全面了解BEV意识，从论文到代码，从前沿研究到产业实施。

这本文主要跟大家讲一些关于全面了解BEV意识，从论文到代码，从前沿研究到产业实施。和汽车abs综述的题，希望大家一定都喜欢。

机心柱

作者OpenDrive实验室

BEV感知研究对自动驾驶领域具有重大影响。您需要了解的有关BEV的信息本文使用BEVPerception调查来揭示案。

BEV意识到底是什么？自动驾驶学术界和产业界对纯电动汽车认知度关注哪些方面？这篇文章会给你案。

在自动驾驶领域，让识别模型学习鲁棒的鸟瞰图表示是一种趋势，并引起了工业界和学术界的广泛关注。与自动驾驶领域之前的大多数模型基于在正面或透视图中执行检测、分割和跟踪等任务相比，使用鸟瞰视图表示是有益的，因为它可以让模型更好地执行任务。识别被遮挡的车辆。后续模块、开发和部署。

纯电动汽车感知研究能够对自动驾驶领域产生巨大的潜在影响，需要学术界和工业界的长期兴趣和投资。那么纯电动汽车意识到底是什么？自动驾驶领域学术界和行业领袖关注的纯电动汽车意识内容有哪些？在本文中，我们揭示了BEVPerception调查的案。

BEVPerceptionSurvey是上海人工智能实验室自动驾驶OpenDriveLab团队与商汤科技实验室联合开展的论文《深入探讨鸟瞰感知的魔鬼回顾、评估与配方》的实用工具呈现方式。主要分为两个部分关于BEVPercption的最新文献的研究和基于PyTorch的开源BEV感知工具箱。

论文地址

项目地址

摘要解读、技术分析

BEVPerceptionSurvey最新文献综述该研究主要由三部分组成——BEVCamera、BEVLiDAR、BEVConvergence。BEV相机代表仅视觉或以视觉为中心的算法，用于3D对象检测或多个周围相机的分割。BEVLiDAR描述了点云输入的检测或分割任务。BEVFusion描述了多个传感器的传感或分割任务。输入融合机制，如摄像头、LiDAR、GNSS、里程计、高清地图、CAN总线等。

BEVRecognitionToolbox提供了基于BEV相机的3D物体检测和Waymo数据集上的实验，用于在小型数据集上进行手动教程和实验。

图1BEVPerception调查框架

具体来说，BEVCamera代表了一种用于3D物体检测或分割周围多个摄像头的算法，BEVLiDAR使用点云作为输入来完成检测或分割任务，而BEVfusion则将多个传感器的输出合并到一个摄像头中，LiDAR，用于作为GNSS等输入。里程表、高清地图、CAN总线等

BEVPercption文献综述研究

纯电动相机

BEV相机识别由三部分组成2D特征提取器、视图变换和3D解码器。下图为BEV摄像头识别流程图。在视图变换中编码3D信息有两种方法——一是从2D特征预测深度信息，二是在3D空间中采样2D特征。

图2BEV摄像头检测流程图

对于2D特征提取器，有丰富的2D识别任务经验可以借鉴3D识别任务，例如以大师干预训练的形式。

视图变换模块与2D识别系统有很大不同。正如上图所示，执行视图变换通常有两种方式一种是从3D空间到2D空间，另一种是从2D空间到3D空间。这两种变换方法都用在3D中。获得系统物理的先验知识或利用额外的3D信息进行监督。值得注意的是，并不是所有的3D识别方法都有视图变换模块，例如，有些方法直接从2D空间中的特征检测3D空间中的物体。

3D解码器接收2D/3D空间特征并输出3D识别结果。大多数3D解码器都是采用基于LiDAR的识别模型设计的。尽管这些方法在BEV空间中执行检测，但仍然有一些3D解码器利用2D空间中的特征并直接回归3D对象的位置。

