minyshi的博客

SDmap 是世界坐标系，centerline 是自车坐标系，openlanev2 中如何将 SD map 与 centerline 等车道线进行位置匹配？

BEVFormer在速度估计的准确性上也有显著提升，其mAVE（mean Average Velocity Error）达到了0.378 m/s，远低于其他基于相机的方法。BEVFormer模型架构的核心是从多相机图像中学习鸟瞰图（BEV）表示，以支持自动驾驶系统中的多种感知任务。该架构由若干个编码层组成，每个编码层都包含三个关键设计：BEV查询、空间交叉注意力和时间自注意力。BEVFormer是一个用于自动驾驶系统的多相机输入的鸟瞰图（BEV）特征学习框架。

此外，BEVFusion在激光雷达和相机发生故障时仍能保持较高的检测性能，证明了其在多模态3D目标检测中的鲁棒性和实用性。相机流首先使用2D骨干网络提取图像特征，然后通过特征金字塔网络（FPN）和自适应模块（ADP）进行多尺度特征融合，最后通过2D到3D的视图投影器将这些特征转换为3D ego-car坐标系中的特征，并最终编码为BEV空间特征。该框架包含两个独立的流，相机流和激光雷达流,分别编码来自相机和激光雷达的原始输入，并在相同的鸟瞰图（BEV）空间中生成特征，然后通过一个简单的融合模块结合这些特征。

在定制的高效体素池化和多帧机制的辅助下，BEVDepth在具有挑战性的nuScenes测试集上达到了60.9%的NDS，这是首次相机模型的NDS得分达到60%，同时保持了高效率。深度细化模块通过在深度轴上聚合特征，增强了特征的深度一致性，并在深度预测不准确时理论上能够将特征细化到正确的位置。深度细化模块：设计了一个新颖的模块来进一步优化特征的深度位置，纠正了初始深度估计的不准确，增强了特征的深度一致性。显式深度监督：通过利用点云数据提供的地面真实深度信息，直接监督深度预测模块，增强了深度估计的准确性。

在nuScenes验证集上的测试结果表明，BEVDet-Tiny版本在保持31.2% mAP和39.2% NDS的高准确性的同时，大幅减少了计算量至215.3 GFLOPs，并且将处理速度提升至15.6 FPS。在nuScenes验证集上的测试结果表明，BEVDet-Tiny版本在保持高准确性的同时，大幅减少了计算量并提高了处理速度。BEVDet在nuScenes数据集上进行了广泛的测试，该数据集提供了丰富的多相机图像和详细的3D标注。为了提高模型的鲁棒性和准确性，BEVDet引入了定制的数据增强策略。

BEV应用于通过显示预测深度分布来构建3D特征。LSS预测深度上的分类分布和上下文向量，他们的外积可以确定沿透视射线的每个点的特征，这些特征接近真实的深度分布。此外，其将所有相机的预测结果融到一个场景下，从而减小校准误差。BEVDet遵循了LSS范式，并提出了一个用于从BEV进行多视角相机3D检测的框架，该框架由图像视角编码器、视角转换器、BEV编码器和检测头组成。后续的BEVDet4D 在基于多摄像头的3D检测中利用了时间线索。BEV应用在传感器融合，由于相机到激光雷达的投影丢弃了相机特征的语义密度，B