思想

1. 相机视图进行特征提取和深度估计，根据深度估计的信息和特征进行融合，得到三维空间的特征
2. 生成pillar
   1. 生成图像空间内的三维坐标，根据特征下采样的倍数及深度数来生成
   2. 上述三维坐标变换到点云空间，有以下几步变换
      1. 图像是有数据增强的，如旋转、平移、缩放等，浓缩成两个变换，仿射和平移，那第一步是增强后的三维坐标还原为原始的三维坐标，即平移和仿射的逆变换
      2. 图像坐标系到相机坐标系，即乘以内参矩阵
      3. 相机坐标系到点云坐标系，刚体变换，旋转+平移
   3. 生成融合特征，即点云空间的三维坐标及图像特征融合
      1. 点云空间的三维坐标pillar化，减去点云的起点，除以点云的步长
      2. 筛选，保留点云设定范围内的点
      3. voxel内的点筛选留存，留存最大数为300，即相同voxel内点保留前300个，排序按照batch D H W依次来排
      4. 设定pillar特征尺寸， B C D H W 300，按照排序后的坐标将x的值赋值到上面
      5. 最后一个维度sum，第三个维度和第二个维度flatten，得到Pillar特征
3. 再接neck，以及使用类似centerpoint的head

模型结构

输入

以nuscenes为例，输入是6个camera的数据，尺寸为1 * 6 * 3 * 256 * 704

前处理

test

1. 只做两个变换，缩放和平移

网络部分

part1 生成伪点云

1. 基于6个cameras的输入，输出612316*44
2. 前59维为深度信息，单独提出，然后与后64维度相乘
3. 如下图，生成深度图
4. 

part2 bev pool

1. 根据点云范围得到点云的网格，生成伪点云

part3 bev detector

1. 对生成的bev走centerpoint的推理流程
2. 

onnx模型导出

由于网络中存在bev pool，直接导出模型不方便，将网络切成两个部分，bevdet_pseudo_cloud和bevdet_detector，需要重写forward函数，修改代码不是很好，我们参考mmdeploy的方案，运行时对bevdet注册一些函数，用来导出两个部分的onnx，git地址

模型推理 onnxruntime or tensorrt

自定义int8量化

参考博客

1. https://zhuanlan.zhihu.com/p/454569125
2. https://zhuanlan.zhihu.com/p/557613388

参考论文

1. https://github.com/nv-tlabs/lift-splat-shoot