11 月 7 日的组会上，智能网联技术创新团队雷达感知方向汇报了一项工作：它要回答的不是“怎样把误差降到最小”，而是“算力有限时，先修哪些误差”。这项工作由硕士研究生刘经经承担。

Sense Flow 从连续帧的点云里估计每个点的运动，据此预测自车未来会占住哪些区域。预测一旦偏了，本该被占住的地方被当成空地，就是“漏占据”——自动驾驶最怕的那类错误。

过去的评价用平均 EPE，一个行人只占几百个点，错了也被整体平均掉。这项工作把标准换了个问法：在固定的修正预算下，优先修那些会让自车未来行驶区域漏占据的误差，把算法优化从“全面覆盖”转向“精准防御”。

为此梳理了四类工作：纯 flow 的估计与改进（自监督点运动、刚体运动 3-flow、多帧 G-flow）、直接预测占据流向、评价指标的分组赋权，以及把栅格未来运动接进绕行规划。复现中，3-flow 加上四种约束效果最好，常规车辆的运动预测表现稳定；但地面没滤净会产生虚假光流，贴着静态结构的行人难估，远处稀疏点云更难预测动态物体。

约束加到一定程度就边际递减，泛化反而变差，团队因此放弃继续堆约束，转去做优化方案。指导老师建议把场景从开放道路缩到封闭或固定区域，固定在雾天、雨天这类条件下做对比实验；实验的硬指标只有一条——找到“原本会撞、经优化后不撞”的对照。

从“修得准”到“修得值”，这项工作的转向在于把有限的算力用在真正危险的地方。实验将先收缩到封闭场景，跑出可信的对照结果，再考虑更大范围的应用。