城市NOA轉(zhuǎn)向BEV，頭部Tier 1如何笑傲江湖？
主講｜蔣沁宏
編輯｜Amy
編者注：
本文是HiEV出品的系列直播「硬核拆解BEV」第三期問答環(huán)節(jié)內(nèi)容整理。商湯絕影量產(chǎn)行車智能駕駛研發(fā)負(fù)責(zé)人蔣沁宏，與連線嘉賓寒武紀(jì)行歌自動(dòng)駕駛總監(jiān)李想、宏景智駕高級(jí)工程經(jīng)理柴可寧、主持嘉賓周琳展開深度交流，并進(jìn)行了答疑。
本期商湯科技的分享內(nèi)容《BEV三大關(guān)鍵：數(shù)據(jù)、遷移和芯片部署》，可前往#視頻號(hào)：HiEV觀看直播回放。
關(guān)于「硬核拆解BEV」系列直播的更多內(nèi)容，可在公眾號(hào)后臺(tái)回復(fù)「回放」查閱。
一、BEV對(duì)芯片的核心訴求
Q：近兩年自動(dòng)駕駛落地并上車，與此同時(shí)，涌現(xiàn)多個(gè)芯片玩家，例如地平線、寒武紀(jì)和黑芝麻，大家共同為自動(dòng)駕駛行業(yè)努力。那么像商湯絕影這樣的智駕解決方案供應(yīng)商，對(duì)國(guó)產(chǎn)芯片有何核心訴求？
蔣：過去一年多，我們?cè)谛酒褂蒙洗嬖谝恍?/span>痛點(diǎn)，主要是兩方面。
首先，是整個(gè)芯片對(duì)硬件設(shè)計(jì)，包括對(duì)算子的支持，我們希望能考慮到目前一些算法的發(fā)展趨勢(shì)。大家有目共睹，整個(gè)模型趨勢(shì)是向All-in-One方向發(fā)展的，新模型必然帶來(lái)新需求。
例如早先的 AI芯片，更多會(huì)考慮對(duì) CNN、Pooling 等的優(yōu)化。而現(xiàn)階段可能要更往前一步，例如考慮到引入Transformer 算法后，可能對(duì)芯片的帶寬要求更高，并需要能夠支持 BEV 算法的相關(guān)算子。這也是算法供應(yīng)商對(duì)國(guó)產(chǎn)芯片的強(qiáng)需求。
其次，是生態(tài)支持。新芯片需要建立新生態(tài)，而打磨是長(zhǎng)周期的過程。
而且新芯片必然會(huì)碰到多個(gè)新問題，這些問題不止與模型推理相關(guān)，還有量化的對(duì)齊、傳感器的接入和預(yù)處理等。我認(rèn)為在工具鏈和文檔不完備的情況下，很需要一些完善的售后服務(wù)和快速響應(yīng)。
Q：深有體會(huì)，所以我們?cè)谛酒O(shè)計(jì)階段，會(huì)盡可能前瞻性地考慮這些。那像商湯絕影這樣綜合的解決方案公司已經(jīng)做過很多項(xiàng)目，使用了國(guó)內(nèi)外不同的芯片方案，能點(diǎn)評(píng)一下使用體驗(yàn)或優(yōu)缺點(diǎn)嗎？
蔣：從芯片本身來(lái)講，大家風(fēng)格不同。有的芯片不管是在算力、CPU還是帶寬上，都比較均衡，但沒那么突出；而有的芯片某一方面可能會(huì)很優(yōu)秀，例如AI算力，但其他方面少許偏科。這都是芯片公司根據(jù)趨勢(shì)做的設(shè)計(jì)。
所以我認(rèn)為，第一，沒有完美的芯片，不管什么芯片都有一些對(duì)應(yīng)的算法、方案能夠完成部署，其部署難度也取決于芯片本身。
第二，芯片差異可能在于文檔的可完善性，以及從生態(tài)角度來(lái)看，國(guó)內(nèi)外芯片還是存在差距的，畢竟人家深耕已久。
而國(guó)內(nèi)芯片團(tuán)隊(duì)則能給予較大支持力度，能夠共同做優(yōu)化、團(tuán)隊(duì)響應(yīng)快，這也是國(guó)產(chǎn)芯片的優(yōu)勢(shì)。
二、算法供應(yīng)商如何支持主機(jī)廠的自研需求？
Q：自動(dòng)駕駛技術(shù)趨勢(shì)發(fā)生了變化，前兩年都在堆算力，要上1000Tops，要配置5個(gè)激光雷達(dá)。但今年大家逐漸趨于理性，不再講堆料，而是降本，同時(shí)繼續(xù)做技術(shù)方案的探索、迭代甚至升級(jí)，比如城市NOA開始探索無(wú)地圖的方案。
