本文分享BEV感知方案中，具有代表性的方法：BEVFormer。
它基于Deformable Attention，实现了一种融合多视角相机空间特征和时序特征的端到端框架，适用于多种自动驾驶感知任务。
主要由3个关键模块组成：
BEV Queries Q：用于查询得到BEV特征图
Spatial Cross-Attention：用于融合多视角空间特征
Temporal Self-Attention：用于融合时序BEV特征
基本思想：使用可学习的查询Queries表示BEV特征，查找图像中的空间特征和先前BEV地图中的时间特征。
推荐学习路径：
DETR→Deformable DETR→BEVFormer。

Bevformer核心三点

（1）BEVquery：任务是要建立平面中的点与BEV空间下点的关系，设BEV空间是一个HWC的序列。BEV中每个处理的点称为BEV query，维度为1×C，位置为Pxy。每个BEV中的点在现实中都有对应。

（2）时间自注意力：通过时间注意力将t-1时刻的特征和t时刻特征融合，加强t时刻的输入。其中，网络会自主学习其中的一些 特征对齐，时间补偿，运动补偿。
（3）空间交叉注意力：再通过spatial cross- attention，将多个相机的特征融合到BEV空间下。

Bevformer结构组成

如上图所示，BEVFormer由如下三个部分组成：
backbone：用于从6个角度的环视图像中提取多尺度的multi-camera feature
BEV encoder：该模块主要包括Temporal self-Attention 和 Spatial Cross-Attention两个部分。
Spatial Cross-Attention结合多个相机的内外参信息对对应位置的multi-camera feature进行query，从而在统一的BEV视角下将multi-camera feature进行融合。
Temporal self-Attention将History BEV feature和 current BEV feature通过 self-attention module进行融合。
通过上述两个模块，输出同时包含多视角和时序信息的BEV feature进一步用于下游3D检测和分割任务
Det&Seg Head：用于特定任务的task head