网格中心感知是移动机器人感知和导航的关键领域。尽管如此，在自动驾驶中，网格中心感知不如目标中心感知更为普遍，因为自动驾驶车辆需要准确地感知高度动态、大规模的室外交通场景，并且以网格为中心的感知的复杂性和计算成本很高。深度学习技术和硬件的快速发展为Grid-Centric 感知的发展提供了新的见解，并使许多实时算法得以部署。当前的工业和学术研究证明了网格中心感知的巨大优势，如全面的细粒度环境表示、对遮挡的更强鲁棒性、更高效的传感器融合和更安全的规划策略。鉴于目前缺乏对这一快速扩展领域的调查，本文对自动驾驶汽车的网格中心感知进行了分层结构审查。组织了occupancy grid 技术的先前和当前work，并从三个方面对算法进行了系统深入分析：特征表示、数据实用性和自动驾驶系统中的应用。最后总结了当前的研究趋势，并提出了一些可能的未来展望。
自动驾驶汽车的安全运行要求准确、全面地反映周围环境，由3D目标检测、多目标跟踪和轨迹预测组成的以目标为中心的pipeline是主要的3D汽车感知模块。然而，以object为中心的技术在目标的形状或外观不明确的开放世界交通场景中可能会失败。这些障碍物也称为长尾障碍物，包括可变形的障碍物，如两节拖车；异形障碍物，如翻车的车辆；未知类别的障碍物，如道路上的碎石、垃圾；部分遮蔽的物体等。因此，迫切需要对这些长尾问题进行更稳健的表示，网格中心感知被认为是一个很有前途的解决方案，因为它能够在不知道物体的情况下提供3D周围空间中任何位置的占用和运动。这一领域受到了很多关注，最近的进展表明，它仍然是自动驾驶汽车中最有前途和最具挑战性的研究课题之一，为此，我们打算对网格中心感知技术进行全面的回顾。
网格地图已被广泛认为是移动机器人和自动驾驶车辆安全导航的必要先决条件，从完善的占用网格图（OGM）开始，将周围区域划分为统一的网格单元。每个单元格的值代表占用率的conf，这对于避免碰撞至关重要且有效。随着深度神经网络的发展，以网格为中心的方法正在快速发展，现在比传统的OGM更全面地理解语义和运动。总之，现代以网格为中心的方法能够预测每个网格单元的占用率、语义类别、未来运动位移和实例信息。以网格为中心的方法的输出是真实世界规模的，固定在自我姿态坐标上。通过这种方式，以网格为中心的感知成为支持下游驾驶任务（如风险评估和车辆轨迹规划）的重要前提！
与基于目标的表示相比，基于网格的表示的显著优势如下：对障碍物的几何形状或语义类别不敏感，对遮挡的抵抗力更强；理想的多模态传感器融合，作为不同传感器对齐的统一空间坐标；鲁棒不确定性估计，因为每个单元存储不同障碍物存在的联合概率。然而，以网格为中心的感知的主要缺点是高复杂性和计算负担。