本文提出了新的BEVFormer框架，该框架学习使用时空变形器的统一BEV表示，以支持多个自主驾驶感知任务。在nuScenes测试集中，该方法达到了56.9％的最新技术水平，且在低能见度条件下显着提高了速度估计和对象召回的准确性。

Mar, 2022

该研究提出了基于多相机系统的统一三维感知和预测框架BEVerse，通过对多相机视频生成空间 - 时间鸟瞰（BEV）表示，并同时推理多个自动驾驶视觉任务，通过在nuScenes数据集上的实验表明，与现有的单任务方法相比，多任务BEVerse在3D物体检测，语义地图构建和运动预测方面表现更好，同时比时序范例更加高效。

May, 2022

本文综述了关于Bird's-eye-view（BEV）感知的最新研究工作，探讨了多传感器融合、BEV视角下物体检测与定位等关键问题，并介绍了一系列实用的指南和工具来提高BEV任务的性能，最后指出了该领域未来的研究方向。

Sep, 2022

提出了一种能够在自动驾驶中改善鲁棒性和准确感知的M-BEV感知框架，通过随机遮挡和重建相机视图进行端到端训练，从而有效解决一个或多个视图摄像头无法工作的现实场景问题。

Dec, 2023

通过设计评估鲁棒性的 RoboBEV 基准套件，我们评估了包括检测、地图分割、深度估计和占用预测在内的 33 种 BEV 感知模型的性能，并观察到在分布内数据表现良好的模型对分布外挑战具有鲁棒性，同时也强调了预训练和无深度 BEV 变换等策略在提高对分布外数据鲁棒性方面的有效性。

May, 2024

本研究解决了在低成本传感器设置下，鸟瞰图（BEV）感知模型性能下降的问题。提出了一种新颖的方法，结合现代遮罩技术、循环学习率调度和特征重构损失，优化了单摄像头推断中的性能表现。研究表明，该方法在单摄像头推断中效果优于仅使用单摄像头或六摄像头训练的模型，减少了幻觉现象，并提升了BEV地图的质量。

Sep, 2024

本研究解决了鸟瞰视角感知在缺乏激光雷达数据的情况下的基准问题，提出了一种基于视觉二维语义感知的微调方法，以增强模型在新场景数据中的泛化能力。研究表明，该方法显著降低了对高成本鸟瞰视角真实数据的依赖，并展示了良好的工业应用前景。

Sep, 2024

本研究针对自主驾驶感知模型内部机制不透明的问题，提出了鸟瞰视角感知模型的独立功能模块评估框架（BEV-IFME）。该框架通过比较功能模块特征图与真实值之间的相似度，为个别功能模块的训练成熟度提供量化评估，结果显示其与BEV指标之间存在高度正相关，证实了框架的评估可靠性。

Sep, 2024

本研究解决了现有端到端自主驾驶方法中，深度增强学习（DRL）特征提取与感知之间的关键联系被忽视的问题。通过将DRL特征提取网络直接映射到感知阶段，并利用鸟瞰视图（BEV）表示，提出了一种基于DRL的端到端驾驶框架，显著提升了解释性，并在自主驾驶控制任务中表现优于现有方法，碰撞率降低了20%。

Sep, 2024

本文研究针对自动驾驶中鸟瞰图（BEV）表示方法引发的多模态传感器输入融合计算负担问题，提出了一种创新的内容感知多模态联合输入修剪技术。该方法在保持感知准确性的同时，显著提升了计算效率，且为输入修剪领域开辟了新的研究方向。

Oct, 2024