自动驾驶BEV火了，再给它加点脑洞会靠谱吗？作者|洪泽鑫编辑|Bruce百度今年

作者|洪泽鑫
编辑|Bruce
百度今年Create大会上辅助驾驶板块的内容挺硬核的，不在这个行业内基本听不懂。
正好是研究兴趣所在，结合百度给的资料，试着来中译中一下。
总的来说，百度是弄了一个车路一体的BEV感知方案——叫UniBEV 。
做什么用？
简单理解，就是马路上现在都装了摄像头等传感器，百度借这个方案，想把这些设备都用上，让乘用车的辅助驾驶系统达到更好的感知结果。
即便某辆车上装了有31个感知传感器，但也会有感知不到的物体，这时就可以把路边的传感器也都用上，让车拥有“千里眼” 。
先回到什么是BEV感知？
BEV是近几年车企和自动驾驶公司经常提到的词，全称是Bird'sEyeView ，可翻译为鸟瞰图，也被称为上帝视角。

文章图片
用上图来理解， BEV感知就是把多个视角的摄像头图像，统一通过公共的特征提取器，投影到同一个BEV空间里面，主要是两步：摄像头接收到影像，通过一个视觉神经网络的主干网络（Backbone）提取影像中的特征值（Feature）；借助Transformer算法，把上一步得到的多个摄像头影像的特征值，放进一个3D空间里。
这里又涉及到Transformer算法，这是一种传统用于自然语言处理——也就是机器翻译的算法。
【自动驾驶BEV火了，再给它加点脑洞会靠谱吗？】要想详细了解，可以看大神的这篇文章：https://zhuanlan.zhihu.com/p/552543893
文章里有个例子，当机器想把“一套自动驾驶解决方案”翻译成英文“anautonomousdrivingsolution”时，为什么算法会知道“一套”应该翻译成“an”而非“a”？“解决方案”应该翻译成“solution”而非“settlement”？
靠的就是Transformer算法，通俗点说，它能让句子中的每个元素都能“联系上下文” ，知道自己应该被翻译成什么。
2021年之后， BEV感知、Transformer都爆火了一把。

文章图片
在BEV感知之前，传统的做法是分别算出每个摄像头图像的感知结果，然后再把这些感知结果拼在一起。
假如有一辆小电动，但形状比较怪异，导致两个摄像头的感知结果不一样——一个觉得是只狗，一个觉得是台电动车，就得靠人类程序员制定规则，来下个定论——比如程序员觉得XXX情况下这肯定是只狗。
BEV不需要上述这个人类插手的过程——也是容易犯错的过程，所以可以真正做到“数据驱动” ，理论上收集的数据越多，感知越精准。

文章图片
百度之前就是用的传统的方式，上面这张图表示的是一个单目摄像头，再加上多个环视摄像头的后融合技术。
每一个不同朝向的相机，会各自先经过一个神经网络去推理出周围的障碍物位置、大小、朝向等信息，然后再把他们拼在一个3D空间里。
2019年，百度对标特斯拉做的纯视觉智能驾驶方案ApolloLite用的就是这个技术。
虽然百度当时单个相机的深度学习感知已经做得很牛——单相机的3D感知信息都可以通过模型来输出，但有些被截断的物体也是识别不出来的，而且没有其他相机的数据作为“上下文” ，也不好猜。
百度想把BEV玩出花儿来
过去的一年，百度首先也把视觉感知升级成BEV感知了。
可以检测到障碍物，预测障碍物的轨迹，以及感知道路结构（车道线、马路边缘等）。