参考代码：SparseBEV

动机与主要贡献：
BEV感知可以按照是否显式构建BEV特征进行划分，显式构建BEV特征的方法需要额外计算量用于特征构建，而类似query方案的方法则不需要这样做。比较两种类型的方法，前者需要更多计算资源但是效果好，后者需要的计算资源相对较少，但是性能相比起来不足。在这篇文章中从如下3个维度去分析和优化基于query的感知方法：

• 1）分析query之间的关联，在基于query的方法中往往使用self-attention的方式构建query之间的关联，但是对于3D空间中的物体它们是存在空间距离的，相隔较远的物体它们之间的关联性自然就弱
• 2）自身和目标的运动补偿，自动驾驶的场景是运动场景，则需要对自车和周围物体的运动状态建模，从而实现在特征维度的对齐和采样
• 3）不同时许的特征融合，提出一种channel-wise和spatial-wise attention的特征融合方法

算法流程结构：
算法的流程结构是CNN编解码+transformer解码的结构，见下图

上图中左边的3个小框就分别代表了文章的3个主要工作：基于query距离的self-attention、自车和目标运动补偿、时序融合。

基于query距离的self-attention：
原本query之间的self-attention是global的，这就把相隔很远的物体也关联起来了，但按照直观理解这样是不太合理的，则需要考虑两个query之间的实际距离：
$$D_{i,j}=\sqrt{(x_i-x_j{)}^2+(y_i-y_j{)}^2}$$
那么这个距离就通过如下方式添加到attention的计算过程中：
$$Attn(Q,K,V)=softmax(\frac{Q{K}^T}{\sqrt{d}}-\tau D)V$$
其中，$\tau$适用于控制距离作用的可学习因子，避免直接按照距离划分太过生硬，也让这个过程具有数据驱动的能力。对于这个$\tau$其实是根据多头注意力的个数确定的，也就是对多头注意力的每个头预测一个距离因子。那么不同的距离因子对于实际query的感受野影响见下图所示：

自然$\tau$越大关注的距离也就越近了，同时对应的实验结果也显示了大的目标需要的感受野范围也就越大：

自车和目标运动补偿：
在Deformable Attention中已经存在基于query的采样offset预测，但是它与目标的实际大小不相关，完全由参与预测的MLP决定。则对于每个query这里分别预测相对物体长宽高的offset，从而使得offset的生成更加符合目标的空间实际，这是对offset生成部分的改动。相比传统的offset生成方式有mAP上1个点左右的提升：

确定offset生成方式之后之前需要对齐不同时序下的特征，自然需要依据自身pose变化对特征进行变换，并且对于场景中的运动目标还需要使用速度进行补偿。两种运动对齐的影响：

时序融合：
在实现多桢数据对齐之后便是需要对多桢数据进行融合，这里融合不是简单concat这类操作，而是使用channel-wise和spatial-wise attention的方式进行。不同的融合策略对于性能的影响：

实验结果：
nuScenes test：

nuScenes val：