自動(dòng)駕駛趨勢(shì)變化快，您作為自動(dòng)駕駛老兵，認(rèn)為自動(dòng)駕駛技術(shù)方案終局如何？對(duì)于芯片公司以及算法供應(yīng)商，可能需要提前做哪些準(zhǔn)備和規(guī)劃？
李：我先講個(gè)人感受，再講宏觀方法論。
比如硬件算力和傳感器。這好比當(dāng)年一起做L4的Robotaxi，最開始不管是從安全性，還是項(xiàng)目風(fēng)險(xiǎn)的角度出發(fā)，先把算力和傳感器埋進(jìn)去。雖然當(dāng)時(shí)講硬件預(yù)埋，是給大家留下更多功能想象，但更多是為了保證項(xiàng)目穩(wěn)定和車輛安全。而這本質(zhì)上是先摸清算力的底線。
因?yàn)槌擞密囎罱K講究性價(jià)比和客戶買單，那么就要：
- 理清性價(jià)比的臨界點(diǎn)
- 保證方案和功能實(shí)現(xiàn)時(shí)最具性價(jià)比的算力
- 確定最終預(yù)算
這是市場(chǎng)所關(guān)注且過去兩年落地時(shí)堆料多的原因之一。
另一原因是，OEM有同輩壓力。如果硬件預(yù)埋能保證功能交付時(shí)間節(jié)點(diǎn)，那肯定要做。但長(zhǎng)期看，OEM也要摸清性價(jià)比的界線。這也是芯片公司和解決方案公司要努力的方向。
第二個(gè)問題，技術(shù)創(chuàng)新的角度，整個(gè)行業(yè)在前進(jìn)，今年很多玩家在講mapfree，例如元戎啟行、華為。
全國(guó)的高速高精地圖花個(gè)小幾千萬(wàn)就可以買到，但是城市的高精地圖有以下特點(diǎn)：
- 本身成本高昂
- 更新成本高，為保鮮度要定期更新
如果城市NOA通過驗(yàn)證發(fā)現(xiàn)不需要高精地圖，那有將有助于產(chǎn)品落地。
方法論角度，通過與OEM的合作，我發(fā)現(xiàn)（整個(gè)產(chǎn)業(yè)）是一個(gè)To B、To C的產(chǎn)業(yè)，不單純是To B的。所有人要思考OEM怎樣讓用戶買單，這才符合大家共同的商業(yè)模式。
第一，長(zhǎng)期來(lái)看，研發(fā)費(fèi)會(huì)逐步降低，營(yíng)收要靠訂閱收取，但訂閱率如何提高，是我們和OEM共同要面對(duì)的。
第二，科創(chuàng)和技術(shù)創(chuàng)新講究「人無(wú)我有」。但從近幾年自動(dòng)駕駛的發(fā)展看，各家功能級(jí)的差異還未能跨出一代。而創(chuàng)新能否真正解決用戶需求或痛點(diǎn)，則和訂閱率掛鉤。
第三，性價(jià)比。中國(guó)產(chǎn)業(yè)的發(fā)展路線都是從創(chuàng)新到卷性價(jià)比，去年大家開卷行泊一體，未來(lái)可能會(huì)有艙駕一體。而我比較好奇，未來(lái)艙駕一體能否在中國(guó)實(shí)現(xiàn)，哪家車廠會(huì)第一個(gè)有魄力做出來(lái)并量產(chǎn)？
而大方向上，算力也有下降趨勢(shì)，技術(shù)側(cè)終要為產(chǎn)品側(cè)服務(wù)。因此，產(chǎn)品側(cè)的預(yù)判和方向，技術(shù)側(cè)仍要拆解，芯片和解決方案方皆要提前做預(yù)埋和準(zhǔn)備。
Q：BEV落地過程中，BEV跟傳統(tǒng)的單目2D算法，是共存還是徹底替換的關(guān)系？
蔣：問題很好，這也是我們目前在做技術(shù)迭代或算法迭代時(shí)遇到的問題。我認(rèn)為，這要分任務(wù)類型抉擇。
首先，對(duì)于同一類感知任務(wù)且下游依賴相對(duì)統(tǒng)一，比如PVB目標(biāo)感知它的下游只有融合，肯定是替代關(guān)系。沒必要出了BEV的PVB，還要出2D的PVB，最后可能只有一個(gè)下游在用。
