【BEV学习日记】

01-学习背景

从特斯拉发布autopilot以来，不到十年间，自动驾驶行业经历了巨大的变革，量产、上车、商业模式各种方向奔流涌动。
从茫然、到技术爆发、到技术收敛，AI表现出了强大的能力，也在众多资本、科研人员的推动下，将其脉络、发展途径、开发工具和应用场景，梳理到一个比较清晰，有适当的技术背景就能够获取足够资源部署自己应用的程度。

---

---

前言

提示：这里可以添加本文要记录的大概内容：

例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、Why BEV

从特斯拉的视角来看整个自动驾驶的发展过程：
step1：传统OEM与Tier1合作模式，mobileye的视觉、毫米波雷达
step2：自研视觉算法，英伟达方案
step3：自研芯片
step4：BEV-transformer，occupancy
step5：1个月试用FSD，续订2%
从技术维度，特斯拉找到了一条路径，并将这条技术路线快速推向最优解，成为一众追随者的目标，恨之入骨又望尘莫及。
但是终究特斯拉创造的还仅仅是L3-，本质上对驾驶员是强依赖的，而市场最终也会将民用车的智能驾驶收敛到L3-。
一位智者说过，领先太多就不一定是优势了。所以just in time，特斯拉当前的技术状态，虽离无人驾驶很远，但是足以满足辅助驾驶的需求了。

二、学习目标

1.了解视觉在当前自动驾驶领域的发展情况

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
warnings.filterwarnings('ignore')
import  ssl
ssl._create_default_https_context = ssl._create_unverified_context

2.梳理视觉在需求定义→量产交付的流程

代码如下（示例）：

data = pd.read_csv(
    'https://labfile.oss.aliyuncs.com/courses/1283/adult.data.csv')
print(data.head())

3.了解改领域涉及的技术、开发工具

---

总结

希望这一天早日到来：
大家像用计算器一样，使用AI帮助自己提高效率。