大盤點(diǎn)！自動(dòng)駕駛中基于Transformer的單目BEV感知

傳統(tǒng)的自動(dòng)駕駛堆棧的架構(gòu)如上圖所示

上圖展示了一個(gè)傳統(tǒng)的自動(dòng)駕駛堆棧（為簡單起見，此處省略了本地化等許多方面）。在此圖中，圓圈代表功能模塊，并根據(jù)它們所在的空間進(jìn)行顏色編碼。綠色模塊出現(xiàn)在 2D 中，藍(lán)色模塊出現(xiàn)在 BEV 中。只有相機(jī)感知發(fā)生在 2D 空間中，或者更準(zhǔn)確地說，是獲取機(jī)載相機(jī)圖像的透視空間。它依靠具有大量手工制作規(guī)則的傳感器融合將 2D 檢測(cè)提升到 3D，可選擇借助雷達(dá)或激光雷達(dá)的 3D 測(cè)量。

在這里，之所以把這些東西定義為傳統(tǒng)，至少有兩個(gè)原因。首先，相機(jī)感知仍然發(fā)生在透視空間中，與最近的單目 3D 物體檢測(cè)趨勢(shì)相反，來自多模式傳感器的結(jié)果以后期融合方式融合（與早期融合相反，早期融合將傳感器數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)以進(jìn)行數(shù)據(jù)驅(qū)動(dòng)關(guān)聯(lián)和幾何推理）。

BEV Perception的意義

對(duì)于相機(jī)感知，轉(zhuǎn)向 BEV 將是非常有益的。首先，直接在 BEV 中執(zhí)行相機(jī)感知可以直接與來自其他模式（例如雷達(dá)或激光雷達(dá)）的感知結(jié)果相結(jié)合，因?yàn)樗鼈円呀?jīng)在 BEV 中表示和使用。BEV 空間中的感知結(jié)果也很容易被預(yù)測(cè)和規(guī)劃等下游組件使用。其次，純粹依靠手工制定的規(guī)則將 2D 觀察提升到 3D 是不可擴(kuò)展的。BEV 表示有助于過渡到早期融合pipelines，使融合過程完全由數(shù)據(jù)驅(qū)動(dòng)。最后，在純視覺系統(tǒng)（沒有雷達(dá)或激光雷達(dá)）中，在 BEV 中執(zhí)行感知任務(wù)幾乎成為強(qiáng)制，因?yàn)樵趥鞲衅魅诤现袥]有其他 3D 提示可用于執(zhí)行此視圖轉(zhuǎn)換。

單目BEV（Bird's Eye View）感知是指利用一臺(tái)單獨(dú)的攝像機(jī)來獲取BEV圖像，對(duì)車輛周圍環(huán)境進(jìn)行感知和理解。它是自動(dòng)駕駛、智能輔助駕駛等領(lǐng)域中常用的感知方法之一，具有以下一些優(yōu)點(diǎn)：

• 提供更全面的視角：相較于前置攝像頭等單向攝像頭的拍攝角度，單目BEV感知可以提供更全面的視角。因?yàn)樗陧敳扛咛幣臄z，能夠捕捉到車輛周圍更廣闊的區(qū)域，并能夠提供更多的特征信息，包括車輛、人行道、街道名稱、草坪、游泳池等特征，而這些特征對(duì)于自主駕駛和場(chǎng)景理解非常重要。
• 提高辨識(shí)度：BEV圖像能夠?qū)?chǎng)景進(jìn)行透視變換，將平面上的車輛或物體映射到圖像上，從而提高了辨識(shí)度。并且相對(duì)于車輛攝像頭等其他感知方法，BEV感知所獲取的圖像場(chǎng)景更為獨(dú)特，因此具有較高的判別性。
• 降低成本：相對(duì)于使用多個(gè)攝像頭的方法，單目BEV感知能夠降低整個(gè)系統(tǒng)的成本。因?yàn)槎鄠€(gè)攝像頭需要更多的硬件開銷，并且需要進(jìn)行多個(gè)攝像頭間的圖像校準(zhǔn)和融合，增加了系統(tǒng)的復(fù)雜度和成本。
• 適用廣泛：BEV相機(jī)拍攝的圖像可以提供更全面的觀察角度，因此被廣泛應(yīng)用于無人駕駛、自動(dòng)駕駛、智能停車、交通管理等場(chǎng)景中。綜上所述，單目BEV感知在自動(dòng)駕駛領(lǐng)域中非常重要，具有提供全面視角、提高辨識(shí)度、降低系統(tǒng)成本等優(yōu)點(diǎn)，隨著計(jì)算機(jī)視覺技術(shù)的不斷發(fā)展和進(jìn)步，其應(yīng)用范圍和意義也將不斷擴(kuò)大和深入。