其次，還有一些任務(wù)，受到下游的算法影響。眾所周知模型、方案的迭代很快，而下游算法例如標(biāo)定，它的更替相對(duì)要慢。比如車道線，現(xiàn)在BEV直接檢測(cè)出車道線，給到規(guī)劃控制用。但車道線還有另一種用法，比如在線標(biāo)定時(shí)它其實(shí)用的是一些2D車道線，對(duì)于這些任務(wù)來(lái)說，因?yàn)橄掠芜€未完成算法的更替，我出這套BEV方案時(shí)，還要額外做一些2D任務(wù)。
還有一些任務(wù)，出于技術(shù)或是真值的局限性，在任務(wù)沒重要到用BEV 3D做時(shí)，還是用2D做。例如交通燈標(biāo)志牌，我們獲得其 3D的真值還是較為困難，而2D方案也可以通過多幀聯(lián)合優(yōu)化來(lái)解算3D位置。
另外一點(diǎn)，要考慮如何迭代高效。因?yàn)樽龆嗳蝿?wù)學(xué)習(xí)，必然會(huì)有一些任務(wù)更新迭代很快，而另一些則相對(duì)較慢，例如PVB和TSR的迭代節(jié)奏就不同，此時(shí)就需要解決不同研發(fā)人員之間版本更新的沖突。要保證更新不影響部署，研發(fā)資源就需要協(xié)調(diào)和妥協(xié)。
所以，從總體上來(lái)看，（BEV算法與傳統(tǒng)算法）在部分任務(wù)上是共存關(guān)系，部分任務(wù)上可能是替換關(guān)系。
Q：很多OEM有自研BEV的需求，作為算法供應(yīng)商，或者像我們這樣的系統(tǒng)供應(yīng)商/域控供應(yīng)商，應(yīng)該扮演怎樣的角色去滿足車廠BEV自研需求？
蔣：這并不沖突，從當(dāng)前的商業(yè)模式下，很多人認(rèn)為，我們跟主機(jī)廠自研的需求之間的關(guān)系看起來(lái)是可替代的。
從技術(shù)演進(jìn)的角度來(lái)看，這兩者之間并不是零和博弈的。從商業(yè)模式角度來(lái)說，我們?cè)陧?xiàng)目研發(fā)過程中，會(huì)衍生出一些新的商業(yè)模式。
另外，作為解決方案供應(yīng)商的角度，我們在算法上的領(lǐng)先和探索是核心優(yōu)勢(shì)。我剛剛有提到，我們在端到端和大模型上做的一些布局和思考，不局限于智駕這一個(gè)領(lǐng)域。而在這些方面的領(lǐng)先性，讓我們可以跟主機(jī)廠探索進(jìn)一步合作，從而可以帶給C端用戶一些用戶價(jià)值。
商業(yè)的成功是利他，利他最后可能才是利我。
三、未來(lái)域控向單SOC集中式發(fā)展
Q：域控形態(tài)非常多樣，有的域控是單SOC的，有的是多個(gè)SOC的，可能需要外掛一顆MCU解決功能安全等問題，有的直接是一體化的，那無(wú)論是從行泊一體，還是駕艙一體角度出發(fā)，您認(rèn)為，域控最終的理想形態(tài)是怎樣的？
柴：首先從算法升級(jí)和技術(shù)角度來(lái)考慮，我們認(rèn)為，未來(lái)域控肯定是更傾向于單SOC這種芯片式集中域控方式發(fā)展的。
因?yàn)闊o(wú)論是像這種感知端的BEV，包括前融合技術(shù)，還是接下來(lái)決策規(guī)劃一體式的后端架構(gòu)，往往需要在獨(dú)立的中高算力芯片上高效運(yùn)行。如果是比較小的、多個(gè)的ASOC或多個(gè)芯片，那么效率就沒那么高。
還有就是，之前泊車和駕艙一體的芯片去年又開始火起來(lái)了，未來(lái)我們非?？春民{艙一體。駕艙一體其實(shí)相當(dāng)于把駕艙泊車和行泊一體進(jìn)一步整合，隨著以后座艙或者駕艙一體芯片的升級(jí)，和整個(gè)功能安全架構(gòu)設(shè)計(jì)的升級(jí)，艙駕一體化肯定能進(jìn)一步降低成本，提升客戶體驗(yàn)。
我認(rèn)為，從市場(chǎng)和消費(fèi)者的角度來(lái)說，其實(shí)這個(gè)東西做了以后，消費(fèi)者能否感知到實(shí)際的提升比較重要。
