BEVFormer：用时空 Transformer 从多摄像头学 BEV 表征

它要解决什么问题

多个摄像头各看一个方向，怎么融合成一张统一的鸟瞰图，并且利用历史帧提升动态感知。

机制拆解

1. 用一组 BEV query 表示鸟瞰空间的每个位置
2. spatial cross-attention：每个 query 主动去各摄像头图像上采样它需要的信息
3. temporal self-attention：融合历史 BEV，提升速度估计和动态目标感知
4. 输出服务于检测、地图、车道等多个下游任务

量产判断

读完应该能问

• 时序融合对我们的速度估计提升了多少？遮挡场景下呢？

回到术语

• 鸟瞰图表征——把多摄像头视角融合到统一的鸟瞰空间，降低对高精地图的依赖。
• 两段式——第一段输出结构化世界（目标、车道线、交通灯），第二段基于它生成轨迹——用信息压缩换可解释和可控。