BEV+Transformer，则能给不同传感器时间序列的特征和信息赋予权重。概括来说，不仅能提升感知精度，同时能增加系统的跟踪和推断能力，准确地预测目标轨迹；同时端到端的优化，让模块更简洁，任务的可扩展性更强。
最关键的是，BEV 路线拥有构建语义地图的能力，可以摆脱高精地图。利用 BEV 算法和已有信息，能提供道路线、车道类型、速度限制等一系列信息，构建语义地图，虽然没有高精地图那么多细节，但是在高精地图受限等情况下够用了。
以 MAXIEYE 推出的青云 Hyperspace 架构为例，这套技术体系相当于用 BEV+Transformer 重构了一遍，从城市 L2 增强、高速 NOA、城区 NOA、行泊合一、记忆行泊车全场景应用，都可以在一套系统中覆盖。由于融合了道路拓扑、目标轨迹、占用空间三大网络，横向拓扑精度 5 公分，纵向拓扑精度误差 1‰，稳定性趋近于真值；在轨迹预测方面可以准确地预测 3 秒后的目标轨迹。