蔚來(lái)汽車發(fā)布了Banyan車機(jī)系統(tǒng)2.0.0版本，它整合了Orin X和8155的算力，它把很多的8155上的一些AI語(yǔ)言模型都遷到了Orin X上，整個(gè)算力通過異構(gòu)的方式集合起來(lái)，在往駕艙一體方向發(fā)力。
升級(jí)以后，從消費(fèi)者體驗(yàn)來(lái)說，我感覺車機(jī)更絲滑，語(yǔ)音交互更智能，其實(shí)消費(fèi)者是會(huì)在這個(gè)地方買單的。
Q：駕艙一體使用了8155芯片和傳統(tǒng)的自動(dòng)駕駛芯片，如果打通的話，難點(diǎn)在哪里？
柴：一個(gè)難點(diǎn)是，從芯片公司角度考慮，駕艙和智駕是兩撥公司，可以看到很多芯片公司在AI芯片方面的下一代的布局，例如英偉達(dá)、高通，國(guó)內(nèi)的地平線、芯馳、寒武紀(jì)和安霸等。
還有就是應(yīng)用方面，從我們自身經(jīng)驗(yàn)來(lái)看，這對(duì)軟件能力、工程要求還是較高的，比如我要在一個(gè)單J3的芯片上做行車和泊車一體，其實(shí)行車和泊車的感知算法是沒辦法同時(shí)跑的，肯定存在切換的過程，而如何通過高效的軟件設(shè)計(jì)，讓切換在用戶端是無(wú)感的，這就比較考驗(yàn)各家實(shí)際落地能力。我覺得，主要在芯片端和使用端的這兩點(diǎn)上。
Q：我想問下宏景智駕，BEV帶來(lái)大量感知數(shù)據(jù)，從供應(yīng)商的角度來(lái)講，解決方案供應(yīng)商如何與主機(jī)廠一同把這些數(shù)據(jù)處理好？包括數(shù)據(jù)隱私問題，應(yīng)該怎樣去做數(shù)據(jù)處理，作為供應(yīng)商應(yīng)該怎樣去配合車廠？
柴：BEV需要大量真值數(shù)據(jù)，獲取原始數(shù)據(jù)很容易，但如何用好很困難，無(wú)論是算法供應(yīng)商，還是主機(jī)廠都要有很強(qiáng)的數(shù)據(jù)利用和閉環(huán)能力。
比如，如何用原始數(shù)據(jù)去做大規(guī)模的無(wú)監(jiān)督的預(yù)訓(xùn)練，自動(dòng)化的云端標(biāo)注系統(tǒng)，需要做好數(shù)據(jù)的埋點(diǎn)和回灌。
舉個(gè)例子，我認(rèn)為在開發(fā)階段可以用LiDAR提供真值，裝一個(gè)真值系統(tǒng)去生成大量數(shù)據(jù)。但在量產(chǎn)之后，我們還需要給車廠提供OTA，他發(fā)現(xiàn)反饋的圖像在目標(biāo)檢測(cè)和車道線3D地圖檢測(cè)方面做得并不好，那我們也需要對(duì)相關(guān)數(shù)據(jù)進(jìn)行優(yōu)化。
純視覺的3D場(chǎng)景重建加標(biāo)注的難題是量產(chǎn)BEV的公司必須修煉的內(nèi)功，還有就是數(shù)據(jù)合規(guī)和數(shù)據(jù)使用權(quán)肯定屬于車廠的財(cái)產(chǎn)。
作為供應(yīng)商或者合作伙伴，如何基于車廠的大量數(shù)據(jù)幫他們通過OTA提升性能，然后在客戶端體現(xiàn)，這是我們要思考的問題。
四、BEV落地后，有哪些預(yù)判？
以下是商湯絕影量產(chǎn)行車智能駕駛研發(fā)負(fù)責(zé)人蔣沁宏回答觀眾問題的內(nèi)容整理。
Q1:繼BEV之后，我們預(yù)判感知會(huì)有一些新趨勢(shì)，不知道蔣老師怎么看？
A：我剛剛也有提及在BEV方面上，大家還是以往DL方案上發(fā)展。趨勢(shì)來(lái)看，還是要向端到端的方向發(fā)展。越來(lái)越多的算法會(huì)加到模型里，包括預(yù)測(cè)和算法，我們現(xiàn)在就在做這部分工作。
