BEV感知是当下量产无人驾驶的主流范式，其关注的核心是如何将相机或者激光雷达采集的数据转换到BEV空间。而对于刚接触BEV感知的伙伴，总会有几个问题对他们形成困扰：
1. BEV空间是2D空间还是3D空间？
2. 环视图像损失了深度信息，如何将其转换到BEV空间中呢？
3. 开源的BEV算法，自采的数据如何适配？
4. BEV与占据栅格、无图、端到端的关联是什么？
5. 如何搭建一个自己的BEV感知系统？
6.BEV感知系统部署到车端时，会遇到什么问题，应如何解决？
带着这几个问题，有的伙伴读了几十篇论文，比如BEVDet, BEVFusion, BEVFormer, PETR系列等，又配合着知乎文章、博客等一起学习，勉强搞懂了前两个问题，但仍然有大量细节不理解，时间过去了几个月，还没完整跑通BEVDet和BEVFormer的代码，为什么呢？
究其原因，就是方法不系统、资料分散、知识碎片化、学习路径不明确、理论与实践脱节、缺乏深度和广度、缺乏实战经验等一系列的问题，那后来的他们水平怎么样呢？
后续之所以能这么快地搞定BEV感知实车部署，得益于几位大佬的指点。他们传授了BEV感知的发展脉络、主流算法、BEV感知系统搭建经验、BEV数据处理、模型部署等知识技能。目前正在挑战更进阶的问题：相机与激光点云的BEV特征融合。现在这些知识整理成了更加系统化的课程——『BEV感知理论与实践』。接下来给大家介绍一下这门硬核的课程。
课程亮点
全面梳理BEV感知算法及其发展脉络
细致讲解各类代表性算法的代码实现
分享BEV落地的工程实践经验
课程大纲
适合人群
1.希望从事自动驾驶视觉感知研发的在校生
2.企业中人工智能算法设计与工程开发的工程师
3.自动驾驶企业中其他方向的研发工程师
学习收获
1.掌握BEV感知的发展脉络：2D-to-3D方法以及3D-to-2D方法；
2.熟悉BEV感知极具代表性的算法原理：BEVDet/BEVPoolv2/ BEVFusion/ BEVFormer；
3.积累BEV实际落地过程中的经验：数据处理与推理加速。
扫码咨询详情
热门跟贴