在過去的一年里，單目 BEV 感知主要出聚焦于以下三種方法：

• IPM：這是基于平坦地面假設(shè)的簡單基線。Cam2BEV 可能不是第一項(xiàng)這樣做的工作，而是一項(xiàng)相當(dāng)近期的相關(guān)工作。它使用 IPM 進(jìn)行特征變換，并使用 CNN 校正不在 2D 路面上的 3D 物體的變形。
• Lift-splat：在 BEV 上使用單深度估計(jì)和 splat 提升到 3D。這一趨勢(shì)由 Lift-Splat-Shoot 發(fā)起，許多后續(xù)工作如 [BEV-Seg](https:///abs/ 2006.11436)、CaDDN 和 FIERY。
• MLP：使用 MLP 對(duì)視圖轉(zhuǎn)換進(jìn)行建模。主要的代表方法有VPN、Fishing Net、HDMapNet。
• Transformers：使用基于自注意力的Transformer對(duì)視圖轉(zhuǎn)換進(jìn)行建模。或者更具體地說，基于 cross-attention 的 transformer 模塊。自 2020 年年中以來，并且至少到 2021 年底，Transformers 席卷了Computer Vision領(lǐng)域，這一趨勢(shì)開始顯示出最初attention。

在這篇評(píng)論博文中，我將重點(diǎn)關(guān)注最新的趨勢(shì)——使用 Transformers 進(jìn)行視圖轉(zhuǎn)換。

View transformation with Transformers

Transformers 的一般架構(gòu)大家了解的一般也比較多了，因此我們?cè)诖瞬辉僦攸c(diǎn)介紹。由于global的attention機(jī)制，Transformers 更適合執(zhí)行view轉(zhuǎn)換的工作。目標(biāo)的domain中的每個(gè)位置都具有相同的距離來訪問源域中的任何位置，克服了 CNN 中卷積層局部受限的receptive fields。

Cross-attention vs self-attention

視覺Transformer是一種基于自注意力機(jī)制的神經(jīng)網(wǎng)絡(luò)模型，被廣泛用于計(jì)算機(jī)視覺領(lǐng)域中的圖像處理任務(wù)。與傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)(CNNs)不同，視覺Transformer在不使用卷積操作的情況下對(duì)圖像進(jìn)行處理。

視覺Transformer模型由多個(gè)層次組成，每個(gè)層次都包括多頭自注意力模塊和前饋神經(jīng)網(wǎng)絡(luò)模塊。自注意力模塊是模型的核心組件，它能夠自適應(yīng)地關(guān)注輸入的不同區(qū)域，并學(xué)習(xí)到區(qū)域之間的關(guān)系。前饋神經(jīng)網(wǎng)絡(luò)模塊則用于對(duì)每個(gè)位置的特征進(jìn)行非線性變換和擴(kuò)展。

與傳統(tǒng)的CNNs相比，視覺Transformer具有以下幾個(gè)優(yōu)點(diǎn)：

1. 更好的全局視野：自注意力機(jī)制能夠關(guān)注整個(gè)圖像，而不是像卷積神經(jīng)網(wǎng)絡(luò)一樣只能關(guān)注固定大小的局部區(qū)域。因此，視覺Transformer在處理圖像中的長程依賴性問題時(shí)表現(xiàn)更好。
2. 更好的可解釋性：由于自注意力機(jī)制能夠?qū)Σ煌恢弥g的關(guān)系進(jìn)行建模，因此視覺Transformer模型的特征映射可以被解釋為輸入圖像中的不同部分之間的關(guān)系。這使得模型的預(yù)測(cè)結(jié)果更容易被理解和解釋。
3. 更好的靈活性：視覺Transformer模型可以適用于不同大小的輸入圖像，而不像卷積神經(jīng)網(wǎng)絡(luò)那樣需要預(yù)定義的固定大小的卷積核。這使得視覺Transformer更適合處理尺寸不一的圖像數(shù)據(jù)，如遙感圖像和醫(yī)學(xué)圖像等。