而作為算法供應(yīng)商，跟（學(xué)術(shù)界）做研究不同的點(diǎn)在于，我們需要額外考慮，不能單純追求效果。比如在所謂的端到端的框架下，我們還是要追求控制和規(guī)劃的確定性，這也是作為真正的行業(yè)從業(yè)者需要考慮的。
Q2:主機(jī)廠從研發(fā)BEV到量產(chǎn)上車，部分系統(tǒng)開放功能周期通常要多久？
A：因?yàn)槲覀儾皇侵鳈C(jī)廠而是供應(yīng)商，我們給主機(jī)廠做BEV，從整個(gè)算法來(lái)講，我們的算法預(yù)研肯定不是這個(gè)時(shí)期開始的。
從開始做，到算法在項(xiàng)目上的開發(fā)，再到最后上車，按照之前的節(jié)奏來(lái)看大概需要半年。
這里面涉及到的不僅是方案上線和部署，歷史的case、數(shù)據(jù)、性能等都需要重新做，而且整個(gè)行業(yè)都很在意的主動(dòng)安全、AEB等很嚴(yán)肅的東西都需要做大量的驗(yàn)證，我認(rèn)為，整個(gè)周期至少要半年。
Q3：蔣總，您提到會(huì)把激光雷達(dá)作為真值，而BEV很大程度上強(qiáng)化了視覺算法，視覺在整個(gè)感知里重要性增強(qiáng)，那么你怎么看后續(xù)系統(tǒng)對(duì)激光雷達(dá)和高精地圖的依賴程度？
A：這其實(shí)是兩個(gè)東西。
首先，像商湯最早做智駕開發(fā)系統(tǒng)設(shè)計(jì)的時(shí)候，就把在線建圖的輸出跟高精地圖的輸出格式做了統(tǒng)一。從我們的角度來(lái)說，高精地圖其實(shí)是不保鮮的，需要逐漸把高精地圖拿掉。
和激光雷達(dá)不太一樣，視覺算法對(duì)障礙物（如 PVB 等）的檢測(cè)和還原過程，本質(zhì)是對(duì)數(shù)據(jù)的擬合，見過的可以擬合，沒見到的就沒辦法。從安全性的角度來(lái)考慮，激光雷達(dá)從原理上就保障了對(duì)障礙物的識(shí)別精度。另外，城區(qū)NOA場(chǎng)景其實(shí)很復(fù)雜，例如廣州的城中村，有的地方到處都是石墩子、人車混行的復(fù)雜場(chǎng)景，現(xiàn)階段的視覺算法對(duì)于障礙物的感知精度，與激光雷達(dá)對(duì)比還是比較有限的。
個(gè)人認(rèn)為，從精度上來(lái)講，視覺算法肯定還是達(dá)不到激光雷達(dá)的水平的，激光雷達(dá)還是有天然的碾壓性優(yōu)勢(shì)。
Q4：以大模型、大數(shù)據(jù)為驅(qū)動(dòng)的算法團(tuán)隊(duì)，對(duì)于原來(lái)智駕團(tuán)隊(duì)的研發(fā)架構(gòu)有怎樣的影響？
A：研發(fā)架構(gòu)是為算法架構(gòu)服務(wù)的，這一直是我的觀點(diǎn)。我們需要思考怎么高效地把算法落地，然后去搭對(duì)應(yīng)的架構(gòu)。
我覺得，對(duì)研發(fā)架構(gòu)可能會(huì)有幾個(gè)影響，一個(gè)是因為深度學(xué)習(xí)的引入，在不同的模塊，可能都需要引入一些具備相關(guān)背景的人員。
另外，可以類比一下以前手機(jī)的領(lǐng)域，大家所謂的算法模型研究員和工程分工就比較清晰。因?yàn)檎麄€(gè)算法就是一個(gè)黑盒，工程人員需要做的就是把對(duì)應(yīng)模型部署，然后做對(duì)應(yīng)的嵌入式芯片優(yōu)化、性能優(yōu)化。我覺得，整個(gè)智駕演變的方案可能也是這樣。
從研發(fā)架構(gòu)上來(lái)講，可能研發(fā)和工程的切分可能會(huì)越來(lái)越明顯。
研發(fā)團(tuán)隊(duì)會(huì)去做算法的研發(fā)、模型的產(chǎn)出，工程團(tuán)隊(duì)可能會(huì)做模型的部署、嵌入式的優(yōu)化等，以團(tuán)隊(duì)分工的架構(gòu)模式，可能會(huì)逐漸替代按模塊劃分感知、地圖、規(guī)控的架構(gòu)模式。
