花了3個月，成功將BEV感知技術部署落地

BEV感知是當下量產無人駕駛的主流范式，其關注的核心是如何將相機或者激光雷達采集的數據轉換到BEV空間。而對于剛接觸BEV感知的伙伴，總會有幾個問題對他們形成困擾：

1. BEV空間是2D空間還是3D空間？

2. 環視圖像損失了深度信息，如何將其轉換到BEV空間中呢？

3. 開源的BEV算法，自采的數據如何適配？

4. BEV與占據柵格、無圖、端到端的關聯是什么？

5. 如何搭建一個自己的BEV感知系統？

6.BEV感知系統部署到車端時，會遇到什么問題，應如何解決？

帶著這幾個問題，有的伙伴讀了幾十篇論文，比如BEVDet, BEVFusion, BEVFormer, PETR系列等，又配合著知乎文章、博客等一起學習，勉強搞懂了前兩個問題，但仍然有大量細節不理解，時間過去了幾個月，還沒完整跑通BEVDet和BEVFormer的代碼，為什么呢？

究其原因，就是方法不系統、資料分散、知識碎片化、學習路徑不明確、理論與實踐脫節、缺乏深度和廣度、缺乏實戰經驗等一系列的問題，那后來的他們水平怎么樣呢？

后續之所以能這么快地搞定BEV感知實車部署，得益于幾位大佬的指點。他們傳授了BEV感知的發展脈絡、主流算法、BEV感知系統搭建經驗、BEV數據處理、模型部署等知識技能。目前正在挑戰更進階的問題：相機與激光點云的BEV特征融合?，F在這些知識整理成了更加系統化的課程——『BEV感知理論與實踐』。接下來給大家介紹一下這門硬核的課程。

課程亮點

全面梳理BEV感知算法及其發展脈絡

細致講解各類代表性算法的代碼實現

分享BEV落地的工程實踐經驗

課程大綱

適合人群

1.希望從事自動駕駛視覺感知研發的在校生

2.企業中人工智能算法設計與工程開發的工程師

3.自動駕駛企業中其他方向的研發工程師

學習收獲

1.掌握BEV感知的發展脈絡：2D-to-3D方法以及3D-to-2D方法；

2.熟悉BEV感知極具代表性的算法原理：BEVDet/BEVPoolv2/ BEVFusion/ BEVFormer；

3.積累BEV實際落地過程中的經驗：數據處理與推理加速。

掃碼咨詢詳情