BEV
關(guān)注創(chuàng)建者：芝能汽車 創(chuàng)建時間：2021-03-04
BEV的視頻教程
從概念設(shè)計到虛擬驗收：實時車輛模型在數(shù)字化設(shè)計的核心作用
· 學(xué)習(xí)行業(yè)領(lǐng)先的企業(yè)如何借助 VI-CarRealTime 加速電動化進程、主動底盤集成，以及純電動汽車（BEV）專屬參數(shù)調(diào)校。 · 探索實用的工作流程與應(yīng)用案例，了解其如何縮短開發(fā)周期、提升協(xié)作效率，并減少對物理樣車的依賴。
免費 52分鐘 106播放
查看
BEV的實例教程
圖5 2月主要的歐洲國家預(yù)估48V和HEV的比例
如前所說的，在南歐的國家，HEV的單車銷量確實是BEV的10倍，F(xiàn)IAT 500系列的中混在南歐的快速上量，比BEV要更受歡迎。在歐洲導(dǎo)入A00級別的BEV實際難度并不小。
圖6 2月西班牙BEV、PHEV 和HEV銷量排名對比
小結(jié)：跟蹤歐洲的數(shù)據(jù)，主要是看當(dāng)前最嚴(yán)格的CO2排放控制市場的走向，目前一堆歐洲車企宣布的全部純電化，確實是在當(dāng)前這個減排的政治環(huán)境下必然的產(chǎn)物。
本文以BEV圖像處理原理說明其在自動駕駛感知能力上能解決的場景應(yīng)用，相信在機器視覺這一領(lǐng)域，BEV的研究成果也可以很好的應(yīng)用在自動駕駛研究過程中。
BEV（Bird's-Eye-View，鳥瞰圖）感知技術(shù)，以其獨特的視角和強大的數(shù)據(jù)處理能力，正成為自動駕駛領(lǐng)域的一大研究熱點。
一、BEV感知技術(shù)概述
BEV感知技術(shù)，是一種從鳥瞰圖視角（俯視圖）出發(fā)的環(huán)境感知方法。與傳統(tǒng)的正視圖相比，BEV視角具有尺度變化小、視角遮擋少的顯著優(yōu)勢，有助于網(wǎng)絡(luò)對目標(biāo)特征的一致性表達。基于這樣的優(yōu)勢，可以更有效的對車輛周圍環(huán)境進行感知。
圖1：BEV 感知圖
因此，在自動駕駛感知任務(wù)中，BEV感知算法通常包括分類、檢測、分割、跟蹤、預(yù)測、計劃和控制等多個子任務(wù)，共同構(gòu)建起一個完整的感知框架。
BEV感知算法的數(shù)據(jù)輸入主要有圖像和點云兩種形式。根據(jù)數(shù)據(jù)源不同，BEV算法主要分為BEV Camera（純視覺）、BEV LiDAR（基于激光雷達）和BEV Fusion（多模態(tài)融合）三類。其中，圖像數(shù)據(jù)具有紋理豐富、成本低的優(yōu)勢，此外，基于圖像的任務(wù)、基礎(chǔ)模型相對成熟和完善，比較容易擴展到 BEV 感知算法中。
為了更好的訓(xùn)練BEV Camera感知算法，往往需要先搭建一個高質(zhì)量的數(shù)據(jù)集。而搭建一套BEV感知數(shù)據(jù)采集系統(tǒng)，通常包括以下幾個關(guān)鍵環(huán)節(jié)：
1. 硬件選型與集成：選合適的攝像頭和計算采集平臺，集成穩(wěn)定系統(tǒng)。
2. 數(shù)據(jù)采集：在實際環(huán)境中采集圖像數(shù)據(jù)，覆蓋不同場景、光照和天氣。
3. 時間同步：確保不同傳感器數(shù)據(jù)時間精確同步，是后續(xù)算法訓(xùn)練的必要前提。
4. 系統(tǒng)調(diào)試和部署：調(diào)試系統(tǒng)確保組件協(xié)同工作，部署到實際應(yīng)用環(huán)境。
因此，在實際搭建過程中，常會遇到技術(shù)復(fù)雜性高、成本投入大、數(shù)據(jù)質(zhì)量與時間同步實現(xiàn)難、系統(tǒng)穩(wěn)定性與可靠性要求高等挑戰(zhàn)。針對這些問題，康謀推出一套BEV Camera數(shù)據(jù)采集方案，能高效搭建高質(zhì)量的BEV感知數(shù)據(jù)集，加速算法研發(fā)和訓(xùn)練。
展開 Battery Electric Vehicles (BEVs), compared to classic internal combustion engine (ICE) vehicles, are fairly simple and easy to operate. The simplest powertrain architecture consists in a high voltage battery, an electric motor with power electronics controller and a single speed gearbox. BEVs are also called pure electric vehicles, in order to distinguish them from Hybrid Electric Vehicles (HEVs), which have a hybrid powertrain (internal combustion engine plus electric motor).
In a BEV the propulsion is based exclusively on the electric energy stored in the high voltage battery.
Image: Nissan Leaf anatomy
Credit: Nissan
Battery electric vehicle are increasing their market share because they are the most viable way towards a clean and efficient transport system.
