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。