一、表征特征
| 技术路线 | 核心思路 | 数据结构 | 代码成果 |
|---|---|---|---|
| 密集 BEV 栅格 | 多视角图像投影到Bev平面，形成像素级语义/占用网格，作为下游所有模块共享的特征。 | 规则密集张量 [H, W, C]（2D BEV）或 [X, Y, Z, C]（3D占用） |
BEVFormer（2022） BEVFusion（2022） OccNet（2023） |
| 稀疏查询 | 可学习的 Query 表示目标和地图元素，避免对空白区域做无意义的密集计算。 | 固定长度嵌入集合 [N_q, D]：查询本身为抽象向量，可通过锚框或参考点绑定显式几何先验 |
DETR3D（2022） StreamPETR（2023） Sparse4D（2023） SparseDrive（2024） SparseAD（2024） HiPro-AD（2025） |
| 矢量化表征 | 折线表示静态地图元素，边界框+轨迹表示动态目标，将场景建模为完全结构化的矢量元素集合，提供显示的实例级几何约束。 | 变长集合 [N, P, D]：[N_map, P_pts, D_pt]（地图折线）、[N_agent, 1+T, D]（目标框+轨迹） |
VectorNet（2020） VAD（2023） |
二、感知输出
| 技术路线 | 核心思路 | 代表 |
|---|---|---|
| Query-based | 少量 Query 预测，天然避免 NMS，适合端到端。 | DETR3D、SparseDrive |
| 密集预测 | 对特征图每个位置独立分类/回归，输出密集语义。 | BEVFormer 、OccNet |
三、规控输出
| 技术路线 | 核心机制 | 代表 |
|---|---|---|
| Query-based | Query 表示候选轨迹或直接回归轨迹。 | VAD、WoTE、SparseDrive |
| Diffusion-based | 噪声中迭代去噪，采样多模态轨迹。 | DiffusionDrive、VDRive |
| Autoregressive-based | 将轨迹点作为序列，逐个自回归生成 | ARTEMIS |