纯电动车骑手

BEVLiDAR检测的一般过程主要涉及两个分支将点云数据转换为BEV表示。下图为BEV激光雷达传感流程图，上分支提取3D空间中的点云特征，以提供更准确的检测结果。该子分支提取2D空间中的BEV特征，提供更高效的网络。除了对原始点云进行操作的基于点的方法之外，基于体素的方法还通过将点体素化为单独的网格来离散化连续3D坐标，从而提供更有效的表示。基于离散体素表示，可以使用3D卷积或3D稀疏卷积来提取点云特征。

图3BEV激光雷达检测流程图

纯电动融合

BEV识别融合算法有PV识别和BEV识别两种方法，适合学术界和工业界。下图对比了PV传感和BEV传感流程图，两者主要区别在于2D转3D转换和融合模块。在PV识别流程图中，各种算法的结果首先被转换到3D空间，然后使用先验知识或手动设计的规则进行融合。在BEV识别流程图中，将PV特征图转换为BEV视角，然后融合到BEV空间以获得最终结果。这样可以最大限度地保留原始特征信息，并避免过多的手动设计。

图4PV检测和BEV检测流程图

BEV检测模型数据集

BEV检测任务的数据集有很多。通常，数据集由各种场景组成，并且每个场景在数据集中具有不同的长度。下表总结了学术界常用的数据集。我们可以看到，Waymo数据集比其他数据集具有更多样化的场景和更丰富的3D检测框注释。

表1BEV检测数据集概述

不过，Waymo目前还没有向学术界发布用于BEV识别任务的软件。因此，我们决定以Waymo数据集为基础，以方便基于Waymo数据集的BEV检测任务的开发。

工具箱-纯电动汽车识别工具箱

BEVFormer是一种常用的BEV传感方法，它利用时空转换器将骨干网络从多视图输入中提取的特征转换为BEV特征，然后将BEV特征输入到检测头中以获得最终的检测结果。BEVFormer有两个功能它可以精确地将2D图像特征转换为3D特征，并将提取的BEV特征应用到各种传感头。通过一系列方法，进一步提高了BEVFormer的视图变换质量和最终检测性能。

在凭借BEVFormer++在CVPR2022WaymoChallenge中获得第一名后，我们发布了Toolbox-BEVAwarenessToolbox，它提供了一套易于使用的WaymoOpenDataset数据处理工具，集成了一套方法来显着提高模型性能。它还与该领域广泛使用的开源框架兼容，例如mmDetection3d和detectorron2。与默认的Waymo数据集相比，BEV-aware工具箱优化并改进了使用技巧，以便可供不同类型的开发者使用。下图展示了使用基于Waymo数据集的BEV识别工具箱的示例。

图5使用基于Waymo数据集的工具箱的示例。

总结

BEVPerception调查总结了近年来BEV感知技术研究的整体情况，包括高水平的概念阐述和更深入的细节讨论。对BEV传感相关文献的全面分析解决了深度估计、视图变换、传感器融合、域自适应等关键题，并对BEV传感在工业系统中的应用提供了更深入的解释。

除了理论贡献之外，BEVPerceptionSurvey还提供了一个非常实用的工具箱，用于提高基于摄像头的3D鸟瞰物体检测性能，包括一系列训练数据增强策略、高效的编码器设计、损失函数设计和测试数据。在Waymo数据集以及模型集成策略等上实施这些技术。我们希望帮助更多的研究人员实现“用与取”，为自动驾驶行业的研究人员提供更多便利。

我们希望BEVPerception调查不仅能够帮助用户轻松使用高性能的BEV识别模型，而且能够为刚刚开始接触BEV识别模型的初学者提供一个良好的起点。我们致力于突破自动驾驶领域的研发边界，并期待与学术界分享想法、交流讨论，继续探索自动驾驶相关研究的现实适用性。

ijcem是期刊吗？这是一本普通的日记。

lJopm是运营管理领域的知名期刊，列为ABS4级期刊，2020年影响因子为6629。

2021年7月在线发布。本文揭示了意外情况下敏捷制造与企业绩效之间的倒U型关系，并验证了先进制造技术的正向调节作用。

本文作者陈萌博士，中国科学技术大学工商管理博士，主要研究领域为数字化供应链管理，包括供应链关系、管理数字化、商业模式创新、非——经济创新。-市场策略。