目前，視覺Transformer已被應(yīng)用于多個(gè)計(jì)算機(jī)視覺任務(wù)，如圖像分類、目標(biāo)檢測(cè)和圖像分割等。在許多任務(wù)中，視覺Transformer已經(jīng)取得了與或超過傳統(tǒng)CNNs的性能，并成為了計(jì)算機(jī)視覺領(lǐng)域中的研究熱點(diǎn)之一。

Cross-attention is all you need

CV 中 Transformers 的許多最新進(jìn)展實(shí)際上只利用了 self-attention 機(jī)制，例如被大量引用的 ViT（[An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale]（https :///abs/2010.11929), ICLR 2021) 或 Swin Transformer (Hierarchical Vision Transformer using Shifted Windows, Arxiv 2021/03）。它們充當(dāng)對(duì)骨干特征提取器的增強(qiáng)。然而，考慮到在大規(guī)模生產(chǎn)車輛上典型的資源受限嵌入式系統(tǒng)中部署通用 Transformer 架構(gòu)的困難，self-attention 相對(duì)于得到良好支持的 CNN 的增量收益可能很難證明是合理的。在我們看到 self-attention 在 CNN 上的一些突破性優(yōu)勢(shì)之前，將 CNN 用于工業(yè)應(yīng)用（例如量產(chǎn)自動(dòng)駕駛）將是一個(gè)明智的選擇。

另一方面，交叉注意力有更可靠的案例。將交叉注意力應(yīng)用于計(jì)算機(jī)視覺的一項(xiàng)開創(chuàng)性研究是 DETR（End-to-End Object Detection with Transformers，ECCV 2020）。DETR 最具創(chuàng)新性的部分之一是基于稱為對(duì)象查詢的固定數(shù)量槽的交叉注意解碼器。不同于原始的 Transformer 論文，其中每個(gè)查詢被一個(gè)接一個(gè)地輸入解碼器（自動(dòng)回歸），這些查詢被并行（同時(shí)）輸入到 DETR 解碼器中。查詢的內(nèi)容也是學(xué)習(xí)的，在訓(xùn)練前不必指定，除了查詢的數(shù)量。這些查詢可以看作是一個(gè)空白的、預(yù)先分配的模板來保存對(duì)象檢測(cè)結(jié)果，交叉注意力解碼器負(fù)責(zé)填充空白。

如上圖所示，DETR 的 Cross-Attention Decoder 部分可以看作是一個(gè)跨域生成器 (source)

這激發(fā)了使用交叉注意力解碼器進(jìn)行視圖轉(zhuǎn)換的想法。輸入視圖被送入特征編碼器（基于自注意力或基于 CNN），編碼后的特征作為 K 和 V。目標(biāo)視圖格式的Q可以學(xué)習(xí)，只需要光柵化為Q 的值可以與網(wǎng)絡(luò)的其余部分一起學(xué)習(xí)。

在接下來的介紹中，我們將回顧這方面的一些最相關(guān)的工作。

PYVA (CVPR 2021)

PYVA (Projecting Your View Attentively: Monocular Road Scene Layout Estimation via Cross-view Transformation, CVPR 2021) 是第一個(gè)明確提到交叉注意解碼器可用于視圖轉(zhuǎn)換以將圖像特征提升到 BEV 空間的人之一。與早期的單目 BEV 感知工作類似，PYVA 對(duì)轉(zhuǎn)換后的 BEV 特征執(zhí)行道路布局和車輛分割。

PYVA 首先使用 MLP 將透視空間中的圖像特征 X 提升到（聲稱的）BEV 空間中的 X'。第二個(gè) MLP 將 X' 映射回圖像空間 X''，并使用 X 和 X'' 之間的循環(huán)一致性損失來確保此映射過程保留盡可能多的相關(guān)信息。PYVA使用的Transformer是一個(gè)cross-attention模塊，query Q映射到BEV空間中的BEV特征X'，V和K都是透視空間中的輸入X（如果我們忽略兩者的區(qū)別 X 和 X”在透視空間中）。請(qǐng)注意，在 BEV 空間中沒有對(duì) X' 的顯式監(jiān)督，并且在 BEV 空間中受到下游任務(wù)損失的隱式監(jiān)督。在 PYVA 中，似乎是 MLP 完成了 View Transform 的繁重提升，而在 BEV 中交叉注意力被用來增強(qiáng)提升的特征。然而，由于在 BEV 空間中沒有對(duì)生成的查詢的明確監(jiān)督，從技術(shù)上講，很難將這兩個(gè)組件的貢獻(xiàn)分開。對(duì)此進(jìn)行消融研究有助于澄清這一點(diǎn)。

