〇、Introduction
BEVFormer是现在端到端无人驾驶中常使用的一个Backbone，用于将六个视角下的图像转换为鸟瞰图视角下的特征，转换出的BEV特征则会被用于后续模块的特征交互。然而在这个模型设计的初期，其最本质的意图是为了提取用于各种CV任务的BEV特征。相机本身作为一个简单的感知设备，具有开销小、便于检测远处物体的特点。在多视角感知的领域，最简单直接的方法是在各个视角下都进行一次检测，最后将检测结果进行融合，然而这种方法忽略了视角之间存在的联系。从整体的角度来看，BEV视角是一个很好的选择，因为BEV能够从全局角度进行感知。但是从2d的成像平面提取出BEV有些困难，这一点导致了在BEV场景中进行的CV任务比较困难。主要的困难点在于转换过程需要从图像这一2d结构转换为3d场景，得益于Transformer结构，现在我们可以不完全依赖于深度信息动态学习BEV特征。
这篇文章中作者提出了BEVFormer，利用多相机输入得到场景的BEV表示，这个输出的BEV特征可以用于各种的CV任务。提出了时间自注意力机制和空间交叉注意力机制，利用可学习的BEV query进行两种注意力的计算，得到时空关联的BEV特征输出。
一、模型结构
整体结构
BEVFormer采用的也是传统的Transformer结构，具有六个编码器层，除了BEV query、时间自注意力和空间交叉注意力，其余的部分与穿砼结构一致。其中BEV query是一个网格形状的可学习参数，用于从多视角下利用注意力进行特征的提取。空间交叉注意力和时间自注意力都会与BEV query进行交互，从而增强输出的BEV特征时间和空间联系。
在一次推理中，六个视角下的图像首先会各自利用Resnet进行特征的提取，转换为六个视角下的特征图。每次推理我们利用上一帧输出的BEV特征与BEV query进行时间自注意力机制的计算，从而增强当前帧的BEV query，之后利用空间信息与多视角的特征图进行空间交叉注意力的计算。经过六层编码器最终得到当前帧的BEV特征。
BEV query
因为BEV本身具有一个二维的坐标结构，所以这里BEV query也可以用二维结构来解释。BEV query是一个网格状的可学习参数，它的大小为H×W×C，其中H和W是BEV平面的大小，我们可以将其拆解为H×W个维的向量，每个query对应的就是一个坐标下的特征信息，这个H和W我们可以理解为网格的数量，所谓BEV平面实际上就是一个二维的矩形网格结构，类似于2dNDT里面的网格，每个网格的大小为超参数S，H和W就是网格在两个方向上的数量，每个query对应的位置就是每个网格的中心。对于每个query，我们为其加入最基本的可学习的空间位置编码来增强。
空间交叉注意力
空间交叉注意力实际上是可变形注意力的一个优化版本。对于目前的一个BEV query，其实它本身是一个二维结构，是一个H×W的矩阵，这里我们首先将其补充为3d结构，做法是将H×W直接进行拉伸。比如说原本一个BEV query的坐标是（x, y），利用预设好的高度值，我们将起补充为（x, y, z），z的取值完全是认为选择的，相当于我们将2d的平面在纵向上复制了很多次。这样子我们就得到了很多3d的点，利用点的坐标、相机的内外参，我们可以利用小孔成像原理计算在六个视角下的投影位置，也就是在六个视角下能否观测到这些点，对于能够观测到的视角，我们将其记录在Vhit里面，之后对于每个3d点，我们对所有能够观测到的视角Vhit计算可变形注意力，我们在投影点的位置的基础上，利用可学习的偏移量，加权求和得到当前视角下的特征向量，之后所有的可观测视角都进行这个操作，最后加权求和，得到的特征向量就是BEV query中一个点的特征向量。
这里补充一个想了很久的问题，在这个计算的过程中，既然每个BEV query的坐标（x, y）是固定的，3d点在自车坐标系下的位置固定，自车坐标系与相机坐标系的变换关系也是固定，那么它会被哪几个相机观测不就是确定的吗，这里为什么又要使用内外参动态计算会被哪个相机观测。我和ScholarGPT讨论了半天，它提供的说法是，这套解释理论上是成立的，但是太过暴力，实际上这个转换过程引入了世界坐标系，固定的3d点首先利用自车坐标系与当前位姿，转换为世界坐标系下的点，之后再根据世界坐标系和相机坐标系的关系进行投影，这个过程当前位姿是变化的或者是不完全准确的，所以哪个点能被哪个相机观测也就不确定了，所以需要动态计算。
时间自注意力
由于帧与帧之间并不是完全独立的，它们之间也存在一个相互关联的关系，所以作者引入了时间自注意力机制来优化这一点。对于上个时刻输出的BEV特征，我们首先根据位姿真值进行投影，转换到当前帧的坐标系下，这一步和SLAM中的坐标投影是一样的。转换之后，我们使用当前帧的BEV query与投影后的BEV特征进行可变形注意力的计算，这里虽然名字叫做时间自注意力，但是使用的可变形注意力计算是可变形交叉注意力，即使用可学习的偏移量对上一帧的BEV特征进行处理，将加权求和后的结果与原始的特征向量进行叠加，得到增强后的BEV query。
由于第一帧时没有上一帧的BEV特征，所以第一帧时采用两个BEV query进行可变形注意力的计算，也就是自己和自己计算可变形交叉注意力。
这里的投影其实存在一些问题，投影实际上相当于SLAM中的坐标系变换，那么必然会存在一个投影后裁切的问题，因为车辆在前移，以车辆坐标系来看，必然有些点变得太远而消失，有些点因为靠近而突然出现，但是BEV特征的大小是固定的，这就有可能导致投影后的BEV特征，一些部分因为超出了范围被丢弃，一些部分因为根本就投影不到而保持为0。这种情况下会通过降低该部分的权重来避免BEV query无法被强化。投影的过程实际上就是取整的过程，会根据位置自动分配一个网格，网格内如果存在多个投影点，则对于这个网格的特征向量来说，其等于所有投影过来的点对应的特征向量的平均。
整体流程
从整个流程来看，在非第一帧的情况下，每次推理的输入是上一个时刻的BEV特征和训练好的可学习参数组成的BEVquery，首先利用自车的位姿变化将上一个时刻的BEV特征转换到当前时刻，之后用BEVquery与转换后的BEV特征做可变形交叉注意力，由于BEV query和BEV特征的大小是一样的，所以如果query的坐标是xy，那么可以直接将BEV特征xy位置作为采样点的初始位置，之后利用可学习的偏移在每个位置采样并加权求和，得到一个与原BEV特征大小相同的特征图，之后将这个特征图从2d补充高度变成3d，利用内外参矩阵投影到不同视角的相机成像平面，如果点可以投影到某个相机视角下，就利用投影位置在当前视角对应的特征图中计算可变形交叉注意力，最后得到一个新的特征图，作为当前帧的BEV特征。