y × Z × C × 2 字节

以 200 × 200 × 16、C = 32 为例，640000 × 32 × 2 ≈ 41 MB。看起来很小，但训练时反向传播要保存激活，实际占用通常是特征图本身的 3 到 5 倍；如果时序融合再存一份历史，多尺度再叠两三层，B = 4 的情况下很容易冲到 8 GB 以上。

分辨率的选择逻辑是这样的：体素边长决定了能分辨的最小物体。0.4 米的体素，一根直径 5 厘米的杆子基本不可能被单独占住，只能靠邻域特征“糊”出来；0.2 米的体素能分辨，但网格数量翻 8 倍，显存直接爆炸。我的折中是近场用 0.2 米、远场用 0.4 米的两级网格，近场范围 20 米，远场到 40 米。这样近场的精细度和整体显存都能接受。

还有一点要提醒：范围定得越大，边界处的体素越依赖外推，误差越大。我一般会在训练时对超出点云有效范围 10% 的体素做 loss 降权，避免模型在“瞎猜区”过拟合。

3.2 相机深度的不确定性怎么处理

视觉分支从图像特征到体素特征，中间隔着一次深度估计。主流做法是在每条相机射线上采样一串离散深度，得到每个深度区间的概率，再把图像特征按概率加权铺到体素上：

# 伪代码：视锥特征按深度分布铺到体素 # ray_feat: [B, N_ray, C] 每个射线方向上的图像特征 # depth_prob: [B, N_ray, D_bin] 归一化后的深度分布 voxel_feat = einsum('bnc,bnd->bcd', ray_feat, depth_prob) # 按深度加权求和

这个操作对深度分布的质量极度敏感。我做过一个实验：把深度分布换成 one-hot（取 argmax），mIoU 掉了将近 4 个点，因为离散化误差被硬编码进了特征。所以深度分布一定要保留软性，用 softmax 而不是 argmax，并且训练时给它独立的监督。

另一个细节是深度区间的划分。均匀划分在近处太粗、远处太细；我改成按对数间隔划分，近处 0.5 米一档、远处 3 米一档，总共 64 个 bin，实测深度估计的误差分布更均匀。用 88 个 bin 收益就很小了，显存和计算量却上去了。

注意：深度监督的标签要用雷达点投影生成，但投影时要剔除落在运动物体上的点并做时间补偿，否则运动模糊会让深度分布学出一个双峰，推理时沿着物体边缘出现“体素拉丝”。

3.3 稀疏与稠密的边界

这是 OccFusion 里最反直觉的一个点。激光雷达分支天生稀疏，10 万个点落在 64 万个体素里，非空体素可能只有 3 到 5 万个，占比不到 8%。相机分支产生的体素特征却是稠密的——每条射线沿途都会被铺上特征。于是融合时两边的“密度”严重不匹配。

如果直接用稠密三维卷积，雷达分支里那 92% 的空体素也参与计算，等于让网络在大量无信息的位置上学参数，不光浪费算力，还会带来一个隐蔽的副作用：空体素位置的特征会逐渐趋同，融合门控在这些位置学不到区分度，最后视觉分支的伪稠密特征会盖过雷达的稀疏证据。

我的处理是分两段。融合阶段用稀疏卷积，只在“相机有效或雷达有点”的并集体素上计算，这个并集大概占全网格的 20% 到 25%。解码头再转回稠密卷积，因为占据预测本身要求对每个体素都输出结果，包括空体素。

稀疏化阈值要调。我一开始用特征 L2 范数大于 0.01 作为有效判据，结果发现相机分支在远处射线上铺出来的特征范数普遍偏低，被误剪掉，导致远处占据召回下降。后来改成“相机射线命中且深度置信度大于 0.3”的几何判据，比纯特征阈值稳得多。

3.4 损失函数与样本不均衡

64 万个格子里，真正被占据的可能只有几千个，占比千分之几。这个不均衡程度比二维检测里的前景背景失衡还要极端。直接上交叉熵，网络会学到一个“全判自由”的退化解，准确率 99% 以上，但完全没用。