NEAT (ICCV 2021)

NEAT (Neural Attention Fields for End-to-End Autonomous Driving, ICCV 2021) 在使用基于 MLP 的迭代注意力將圖像特征提升到 BEV 空間之前，使用 Transformers 增強(qiáng)圖像特征空間中的特征。本文的目標(biāo)是可解釋的、高性能的、端到端的自動(dòng)駕駛，但我們?cè)谶@里只關(guān)注可解釋的中間 BEV 表示的生成。

如上圖所示NEAT的結(jié)構(gòu)。Encoder 塊中使用的 Transformer 是基于自注意力的。作者還承認(rèn)，“可以在不改變輸出維度的情況下從我們的編碼器中移除轉(zhuǎn)換器，但我們將其包括在內(nèi)，因?yàn)樗鶕?jù)我們的消融研究提供了改進(jìn)”。正如我們上面所討論的，配備自注意力模塊的編碼器可以被視為一個(gè)美化的主干，它不是本研究的重點(diǎn)。

最有趣的部分發(fā)生在神經(jīng)注意域 (NEAT) 模塊中。對(duì)于給定的輸出位置（x，y），MLP用于將輸出位置和圖像特征作為輸入，生成與輸入特征圖像具有相同空間維度的注意力圖。然后使用注意力圖對(duì)原始圖像特征進(jìn)行點(diǎn)積，以生成給定輸出位置的目標(biāo) BEV 特征。如果我們遍歷所有可能的 BEV 網(wǎng)格位置，那么我們可以將 NEAT 模塊的輸出平鋪到 BEV 特征圖。

這個(gè) NEAT 模塊與交叉注意力機(jī)制非常相似。主要區(qū)別在于 Q 和 K 之間的相似性測(cè)量步驟被 MLP 取代。我們?cè)谶@里忽略了其他一些次要細(xì)節(jié)，例如 Softmax 操作和值 V 的線性投影。在數(shù)學(xué)上，我們有以下用于 MLP、交叉注意力和 NEAT 的公式。

Decoder部分還使用 MLP 生成查詢位置 (x, y) 的所需語義。如果我們將 NEAT 輸出平鋪到 BEV 特征圖中，MLP 將特定位置的特征和位置坐標(biāo)作為輸入，相當(dāng)于在 BEV 特征圖上進(jìn)行 1x1 卷積，將 (x, y) 連接到特征圖 . 此操作與 CoordConv(NeurIPS 2018) 非常相似。這是將 BEV 特征圖用于下游 BEV 感知任務(wù)的相當(dāng)標(biāo)準(zhǔn)的做法。我們甚至可以超越 1x1 卷積，通過堆疊 3x3 卷積進(jìn)一步提高性能，以增加 BEV 空間中的感受野。

總之，NEAT 使用交叉注意的變體（MLP 來代替相似性測(cè)量）將相機(jī)圖像提升到 BEV 空間。

STSU (ICCV 2021)

STSU (Structured Bird’s-Eye-View Traffic Scene Understanding from Onboard Images, ICCV 2021) 遵循 DETR 的做法，使用稀疏查詢進(jìn)行對(duì)象檢測(cè)。STSU 不僅可以檢測(cè)動(dòng)態(tài)物體，還可以檢測(cè)靜態(tài)道路布局。由于作者相同，本文follow了 BEV Feature Stitching 。

STSU 使用兩組查詢向量，一組用于中心線，一組用于對(duì)象。最有趣的是它對(duì)結(jié)構(gòu)化道路布局的預(yù)測(cè)。車道分支包括幾個(gè)預(yù)測(cè)頭。

