Transformer BEV 3D object detection

传统方案：利用2D模型在各自的相机视角获取3D检测结果。再通过后处理算法将各个视角的3D检测框投影到ego frame，融合到一起。这样的做法简单有效，但也有如下缺点：

1. 将多视角融合的步骤排除在模型学习之外，导致其难以检测相邻环视相机重叠部分中被截断的物体。
2. 难以实现与3D点云传感器（LiDAR）的数据级/特征级融合。