展開 編碼器將BEV特征擴展為
矩陣，長度為Channel，用作Transformer中的Query。這些特征是使用相機本征矩陣從多視圖相機的2D特征導(dǎo)出的。為了保留2D空間信息，位置嵌入被添加到查詢中，然后作為編碼器的輸入（圖4（b））。為了更快地收斂，Encoder迭代以前的BEV特性，并將當(dāng)前Query作為自我關(guān)注的輸入。此外，車輛的位置姿態(tài)信息在前框架和后框架的像素級別上匹配（圖4（d））。
在感知任務(wù)中，CNN Head被Transformer塊取代，以使用查詢生成障礙物的3D邊界框，以及2D/3D車道線和局部地圖（圖4（a）、（c）、（e）、（f））。
3D障礙感知任務(wù)有兩種類型的查詢：
顯式
隱式
顯式查詢依賴于BEV特征（圖4（e）），而隱式查詢直接使用多視圖相機的2D特征（圖4（a））。隱式查詢減少了編碼器的計算需求。
為了進一步減少Transformer上的計算負(fù)載，可以在使用CNN架構(gòu)從相機透視圖轉(zhuǎn)換為2D/3D BEV后查詢轉(zhuǎn)換后的BEV特征（圖4（c））。車道和局部地圖任務(wù)主要利用BEV特征進行查詢，將車道和局部圖的物理關(guān)鍵點作為查詢目標(biāo)，并將其特征（xyz，屬性）作為向量。
與障礙物任務(wù)相比，道路信息查詢需要對BEV特征進行更高程度的網(wǎng)格細(xì)化；然而，BEV特征所需的距離范圍較低。車輛同時關(guān)注周圍的道路信息（通常為60米x 30米）和障礙物（通常為100米x 100米），以及高速場景中的遠處障礙物。
展開 
BEV的最新內(nèi)容
兩階段訓(xùn)練流程圖
工具鏈配備雙渲染后端：光柵化后端用于相機仿真，光線追蹤后端支持 LiDAR 掃描模式仿真，通過 BEV 分塊訓(xùn)練消除大場景邊界偽影，可支持 ≥100,000 m2 的場景規(guī)模。
2、多傳感器標(biāo)定與采集
高精度標(biāo)定是多傳感器數(shù)據(jù)有效融合的核心前提，更是為BEV模型空間對齊、跨模態(tài)融合提供精準(zhǔn)位姿基準(zhǔn)的關(guān)鍵。
電動汽車（EV）是指依靠電力驅(qū)動的汽車，其動力通常由電池（BEV）或燃料電池（FCEV）提供。電動汽車動力總成是指電動汽車中將電能轉(zhuǎn)換為機械運動的系統(tǒng)。
地圖示例：
三、 實操評測：SimData 的高保真性
為了驗證SimData在感知算法中的有效性，我們選用BEV感知領(lǐng)域的經(jīng)典模型 BEVFormer (Tiny版)，進行了多維度的對比實驗與分析。
</p><p>由此可知，對高校自動駕駛實驗室來說，<strong>穩(wěn)定的時序精度</strong>是BEV感知科研的關(guān)鍵，團隊亟需適配多源異構(gòu)傳感器的高精度時間同步方案，解決數(shù)據(jù)撕裂、實驗不可復(fù)現(xiàn)等痛點。
配合cv2或matplotlib可以對數(shù)據(jù)集進行可視化：
具有g(shù)t框的六路攝像頭輸出：
同步lidar點云，可以同時繪制出bev視角下的標(biāo)注信息
2、bevformer檢測效果展示
以下是使用在nuScenes數(shù)據(jù)集下訓(xùn)練的權(quán)重，采用bevformer-tiny模型直接進行檢測的效果（即沒有在SimData上進行訓(xùn)練）。
li><li><strong>Goodyear: </strong>減少了原型數(shù)量，提升了輪胎測試的相關(guān)性;</li><li><strong>Czinger:</strong> 采用 VI-CarRealTime 開展超級跑車概念的虛擬探索;</li><li><strong>Astemo:</strong> 結(jié)合人工智能（AI）增強的試驗設(shè)計（DOE），優(yōu)化純電動汽車（BEV
2??學(xué)習(xí)行業(yè)領(lǐng)先的企業(yè)如何借助 VI-CarRealTime 加速電動化進程、主動底盤集成，以及純電動汽車（BEV）專屬參數(shù)調(diào)校。
3??探索實用的工作流程與應(yīng)用案例，了解其如何縮短開發(fā)周期、提升協(xié)作效率，并減少對物理樣車的依賴。
JtwlJMqEidK1BSgpYUQVJgnuMJWHypRUoi2aSswQCvWtWAqCDEwCAQCBA2r25rj1dpSlKUpSlKUpSlKUpSlKUpSlKUpSlKUpSlKUpSlKUpSlKUpSlKUpSlKUpSlKUpSlKUpSlKUpSlKUpSlKUpSlKUpSlKUpSlKUpSlKUpSlKUpSlKUpSlKUpSlKUpSlKUpSlKUpSlKUpSlKUpSlKUpSlKUpSlKUpSlKUpSlKUpSlKUpSlKUpSlKUpSlKUpSlKUpSlKUpSlKUpSlKUpSlKUpSlKUP9f1/X+NdaZVC9/wARX4ncoYxPoKT4aY/lT4Ee7t/xjoTe4BWSQYhJTgA5mSNz7TuBwOZrUBQmVTkxgDHH9e9dlYralKUpSlKUpSlKV4Bev50P4K61sb9D1qZfhZosk6678GYeir7tKdeW
圖3 環(huán)視OpenCV魚眼相機傳感器配置
3、BEV圖像生成與AVM拼接
利用已知相機內(nèi)參和標(biāo)定區(qū)域結(jié)構(gòu)，通過OpenCV完成圖像去畸變與投影矩陣求解，逐方向生成BEV視圖（Bird's Eye View）。結(jié)合車輛圖層與坐標(biāo)對齊規(guī)則，拼接生成完整的AVM圖像。
支持配置圖像分辨率（如1cm2/像素）與投影視野范圍，確保幾何準(zhǔn)確性。
