万字详解：智驾系统的核心技术（BEV算法）

📍智驾方案 基于BEV+ Transformer做特征融合，相较于传统的CNN模型具有更好的全局感知能力；利用Transformer大模型可以提取特征向量，在统一的3D坐标系空间（BEV）内做特征融合，还可以结合时序信息进行动态识别，最后进行多任务输出，如静态语义地图、动态检测等。 . 🎯智能驾驶系统核心可以概述为三个部分：感知，规划，和决策 . ⭕视觉感知层 ✅计算机视觉中物体检测任务的架构通常包含以下组成部分： 1️⃣Input: 输入是一幅或多幅图像，可能经过预处理以适应模型的需求，例如归一化、缩放等。 2️⃣Backbone：特征提取网络的核心部分，负责从输入图像中提取高层次的特征。它通常基于经典的卷积神经网络（CNN）结构，比如AlexNet、VGGNet、ResNet，这些网络通过一系列卷积层和池化层逐层抽象并压缩信息。 3️⃣Neck：在主干网络之后，这部分网络对不同层级的特征进行整合与优化，有时称为“中间层”或“特征融合层”。 4️⃣Detection Head：此部分用于预测最终的物体位置和类别。在特征提取（骨干）之后，提供输入的特征图表示。 5️⃣Output：输出通常是物体检测的结果，包括每个对象的类别标签、置信度分数以及精确的边界框坐标。 . ⭕路径规划层 ✅特斯拉的Occupancy Network通过处理摄像头捕捉到的多视图图像数据，来预测三维空间中每个点被物体占据的概率。这一网络模型旨在实现对车辆周围环境的精确建模，从而帮助车辆在没有使用超声波传感器或雷达的情况下（纯视觉方案），也能有效地理解道路场景和进行路径规划。 . ⭕决策阶段： ✅成本优化—在生成的多条轨迹中，规划器会选择成本最低的那一条作为最优解决方案，以决定车辆接下来的行驶动作，输出规划行驶轨迹。