|
- 自动驾驶BEV感知有哪些让人眼前一亮的新方法？ - 知乎
每个BEV query 既通过spatial cross-attention 在spatial space下聚合空间特征，还能够通过temporal self-attention 聚合时序特征，这个过程会重复多次确保时空特征能够相互促进，进行更精准的特征融合。 4 使用BEV特征支撑多种感知任务
- 小白都能理解的：BEV感知算法基础 - 知乎
BEV 感知算法是涉及两种模态特征的处理的， 一种模态是图像特征，那通常是基础图像处理网络比如说 ResNet，另一种是 3D 点云特征，通常使用点处理方案或者体素处理方案，那我们先做一个基础的图像处理模块的讲解 1 2D图像特征处理
- EV、BEV、PHEV这些电动车专有名词在买车时傻傻分不清，请问到底是什么意思？ - 知乎
EV：电动车，只要有驱动电机，都可以叫电动车。这个是总的后缀，也是总称。 BEV：纯电动车，只能充电。B 就是 battery 电池的意思。补能方式主要是外接充电，也可以换电池。 PHEV：插电混动，插混。能充电、能加油的混动。插混的燃料其实可以不止是汽油。 HEV：一般叫油电混动，油混。不能充电
- BEV算法的发展方向和尚待解决的问题有哪一些潜在的解决方案和论文？ - 知乎
BEV和Transformer都这么火，这次就聊一聊。 一 BEV有什么用 首先，鸟瞰图并不能带来新的功能，对规控也没有什么额外的好处。 从鸟瞰图这个名词就可以看出来，本来摄像头等感知到的物体都是3D空间里的的，投影到2D空间，只是信息的损失，也很简单 (乘一个矩阵)。
- 自动驾驶中的BEV感知可以用在机器人领域吗？ - 知乎
从算法角度来说，BEV算法可以将“机器人”周围的环境表示为一个俯视图，使机器人可以更好地感知周围的环境和目标物，并进行路径规划和导航，这个“机器人”一般指无人车，当然也可以指一般的机器人。 在实际项目上，目前大部分bev算法实验的数据都是无人驾驶场景下的，比如nuscene,kitti等
- 2025年，以BEV为代表的自动驾驶传统视觉感知领域还容易产出吗？ - 知乎
生成的BEV特征随后与其他模态（如LiDAR、雷达）融合，并传递至特定任务的head，以实现3D目标检测、语义分割或实例分割。 由于我们设计的即插即用特性，CBDES MoE可以无缝集成到各种基于BEV的感知框架中，而无需修改投影逻辑或下游头网络。 训练策略
- 求详解bevformer，大部分回答都深入不到细节，只是讲了个概念。? - 知乎
首先利用T-3时刻的数据，使用bev_query和自身做Temporal Self-Attention生成新的bev_query（之所以和自身做self attention是因为队列长度总是有限的，总会有个时刻的数据没有前驱），然后用新的bev_query和T-3时刻的图片数据做Spatial Cross-Attention, 得到最终的bev_query。
- transformer-based的模型比lss-based的模型的优势在哪里？ - 知乎
2 并行处理能力，分身有术 LSS 更像一个独行侠，擅长专注地做好一件事（比如生成 BEV 特征图）。 但 Transformer 却是一位“多线程大师”，能够利用注意力机制同时处理多个任务： 目标检测、轨迹预测、语义分割？ Transformer 统统可以放在一个框架内搞定。
|
|
|