• 檢測(cè)的head來預(yù)測(cè)是否存在由某個(gè)查詢向量編碼的車道。
• 控制的head來預(yù)測(cè) R 貝塞爾曲線 控制點(diǎn)的位置。
• 關(guān)聯(lián)的head來預(yù)測(cè)用于聚類的嵌入向量。
• 關(guān)聯(lián)分類器接受2個(gè)嵌入向量并判斷中心線對(duì)是否關(guān)聯(lián)。

貝塞爾曲線非常適合中心線，因?yàn)樗试S我們使用固定數(shù)量的 2D 點(diǎn)對(duì)任意長度的曲線進(jìn)行建模。這也是這份工作取得如此大成就的原因之一。

DETR3D (CoRL 2021)

DETR3D (3D Object Detection from Multi-view Images via 3D-to-2D Queries, CoRL 2021) 遵循 DETR 的做法，也使用稀疏查詢進(jìn)行對(duì)象檢測(cè)。與 STSU 類似，但 DETR3D 側(cè)重于動(dòng)態(tài)對(duì)象。查詢?cè)?BEV 空間中，它們使 DETR3D 能夠直接在 BEV 空間中操作預(yù)測(cè)，而不是對(duì)圖像特征進(jìn)行密集轉(zhuǎn)換。

BEV 感知優(yōu)于 mono3D 的一個(gè)優(yōu)勢(shì)是在相機(jī)重疊區(qū)域，在該區(qū)域中，對(duì)象更有可能被相機(jī)視野裁剪。Mono3D 方法必須根據(jù)來自每個(gè)攝像機(jī)視點(diǎn)的有限信息來預(yù)測(cè)每個(gè)攝像機(jī)中的裁剪對(duì)象，并依靠全局 NMS 來抑制冗余框。DETR3D 專門評(píng)估了圖像邊界處的此類裁剪對(duì)象（約占整個(gè)數(shù)據(jù)集的 9%），發(fā)現(xiàn) DETR3D 比 mono3D 方法有顯著改進(jìn)。Tesla AI Day 也報(bào)道了這一點(diǎn)。

DETR3D 使用多種技巧來提高性能。首先是對(duì)象查詢的迭代細(xì)化。本質(zhì)上，BEV 中的 bbox 中心預(yù)測(cè)被重新投影回具有相機(jī)變換矩陣（內(nèi)部和外部）的圖像，并且對(duì)多相機(jī)圖像特征進(jìn)行采樣和集成以優(yōu)化查詢。這個(gè)過程可以重復(fù)多次以提高性能。第二個(gè)技巧是使用預(yù)訓(xùn)練的 mono3D 網(wǎng)絡(luò)主干來提高性能。對(duì)于基于 Transformers 的 BEV 感知網(wǎng)絡(luò)，初始化似乎非常重要。

Translating Images into Maps (CVPR 2022)

Translating Images into Maps 注意到，無論圖像像素的深度如何，圖像中的垂直掃描線（圖像列）與穿過 BEV 圖中相機(jī)位置的極光之間存在 1–1 的對(duì)應(yīng)關(guān)系。這類似于 OFT (BMVC 2019) 和 PyrOccNet (CVPR 2020) 的想法，其中 沿投射回 3D 空間的射線在像素位置涂抹特征。

在列方向使用axial cross-attention Transformer，在行方向使用卷積，顯著節(jié)省了計(jì)算量。

Tesla的方法

在 2021 年的 Tesla AI Day 上，Tesla 揭示了為 Tesla FSD 提供動(dòng)力的神經(jīng)網(wǎng)絡(luò)的許多復(fù)雜內(nèi)部工作原理。最有趣的構(gòu)建塊之一是一個(gè)被稱為“圖像到 BEV 變換 + 多相機(jī)融合”的構(gòu)建塊。這個(gè)塊的中心是一個(gè) Transformer 模塊，或者更具體地說，是一個(gè) cross-attention 模塊。

雖然特斯拉提到他們用的是multi-headed self-attention，但是他描述的很明顯是一個(gè)cross-attention機(jī)制，而且他slides右邊的圖表也指向了原來的cross-attention block。

這個(gè)視圖轉(zhuǎn)換中最有趣的部分是 BEV 空間中的查詢。它是從 BEV 空間中的柵格（空白、預(yù)分配模板，如 DETR 中）生成的，并與位置編碼 (PE) 連接。還有一個(gè) Context Summary 與位置編碼拼貼。該圖沒有顯示上下文摘要是如何生成和與位置編碼一起使用的細(xì)節(jié)，但我認(rèn)為有一個(gè)全局池可以折疊透視空間中的所有空間信息，還有一個(gè)平鋪操作可以將這個(gè) 1x1 張量平鋪在預(yù)定義的BEV 網(wǎng)格。

