BEVFormer：基于时空 Transformer 的多相机鸟瞰图表征学习在自动驾驶感知任务中，基于多相机图像的 3D 目标检测和地图分割等任务是核心支撑技术。传统方法要么依赖激光雷达（LiDAR）导致部署成本高昂，要么基于单目相机框架无法有效融合多视角信息，要么在 BEV（Bird's-Eye-View，鸟瞰图）特征生成中过度依赖深度信息导致误差累积。针对这些痛点，上海 AI 实验室、南京大学等机构联合提出了 BEVFormer 框架，通过时空 Transformer 从多相机图像中学习统一的 BEV 表征，为自动驾驶多感知任务提供了高效解决方案。