我用的组合是 focal loss 加类别权重。focal 的 gamma 取 2.0，占用类的权重给到 5 到 8 倍，自由类压到 0.5。这几组数我是这么试出来的：先只用 focal 不加权，占用类召回 45% 左右；加权重到 3 倍，召回上到 62%，但虚警明显多了；最后停在 6 倍配合 gamma=2，召回 71%，虚警率还在可接受范围内。

另外加一个 lovasz 风格的 soft IoU 损失做辅助，专门对付细长结构。交叉熵是逐体素独立的，学不到“结构完整性”，而 soft IoU 会把整块目标的预测绑在一起，杆子、护栏这类细长目标断裂的情况能减少一大半。

3.5 数据增强与标定扰动

体素任务的增强比二维少很多自由度，因为三维几何一变，标签也得跟着变。我实际在用的有这几样：

几何类增强只做全局的旋转和缩放，角度在 ±10 度、缩放 0.95 到 1.05 之间。别做翻转，自车坐标系不对称，翻转之后左右相机的外参全乱。

标定扰动是我最看重的一项，也是很多实现里被忽略的。做法是给相机外参加 ±0.5 度旋转、±2 厘米平移的随机噪声，模拟装配公差和振动；内参的焦距给 ±1% 的扰动。这一项对鲁棒性的提升非常直观，我做过消融，加了标定扰动之后，在人为注入 0.3 度外参偏差的测试集上，mIoU 只掉 1.8 个点；不加扰动的版本直接掉 6 个点以上。

点云这边做随机丢点（保留率 0.8 到 1.0）和距离相关的密度衰减，模拟不同反射率和雨雾条件。还可以做“模态丢弃”：以 10% 的概率整个丢掉雷达分支，强迫视觉分支独立学出可用的占据预测。这个技巧在部署时很有价值，万一雷达故障，系统还能降级运行。

提示：标定扰动的幅度不要贪大。超过 1 度的旋转噪声会让模型学到一个“模糊化”的退化解，正常标定下的精度反而下降。0.3 到 0.6 度是比较稳的区间。

4. 从零搭一版可跑的 OccFusion

4.1 数据与坐标系统一

开工第一步是把数据管线捋顺，这一步做不好后面全是玄学。我整理了一个检查清单，每次换数据集都过一遍：

• 所有外参统一到自车坐标系，不要保留“雷达到相机”和“相机到雷达”两种方向的外参，混用必错。
• 时间戳按硬件触发对齐，图像和点云的时间差控制在 5 毫秒内。
• 每帧记录自车位姿（平移 + 四元数），时序融合直接用它。
• 占据标签生成时，用雷达射线做自由空间标注：射线经过的体素标自由，射线终点标占用，没被任何射线碰到的体素标“忽略”。
• 边界处理统一：范围外的点直接丢弃，不要 clamp，clamp 会把远处的东西挤到边界上造成假占用。

标签生成这块我要多说一句。很多开源实现只标占用，自由和未知靠网络自己推，结果就是在没有点云覆盖的区域（比如远处高空、被遮挡区域）网络乱猜。显式标注自由空间、并把未观测区排除在 loss 之外，是提升 mIoU 最直接的一招，成本也就是写一个射线遍历的脚本。

4.2 特征提取与栅格化

两路特征提取的骨干网不需要太深。我用的是一个轻量的二维骨干（下采样 16 倍）处理图像，一个基于体素稀疏卷积的三维骨干处理点云，两路的输出通道都对齐到 32。

点云栅格化的时候有几个参数值得说：

# 伪代码：点云体素化 voxel_size = (0.4, 0.4, 0.4) point_range = [-40, -40, -2.0, 40, 40, 4.4] # 1) 计算每个点所属体素索引 idx = floor((points_xyz - range_min) / voxel_size) # 2) 去掉越界点 # 3) 每个体素内做特征聚合：均值 + 最大值 + 点数 # 均值保留几何中心，最大值保留边缘，点数反映密度 voxel_feat = concat([mean(pts_per_voxel), max(pts_per_voxel), log1p(count)])