Transformers和MLP的對(duì)比

在BEV任務(wù)中，Transformer和MLP是兩種常用的網(wǎng)絡(luò)結(jié)構(gòu)。它們都可以用于實(shí)現(xiàn)對(duì)BEV圖像的處理和特征提取，但具有不同的特點(diǎn)和適用場(chǎng)景。

Transformer是一種基于自注意力機(jī)制的網(wǎng)絡(luò)結(jié)構(gòu)，旨在處理序列數(shù)據(jù)，其主要優(yōu)點(diǎn)是能夠根據(jù)輸入數(shù)據(jù)的內(nèi)部關(guān)系來計(jì)算其特征表示。因此它非常適合處理具有明顯空間結(jié)構(gòu)的BEV圖像數(shù)據(jù)。Transformer模型通常由多個(gè)encoder和decoder模塊組成，每個(gè)模塊都包含了多頭自注意力和前向神經(jīng)網(wǎng)絡(luò)等子模塊，可以對(duì)輸入數(shù)據(jù)進(jìn)行有效地編碼和解碼。此外，Transformer還具有較高的并行性，能夠處理大規(guī)模的數(shù)據(jù)集。

MLP是多層感知機(jī)的縮寫，通常用于處理結(jié)構(gòu)化數(shù)據(jù)和圖像數(shù)據(jù)。它通過一系列全連接層對(duì)輸入數(shù)據(jù)進(jìn)行非線性變換和處理，從而得到高層次的特征表示。相比之下，MLP的結(jié)構(gòu)比較簡單，但通常具有更高的表達(dá)能力。在BEV圖像處理任務(wù)中，MLP可以作為特征提取器，從BEV圖像中提取出關(guān)鍵的特征，同時(shí)還可以與其他結(jié)構(gòu)（例如卷積層）結(jié)合使用，以更好地適應(yīng)不同的任務(wù)需求。

總的來說，Transformer適用于處理具有明顯空間結(jié)構(gòu)的BEV圖像數(shù)據(jù)，而MLP適用于提取高層次特征并與其他結(jié)構(gòu)組合使用以適應(yīng)不同的任務(wù)需求。

對(duì)于BEV的展望

隨著自動(dòng)駕駛技術(shù)的發(fā)展和普及，BEV（Bird's Eye View）將會(huì)變得越來越重要。BEV在自動(dòng)駕駛中的應(yīng)用將會(huì)越來越廣泛，成為一個(gè)核心技術(shù)之一。通過BEV，車輛可以全方位地觀察周圍環(huán)境，更為精準(zhǔn)地規(guī)劃路線和行駛路徑，并最終實(shí)現(xiàn)高度自動(dòng)駕駛。同時(shí)，其精度和分辨率將會(huì)得到進(jìn)一步提高。通過不斷地改進(jìn)計(jì)算機(jī)視覺技術(shù)、圖像判斷技術(shù)和深度學(xué)習(xí)算法，BEV技術(shù)將會(huì)更加精細(xì)和高分辨，能夠提取更多的環(huán)境信息和細(xì)節(jié)。進(jìn)一步的， BEV的智能的解析和理解將會(huì)得到更好的支持。隨著自動(dòng)駕駛技術(shù)的發(fā)展，系統(tǒng)對(duì)于環(huán)境信息的解析和理解能力需要不斷提高。未來的BEV技術(shù)將會(huì)結(jié)合更多的智能科技，比如機(jī)器學(xué)習(xí)、人工智能等，以更好地理解和識(shí)別環(huán)境中的各種物體和障礙物。BEV技術(shù)的應(yīng)用場(chǎng)景將會(huì)越來越多樣化。BEV技術(shù)不僅可以應(yīng)用于自動(dòng)駕駛，還可以廣泛應(yīng)用于交通管制、城市管理、路況監(jiān)控等領(lǐng)域。例如，在城市管理中，BEV技術(shù)可以用來監(jiān)控城市道路建設(shè)和交通擁堵情況，為城市規(guī)劃和交通調(diào)控提供數(shù)據(jù)支持。