是否依赖高精地图做城市 Pilot 的差别，就像是开卷考试和闭卷考试，高精地图里的“先验信息”就如同老师考前划的重点，能省事但拓展性不足，而且实际做题过程中，闭卷考试的答题速度肯定比开卷考试快，毕竟都记在脑子里了。
还原到一个具体的路口左转的场景来理解，高精地图会告诉你前方 150 米处要左拐，车辆距离路口 100 米处触发向左变道就行。到了路口，高精地图还会告诉你红绿灯在哪个位置，哪个灯对应的是左拐，摄像头定向去看颜色就行。
当没有高精地图时，想要实现领航辅助功能，系统得自己理解道路环境的意思，自己判断哪条路能左转？什么时候左转？左转看哪个灯？灯在什么位置？
毫末智行的方案更接近人的日常驾驶，他使用了某图商定制的 SD+地图，仅调用基础的道路拓扑结构和导航指令（如下个路口右拐这样的指令信息），剩下的就交给感知算法了。
还原到刚才那个路口左转的场景，毫末的方案就通过 SD+地图结合定位信息，知道前方路口要左拐，通过摄像头的感知信息寻找合适的变道时机，到了路口通过算法找到红绿灯的位置，并通过深度学习判断红绿灯和道路的绑定关系，最后根据写好的道路规则通过路口。
很显然后者的难度会大非常多，上次的 AI DAY 上，毫末也完整地介绍了自己的感知算法，引入注意力机制的 Transformer 模型利用多机位的信息获得更好的车道线识别效果，通过专项训练获得更好的红绿灯感知。
这幅画面就是毫末通过正前、侧前、侧后、正后 6 个机位，用 Transformer 在 BEV 空间实时构建的虚拟地图。由于注意力机制的存在，这套模型不仅可以串联起 多个视角的画面，还能串联起多个视角画面的前后帧，在空间的三维尺度上，增加了时间这个维度。
毫末现阶段引入多帧信息是为了消除抖动，例如这一秒摄像头是被遮挡的，但是前一秒车还在另一个位置的时候拍到了完整的车道线画面，就能综合多帧画面输出一个完整的车道线感知。
这种做法其实我们生活中接触非常多，例如我们在暗光环境下用手机拍照，相机会延长拍摄时间，然后把多帧画面的光叠在一起，就构成了一张更清晰的照片。
这就像是用四维的信息去做三维的题，属于是降维打击了。
此外上面的技术架构中，除了视觉的 BEV 之外，还有一行 PointPilars（点柱），它也有一幅 BEV 的图。这个在本次 AI Day 上没有提，它实际上是激光雷达的感知结果，用PointPilars 的方式呈现出具有深度信息的 BEV 画面，激光雷达的信息叠加视觉，就构成了毫末的出色感知能力。