来源：HiEV
BEV落地的困境：复杂的代码，以及昂贵的数据标注
BEV改进了自动驾驶看物理世界的视角，从传统的2D为主的图像数据，转化为3D坐标空间下的数据。特斯拉的做法大致是：基于纯视觉，用8个摄像头采集数据，通过深度学习的主干网络Backbone对各个摄像头进行特征提取，再通过Transformer将2D图像转化为3D空间。通过BEV和Transformer，特斯拉开始获得全新的“上帝视角”下的数据，并在此基础上为数据加上了时间戳，形成了4D空间，以用于对目标物测速，目标物运动轨迹的预测。
目前各家落地BEV的方法论都和特斯拉非常相似，不同的是国内玩家的方案中，在摄像头之外增加了更多的传感器和定位系统，比如超声波雷达、激光雷达、高精度地图等。挑战在于融合困难，以及更多的代码量、数据标注工作。
BEV给车企带来的变化
国内车企最早通过高精地图来实现自身定位，车规级激光雷达成熟后，车企又加入了激光雷达。随着BEV的布局，一些车企转为缩减配置。大家发现BEV可以实时生成语义地图，进而替代高精度地图，甚至去掉超声波雷达。而同时自动驾驶系统需要先进的处理器和计算芯片，车企往往会与芯片厂商进行深度合作，以开发专门用于自动驾驶的高性能芯片，提高自动驾驶系统的处理速度和效率，更好地实现车辆的自主驾驶能力。
后来者，自研还是外包？
对于BEV方案，发力较晚的车企其实有着更多选择。一种自研，要做BEV方案，方向大致已定，需要选一套传感器方案，基于大算力芯片进行开发，另外还需要自动标注闭环系统，以及用于数据训练的智算中心等。而且一般情况下，车企从2D检测转到BEV感知，如果要把数据准备都算上，快的话需要一年时间。投入事项明确+周期相对较短，这也决定了车企可以进行自研。另一种是与供应商合作，一些之前布局L4的科技公司，如小马智行/元戎启行/商汤绝影等，也在推出BEV的方案。这些方案的成本更低，且不会让车企面临被夺走灵魂的质疑。如果车企不想重复造轮子，至少在可见的一段时间，与解决方案供应商合作，尽早进入自动驾驶的赛道是一个好的选择。
