3、BEV网格与特征表示：BEV网格定义、分辨率选择、特征图映射、多尺度特征融合
好，咱们进入正题。BEV感知里最基础也最绕不开的一个概念，就是BEV网格。说白了，就是把相机看到的透视图像，硬生生掰成从天上往下看的俯视图。这个过程中，网格怎么定义、分辨率选多大、特征怎么映射进去，每一步都有坑。我踩过不少，今天一并讲清楚。
3.1 BEV网格定义：坐标系与空间范围
先说说网格是什么。BEV网格就是一个二维的栅格，覆盖在自车周围的地面上。每个格子代表一个物理区域，比如50厘米×50厘米。整个网格的大小，决定了你能感知多远、多宽。
我个人习惯把网格定义成三个参数：X方向范围、Y方向范围、网格分辨率。举个例子，常见的设定是：
- X方向：-50米到50米（车头方向）
- Y方向：-25米到25米（车宽方向）
- 分辨率：0.5米/格
这样网格的尺寸就是200×100。嗯，这里要注意，X和Y的范围不一定对称。城市道路场景，我更关注前方和侧方，后方可以稍微砍一点。
核心要点：网格的原点通常放在自车后轴中心，或者车辆几何中心。我个人推荐后轴中心，因为车辆运动学模型都是以它为基准的。
坐标系方向也得统一。我见过团队用不同的坐标系，结果联调时数据全乱套。建议统一成：X向前、Y向左、Z向上，这是自动驾驶行业的主流约定。
3.2 分辨率选择：精度与计算量的博弈
分辨率怎么选？这问题我当年纠结了很久。你想想看，分辨率越高，小目标检测越准，但计算量也越大。反过来，分辨率低了，远处一辆自行车可能就糊成一个点。
我给大家一个经验值：
| 场景 | 推荐分辨率 | 网格尺寸（50m×50m） | 备注 |
|---|---|---|---|
| 高速场景 | 0.5m - 1.0m | 100×100 - 50×50 | 目标大、速度高，粗粒度够用 |
| 城区场景 | 0.25m - 0.5m | 200×200 - 100×100 | 行人、自行车多，需要细粒度 |
| 泊车场景 | 0.1m - 0.2m | 500×500 - 250×250 | 近距离、高精度要求 |
我曾经在一个项目中，为了追求极致精度，把分辨率设成了0.1米。结果模型跑一次推理要200毫秒，根本没法实时。后来妥协到0.25米，精度只掉了2%，速度却快了4倍。所以，别盲目追求高分辨率，够用就好。
我的小技巧：如果你不确定分辨率，先跑一个0.5米的基线。然后看模型在远处小目标上的召回率。如果召回率低，再考虑提升分辨率。别一上来就搞0.1米，那是给自己找麻烦。
3.3 特征图映射：从图像到BEV的投影
网格定义好了，接下来就是怎么把图像特征填进去。这一步叫特征图映射，也叫BEV投影。核心思路是：对于BEV网格中的每个格子，找到它在图像中对应的像素区域，然后把图像特征搬过来。
具体怎么做？我给大家拆解一下：
- 生成BEV网格坐标：每个格子有一个中心点坐标 (x, y, 0)，z=0表示地面。
- 投影到图像平面：利用相机内外参，把 (x, y, 0) 投影到图像上，得到像素坐标 (u, v)。
- 采样图像特征：在图像特征图上，用双线性插值采样 (u, v) 位置的特征。
- 填充BEV特征图：把采样到的特征填回对应的BEV网格位置。
代码实现大致长这样：
def project_bev_to_image(bev_grid, cam_intrinsic, cam_extrinsic):
"""
bev_grid: (H_bev, W_bev, 3) 每个格子的世界坐标 (x, y, 0)
cam_intrinsic: (3, 3) 相机内参
cam_extrinsic: (4, 4) 相机外参 (世界到相机)
return: (H_bev, W_bev, 2) 对应的像素坐标
"""
# 1. 将世界坐标转为齐次坐标
ones = torch.ones_like(bev_grid[..., :1])
world_coords = torch.cat([bev_grid, ones], dim=-1) # (H, W, 4)
# 2. 世界 -> 相机 -> 图像
cam_coords = world_coords @ cam_extrinsic.T # (H, W, 4)
img_coords = cam_coords[..., :3] @ cam_intrinsic.T # (H, W, 3)
# 3. 归一化得到像素坐标
u = img_coords[..., 0] / (img_coords[..., 2] + 1e-6)
v = img_coords[..., 1] / (img_coords[..., 2] + 1e-6)
return torch.stack([u, v], dim=-1)
注意！投影时一定要处理遮挡问题。如果一个BEV格子对应到图像上的多个像素（比如有物体遮挡），你需要决定取哪个。我常用的做法是取最近的那个，或者用深度信息做加权平均。
为什么会这样？因为地面假设不总是成立。比如一个高处的路牌，它的投影点可能和地面上的某个点重合。这时候如果不做处理，特征就会混叠。我曾经因为这个原因，模型把路牌误检成了行人，后来加了深度过滤才解决。
3.4 多尺度特征融合：让模型看得更远更细
单尺度的BEV特征图有个问题：大目标和小目标不能兼顾。你想想看，0.5米的分辨率，一辆大卡车占了十几个格子，特征很丰富；但一个行人可能只占1-2个格子，特征稀疏得很。
解决方案就是多尺度特征融合。我常用的做法有两种：
- 图像侧多尺度：从图像 backbone 提取不同分辨率的特征图（比如1/8、1/16、1/32），分别投影到BEV空间，然后融合。
- BEV侧多尺度：先投影一个基础分辨率的BEV特征，然后用类似FPN的结构，在BEV空间内做上采样和下采样。
我个人更推荐第一种。为什么呢？因为图像侧的多尺度特征已经包含了丰富的语义信息，直接投影到BEV，能保留更多细节。第二种方法虽然计算量小，但信息损失比较大。
融合方式也有讲究：
| 融合方式 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| 直接相加 | 简单、计算快 | 特征可能被淹没 | 特征尺度相近时 |
| 通道拼接+卷积 | 可学习、效果好 | 参数量大 | 大多数场景 |
| 注意力加权 | 动态调整权重 | 计算复杂 | 需要精细控制时 |
我一般先用通道拼接+1×1卷积做融合，简单有效。如果效果不够好，再上注意力机制。别一上来就搞复杂的，先跑通再说。
避坑指南：多尺度融合时，不同尺度的特征图分辨率可能不一样。比如1/8的特征图投影到BEV是200×100，1/16的只有100×50。这时候需要把小的上采样到大的尺寸，或者把大的下采样到小的。我建议统一上采样到最大尺寸，因为上采样不会丢失信息，下采样会。
嗯，说到这，我想起一个项目。当时我们做多尺度融合，发现小目标的检测精度一直上不去。排查了很久，最后发现是1/32的特征图投影到BEV后，分辨率太低，行人只有半个格子。后来我们把1/8和1/16的特征图作为主力，1/32的只用来检测大目标，问题就解决了。所以，不是所有尺度都要用，要根据目标大小来选。
好了，这一章的内容就这些。BEV网格和特征表示是整个BEV感知的基石，搞懂了这些，后面的模型结构、训练技巧才能落地。下一章我们聊聊BEV特征编码器，看看怎么从多视角图像中提取出高质量的BEV特征。