鸟瞰图表征

它到底是什么意思

技术路线上，2021 以前靠高精地图提供强先验；2022 年 BEV 解决多视角融合，让系统不必依赖预先采集的地图；2023 年 Occupancy 补上「不规则形状障碍物」；2024 年走向端到端；2025 年是 VLA。

把图像变成鸟瞰图有两条主流做法：一条先估每个像素的深度分布，把特征“抬”到三维再拍平到鸟瞰网格（LSS）；另一条用一组 BEV query 表示鸟瞰空间，通过 spatial cross-attention 去各摄像头图像上采样，再用 temporal self-attention 融合历史帧，提升速度估计和动态感知（BEVFormer）。

机制图解

容易搞混的地方

看懂之后可以追问

1. 无图方案在哪些场景下仍然需要地图先验兜底？「无图」通常是「弱依赖地图」。路口拓扑复杂、主辅路这类场景往往还留着 SD 级先验，问清楚才能排布测试范围。
2. 时序融合用了几帧历史？摄像头被遮挡或者脏了的时候表现怎么退化？BEV 的动态感知能力很依赖时序融合。传感器退化下的表现决定了雨雪天和脏污场景的可用性。

沿着主线继续

接着看

• 占据栅格——用空间中每一块「有没有被占据」来表达障碍，解决检测框只能识别规则形状物体的问题。
• 两段式——第一段输出结构化世界（目标、车道线、交通灯），第二段基于它生成轨迹——用信息压缩换可解释和可控。

相关论文

• BEVFormer：用时空 Transformer 从多摄像头学 BEV 表征——BEV query 是空间探针
• Sparse4D：稀疏时空融合的多视角 3D 检测——稀疏 query 换效率