BEV感知+模型部署，直接撑起了半个自动驾驶技术栈。。。

最新推荐文章于 2025-04-02 11:52:07 发布

自动驾驶之心

最新推荐文章于 2025-04-02 11:52:07 发布

阅读量1.2k

点赞数

文章标签：自动驾驶人工智能机器学习

原文链接：https://mp.weixin.qq.com/s?__biz=Mzg2NzUxNTU1OA==&mid=2247590590&idx=2&sn=bb86d29723554529a6747dbc0804a221&chksm=cfc4ff498e2a56f316dc3bf31908df2cb913f386d71a1ec064dd8a650b63b75d1c43b4d3934f&scene=126&sessionid=0

版权

BEV感知相当于给自动驾驶开启了“上帝视角”，能够让车辆无遮挡的“看清”道路上的实况信息，在BEV视角下统一完成感知和预测任务。当下不少的研究机构和各大车企都在推动BEV方案的落地，基于来自传感器输入层、基本任务和产品场景的不同组合，可以给出相应的BEV算法，例如，BEVFormer属于纯摄像机路线的算法，从多个摄像机获取图像信息来执行多种任务，包括3D目标检测和BEV地图分割等。BEVFusion设计了一个BEV空间的多模态融合策略，同时使用摄像机和LiDAR作为输入完成3D检测和跟踪任务。在BEV感知算法出现之后，整个自动驾驶感知模块趋向形成统一，简洁，高效的端到端结构。此外，不仅仅是感知模块，甚至基于BEV进行的规划决策也是学术界研究的方向。

这一年来，蔚来、小鹏、地平线、百度、理想等头部新势力和自动驾驶公司纷纷在落地基于BEV的3D检测、Occupancy、规划等模型。原有的老方案几乎都被抛弃不用，因为性能和效率差异过大！无论是社招和校招，BEV都是绕不开的话题，方法论有哪些？如何针对优化case？等成为必问的题目~然而BEV感知的子模块众多，因为涉及到3D空间，需要做很多变换和后处理，入门进阶并不简单，这也拦住了一大帮人。。。

除此之外，自动驾驶早已过了只靠Python模型打天下的时候了，特别是算法的同学，往往不知道怎么部署模型，导致面试的时候并不占优势。现在行业里面使用最多的芯片莫属于Nvidia的Orin平台（依靠TensorRT框架），1~2颗芯片存在于大多中高端车型中。那么问题来了，部署好难！！！难在哪里呢？几乎拦住了90%的算法同学往前再走一步。。。

GPU并行处理理解不够透彻，CUDA编程不知如何下手...
努力看懂了原理，却不知道应该在什么场景使用；
预期的加速优化效果在实测中得出的结果与预期差距很大，哪里出了问题，始终查不出来。
GPU并行处理理解不够透彻，CUDA编程不知如何下手...
Transformer ONNX转TRT失败...
量化大幅掉点...
各种segment fault...

做一些有价值的工作，而不是搬砖。。。

任何技术发展的初期都会遇到很多坑，BEV和部署也是如此。不过技术路线一旦发展成熟，就不是一个能阻碍行业进步的绊脚石了。自动驾驶之心是最有机会接触自动驾驶行业各类技术和岗位需求的，也深知最紧缺的方向。我们反复打磨，历时半年开发了一套适合学术界和工业界的BEV+模型部署课程。

1）BEV全栈教程

我们选择了行业几乎所有主流BEV算法（纯视觉+多传感器融合方案），从0到1为大家详细展开网络结构设计、算法优化、实战等方方面面，内容非常详细，目前是国内最专业的BEV感知教程，已经有近700门同学加入学习！

主讲老师为上海交大博士，深耕自动驾驶算法领域多年。在CVPR，ECCV，ACM MM，TCSVT，TITS等计算机视觉、智能交通领域发表多篇论文，在自动驾驶算法设计、模型优化部署方面有着丰富的落地经验。

如果认真学完此课程，无论是找工作抑或转行入门，都能轻松拿捏。

2）Cuda与TensorRT模型部署教程

强烈建议算法的同学入手，不会C++和部署真的没太大竞争力。。。

在分析大家在学习过程中的痛点之后，自动驾驶之心联合海外知名高校博士共同出品了《CUDA加速与TensorRT部署》课程。如果您正想要学习模型部署，或者正苦于自己部署的模型掉点严重，不知如何优化耗时，同时又缺少项目实战经验，那么一定要学习下这门课，课程内容详细介绍了并行处理、GPU、CUDA与TensorRT部署实战。

课程从最基础的并行处理与GPU体系架构开始，进而到CUDA与cuDNN入门，编写自己第一个CUDA程序，再到TensorRT基础入门和API 使用，实战涉及分类器部署（CNN）、YOLO系列检测器部署，更有重磅的BEVFusion模型部署的详细讲解！满满的干货，真正做到帮助0基础的同学高效学习，快速掌握每一个知识点，课程大纲如下：