Q5：剛剛您有提到貴公司在低、中、高配算力芯片上不同的部署，那能聊聊8Tops和100Tops芯片部署B(yǎng)EV的差異嗎？8Tops的芯片可以做BEV嗎？
A：8Tops的芯片上可以實(shí)現(xiàn)BEV感知，而且已經(jīng)做了。
首先，8Tops算力的芯片，它的感知精度必然是比不上100Tops的芯片。然后，我們?cè)谒惴ǚ桨干系倪x擇也會(huì)有一些差別。
高算力平臺(tái)基本都是基于Transformer這種carrier-based方案來(lái)做；在低算力平臺(tái)，我們還是選類似BEVDepth、BEVDet這種2D轉(zhuǎn)3D的方式去實(shí)現(xiàn)。
當(dāng)然，哪怕是BEVDet也塞不進(jìn)8Tops芯片，所以我們做了優(yōu)化。通過模型結(jié)構(gòu)的精簡(jiǎn)、提高BEV檢測(cè)距離等算法層面的優(yōu)化，去提升性能。
Q6：BEV對(duì)數(shù)據(jù)和算力要求較高，而主流車型價(jià)位區(qū)間基本在10萬(wàn)-20萬(wàn)，您判斷，BEV適合上車這個(gè)價(jià)位的車型嗎？
A：這樣說吧，比8Tops高一點(diǎn)的16或者32Tops（的芯片）上都能夠?qū)崿F(xiàn)BEV算法，而這個(gè)算力的芯片配置（16Tops、32Tops）大概對(duì)應(yīng)10萬(wàn)-20萬(wàn)價(jià)位的車型。
只是難點(diǎn)在于，城區(qū)NOA以及我們做的map-less的方案，確實(shí)需耗費(fèi)更多算力資源，這可能有難度。但目前該價(jià)位車型上是能夠部署B(yǎng)EV方案的，并且也能夠?qū)崿F(xiàn)車道線、目標(biāo)感知的能力。
Q7：如果有激光雷達(dá)，還有必要做Occupancy（占用網(wǎng)絡(luò)）嗎？Occupancy是不是為脫離激光雷達(dá)做的準(zhǔn)備？
A：不完全算。首先，3D的Occupancy做不到激光雷達(dá)的精度的。因?yàn)镺ccupancy本質(zhì)上是對(duì)FreeSpace 往高度層面的擴(kuò)展。從技術(shù)上來(lái)說，它確實(shí)可以幫規(guī)控更好地處理問題。
但這帶來(lái)的，不只是對(duì)感知的挑戰(zhàn)，對(duì)規(guī)控也是一種挑戰(zhàn)。因?yàn)橐?guī)控需要接入地圖、Free Space、目標(biāo)障礙物等，同時(shí)還需要去算占位圖（Occupancy）。
大家之前都沒這樣用過。要在結(jié)合3D視覺感知算法下做好確定性的規(guī)劃，也涉及到各個(gè)模塊的聯(lián)調(diào)，同時(shí)也需要把感知結(jié)果做得更準(zhǔn)，最終不再需要通過規(guī)控做后處理，直接去構(gòu)建所謂的「可通行區(qū)域」。
Q8：如果采用BEV，雷達(dá)和相機(jī)的布局會(huì)發(fā)生怎樣的變化和影響？比方傳感器的數(shù)量、位置會(huì)不會(huì)為BEV提供更好的配置？
A：在視覺BEV的布置上，我們會(huì)盡可能讓不同的攝像頭之間能有一個(gè)更大的重疊區(qū)域，這樣整個(gè)的BEV空間或者特征空間是全的，不太存在漏洞。因?yàn)橄鄼C(jī)去畸變后并不能達(dá)到它實(shí)際的視場(chǎng)角（FOV），比如：FOV120度的攝像頭，去完畸變，其FOV可能只剩100度或者100多度。
激光雷達(dá)的話，量產(chǎn)車如果要做成本下探、同時(shí)要提升視覺感知精度，激光雷達(dá)更多的作用就是補(bǔ)盲，能夠在城區(qū)場(chǎng)景、關(guān)鍵障礙物的感知上實(shí)現(xiàn)更好的感知效果。因此激光雷達(dá)要裝得稍微低一點(diǎn)，例如裝在車前保險(xiǎn)杠等。如果激光雷達(dá)裝上面，側(cè)邊的激光雷達(dá)就需要盡量下探一些。