把“点数”单独作为一个通道是我反复验证过的有效 trick。它让网络能间接感知到“这个体素是实心还是被扫了个边”，对区分薄板、树枝这类穿透性目标有帮助。

图像分支到体素的转换我用的是深度分布加权的方式，前面写过。这里有个实操细节：射线生成不要用全分辨率，要在特征图上做（下采样 16 倍后的尺寸），否则光生成视锥就要几毫秒。特征图分辨率下采样后，每条射线对应的感受野反而更大，对小目标的鲁棒性更好。

4.3 融合模块实现

融合模块的结构前面给了伪代码，这里补充几个实操层面的决定。

通道数上，两路特征必须对齐到同一维度，我用 32。试过 64，mIoU 只涨 0.4 个点，显存翻倍，不划算；试过 16，细长目标召回掉得厉害。

融合的位置，我放在两路骨干各自下采样到 1/4 分辨率之后，而不是最后一层。太晚融合，两路的特征已经各自抽象到语义空间，空间对齐的精度不够；太早融合，特征还没成形，融合没意义。1/4 分辨率是个折中，此时体素特征的空间精度还够，语义信息也已经有了一些。

时序融合的 warp 实现要注意插值方式。三线性插值会让边缘变糊，我实测在细长目标上会损失 1 个点左右的 IoU。改成“最近邻采样 + 一个 3×3×3 的平滑卷积”，效果反而更好，因为平滑是在 warp 之后做的，不会把插值误差扩散开。

# 伪代码：时序 warp # prev_occ: [B, C, X, Y, Z]，上一帧占据特征 # T: [B, 4, 4]，上一帧到当前帧的位姿变换 # 1) 生成当前帧体素中心坐标 grid_cur [N, 3] # 2) 变换到上一帧坐标系：grid_prev = grid_cur @ T[:3,:3].T + T[:3,3] # 3) 归一化到 [-1, 1] 后做最近邻采样 # 4) 对采样结果做一次 3x3x3 平滑 # 5) 门控融合：fused = w * cur + (1-w) * prev_warped

4.4 训练配置与显存调度

训练这块的经验是：占据预测不是靠调超参调出来的，是靠把显存榨干、把 batch 撑上去撑出来的。batch 太小，focal loss 的梯度噪声极大，收敛非常不稳。

我的配置大致是这样：混合精度训练，优化器用带动量的 SGD 或 AdamW（AdamW 更稳一点，学习率 2e-4），warmup 500 步，余弦退火到 1e-5。梯度裁剪阈值设 5.0，不加的话前期偶尔会炸。

显存优化上用过几个手段，效果排序是：混合精度（省 40%）> 梯度检查点（省 30%，速度慢 20%）> 分阶段训练（先冻结视觉分支训融合，再联合训）。梯度检查点我一般只在最后冲高分辨率实验时开，平时不用，因为训练时间拉长太多影响迭代速度。

还有一个容易忽略的点：时序输入的采样必须按序列分桶。如果 batch 里混了不同序列的帧，warp 的时候位姿对不上，会引入完全错误的监督信号。我在数据加载器里加了断言，同一 batch 的所有样本必须来自同一序列的连续帧。

4.5 评测与指标口径

指标口径不统一是复现结果对不上的最大原因。我建议至少报告三组数：

第一是 mIoU，但一定要说明是在哪些类上平均的。把“自由”类算进去会让数字虚高，因为自由体素占比极高，随便猜都能拿到不错的 IoU。我一般报的是“占用类 IoU”和“占用 + 自由两类 mIoU”两个数。

第二是分距离段的 IoU：0-10 米、10-20 米、20-30 米、30-40 米各报一个。整体 mIoU 会把近场的优势平均掉，看不出远场的真实水平。这个拆解对定位问题极有帮助，我每次发现指标异常，第一件事就是看分段曲线，通常能立刻判断是深度分支的问题还是融合权重的问题。

