bev感知

会编程的加缪

文献总结：TPAMI综述BEV感知—Delving into the devils of bird‘s-eye-view perception文章摘要：鸟瞰视图（BEV）强大的学习表征能力已成为感知任务的主流表征视图，并吸引了工业界与学术界的广泛关注。大部分实现自动驾驶目标监测、语义分割、追踪任务的传统算法都是在前向视图或透视试图中进行的。然而，随着传感器的配置越来越复杂，从不同传感器融合多源信息，以及在对不同传感器数据进行统一表征变得越来越重要。BEV感知的本质优点，使得其能直观地表示周围场景、方便多传感器数据融合。此外，在BEV空间中表征目标，能为感知的下游任务——规划和控制提供极大的便利。目前，BEV感知主要需要考虑四个核心问题如下：1

爱听歌的周童鞋

四. 基于环视Camera的BEV感知算法-BEVDet自动驾驶之心推出的《国内首个BVE感知全栈系列学习教程》，链接。记录下个人学习笔记，仅供自己参考本次课程我们来学习下课程第四章——基于环视Camera的BEV感知算法，一起去学习下 BEVDet 感知算法

爱听歌的周童鞋

四. 基于环视Camera的BEV感知算法-环视背景介绍自动驾驶之心推出的《国内首个BVE感知全栈系列学习教程》，链接。记录下个人学习笔记，仅供自己参考本次课程我们来学习下课程第四章——基于环视Camera的BEV感知算法，先来了解下环视的背景

BEVFusion复现（Ubuntu RTX3090）我的机器是RTX3090，CUDA11.11.创建虚拟环境2.安装PyTorch 和 torchvision

高工智能汽车

BEV感知实时构建路口拓扑觉非科技基于MapTR的优化与实践近期，觉非科技通过在车端与路端的大规模数据积累，基于MapTR（Map TRansformer）方法提出了创新与优化：①对车道信息的表达方式进行优化，并简化了模型结构；②在MapTR的基础上加入了地图先验信息，有效提升模型输出地图元素的准确度与召回率；③加入车道中心线以及道路拓扑等要素的建模，系统化提升单车实时建图效率，易于自动驾驶规控使用。