1. LSS-Based

1.1 BevDet

通过Lift splat 对于2d 特征中的每个pixel(特征点)估计一个3d的深度分布，这样就可以将2d点投影到3d空间上。这样就可以拿到UVD个3d特征点，然后通过voxel pooling 对高度方向拍平， 这样就得到Bev空间的特征图。然后再通过Bev encoder以及任务头。

BevDet的网络结构如上图所示，它实现了多视角的特征融合。还需要实现时序的融合，这个扩展就想对比较简单了。

• 将上一帧的Bev特征，通过ego pose 对齐到当前帧的Bev空间中
• 然后和当前帧的Bev特征进行特征维度的concate。
• 然后接Bev encoder 和 Bev Head, 这样就拿到了带2帧时序特征信息的融合。

1.2 BevDepth

Lift splat第一步就是做深度估计，深度估计的精度最终会影响检测的性能<