第三是时序一致性，也就是相邻帧之间同一静态体素的预测翻转率。这个指标不在标准评测里，但工程上很有价值：翻转率高说明模型对噪声敏感，实际部署时会看到占据图“闪烁”，下游规划根本没法用。

4.6 部署侧的几个硬约束

训练跑通和能上车是两码事。体素任务部署时最先撞上的就是算子支持问题：三维稀疏卷积在很多推理后端上支持不完整，往往要退化成稠密卷积，算力一下就上去了。

我的处理是把融合阶段的稀疏卷积换成“稠密卷积 + 掩码”，掩码在推理时由几何规则直接生成（相机射线命中范围 + 点云占用范围），不需要网络算。这样虽然算力比真稀疏卷积多一点，但完全走标准稠密算子，部署链路成熟得多。

第二个约束是显存带宽。体素特征虽然总容量不大（几十 MB），但融合模块的读写非常频繁，在嵌入式平台上很容易卡在带宽上而不是算力上。缓解办法是把通道数压到 32 以下、把时序融合放到最后一级、以及尽量减少中间张量的落地次数。

第三个是预处理。把体素中心坐标投影到各个相机这个操作，如果每帧都重算，纯 CPU 上可能就要几毫秒。做法是预处理阶段预计算好体素到各相机的投影索引表，运行时只做查表和采样。这招能省下 3 到 5 毫秒，在 100 毫秒的总预算里不算小。

5. 常见问题与排查实录

5.1 典型现象速查表

下面这些是我和团队实际遇到过、并且反复出现的现象，按“现象—定位—处置”整理：

5.2 几个踩过的坑

第一个坑是“融合门控学成了常数”。训练日志里我发现门控输出的方差极小，几乎恒等于 0.5，等于没融合。原因是初始化的时候两路特征的数值尺度差太多——相机特征经过 softmax 加权后的量级偏小，雷达特征经过稀疏卷积后量级偏大，门控网络一开始就被大的一路主导，梯度推不动。解决办法是融合前对两路特征各做一次 LayerNorm，把尺度拉平，门控立刻就学出了区分度。

第二个坑是“时序 warp 用了错的位姿约定”。自车位姿有“车体到世界”和“世界到车体”两种约定，四元数的顺序也有 wxyz 和 xyzw 两种。我在一个项目里混用过，结果就是历史帧被镜像翻转地贴上来，指标看着还行（因为静态背景大致对称），但一遇到路口转弯就完全崩。现在我的做法是写一个单元测试：给定位姿变换，把一组已知点变换过去再变换回来，检查是否回到原点，误差超过 1e-4 就报错。

第三个坑是“数据增强把标签搞坏了”。三维旋转增强的时候，如果只转输入不转标签，模型会学到一个旋转不变但其实旋转相关的错误映射。这个错误很隐蔽，训练 loss 看着正常下降，验证集指标也不难看，但一换场景就崩。现在的做法是把增强参数写进样本字典，标签生成阶段统一应用，任何一处不一致就抛异常。

第四个坑相对冷门：辅助的可见性头会“抢戏”。我加了可见性预测之后，主占据头的收敛变慢了，因为两个任务共享了大部分特征，可见性任务更容易学（本质是个几何问题），梯度很快把共享特征拉向自己的方向。处置办法是给辅助头单独的低学习率（主头的 0.1 倍），并且用梯度缩放把它对共享特征的影响压下去。

提示：调试占据预测，最有效的工具不是看指标而是看可视化。把预测结果按高度切片，一层层看，问题往往一眼就能看出来——某一层整体偏移说明标定有问题，某一层全是噪点说明该高度的监督信号不足。

我个人在实际做这类融合方案时最深的体会是：模型结构上的创新带来的收益，往往比不上把坐标系、时间戳、标签生成这三件事做扎实。我见过太多项目在结构上反复折腾，最后发现问题出在相机外参的一个符号上。OccFusion 这个思路本身不复杂，难的是把它工程化到能稳定跑在车上的程度，而这部分工作几乎没有捷径，只能靠一层层的可视化自检和单元测试堆出来。