L2/L2+ 高级驾驶辅助系统 (ADAS) 中的鸟瞰图 (BEV) 

适用于 L2/L2+ 应用的传感器融合 BEV 系统需要经过标定的多摄像头设置，以实现车辆周围的全面覆盖。 

数据采集应覆盖各种驾驶场景，包括不同光照条件（白天、夜晚、阴影）、天气条件、道路类型、交通密度，以及存在的各种与自动驾驶相关的车辆、行人和障碍物。

激光雷达点云数据在开发和评估期间用作验证 BEV 表示中所检测目标的真值，但它并非已部署感知流水线的必需输入。如果使用激光雷达真值，摄像头帧与激光雷达扫描的同步捕获对于精确验证至关重要。 

对于具有并发目标检测功能的 AI 增强型 BEV 系统，标注后的训练数据应识别车辆、行人、骑行者、车道标记、道路边界以及其他对自动驾驶功能至关重要的相关特征。

TI 模型库提供了经过预训练的 BEV 模型，可用于评估和部署。 

开发人员也可能希望准备自己的 BEV 模型。这种情况下，可利用 edgeai-mmdetection3d，这是一个基于 mmdetection3d 构建的统一框架，用于开发、训练和评估各种 BEV 3D 检测模型。或者，高级开发人员可以选择使用自己的自定义训练环境。 

无论模型是如何训练的，在部署前都必须通过 TIDL 进行编译，以在 C7™ NPU 上运行。ONNX 或 LiteRT 格式的模型可使用 edgeai-tidl-tools 进行编译，该工具将针对 TI 的深度学习加速器优化网络。

模型选择应在检测精度与延迟限制之间取得平衡。TI 模型库和基准测试工具提供了性能数据，以便根据目标硬件指导选择。

TI 的 FastBEV 演示所使用的模型采用 ResNet-18 主干 + FPN 架构，并基于开源的 Fast-BEV 模型，该模型专为能够在车载芯片上更快执行 BEV 感知而设计。该模型使用 nuScenes 数据集进行了训练和验证。

FastBEV 演示展示了利用包含在 TDA 处理器 SDK 中的 Vision Apps 框架部署 BEV 模型的典型方式。 

内核感知流水线：基于 OpenVX 的流水线集成了 6 摄像头捕获、MSC 硬件缩放、A72 预处理、C7™ NPU 上的 TIDL 推理以及 A72 后处理。

激光雷达真值集成：除内核流水线外，激光雷达点云数据并行传入，并叠加在 BEV 输出上作为空间基准。这使得开发人员能够在评估期间将所检测目标与真值进行视觉对比。

其他流水线特性：该演示还包括实时性能监测和双视图显示，可在单摄像头图像和俯视 BEV 视角中同时渲染检测到的目标。