3D 检测与点云 / 29

BEVFusion

相机与 LiDAR 多传感器融合模型

BEVFusion将相机纹理特征和激光雷达几何特征统一投影到鸟瞰视图空间，再由共享检测头完成三维感知，兼顾两类传感器优势。代表性参数规模为约 50M–150M+（取决于图像/点云骨干），性能定位是融合精度高，传感器完整时环境感知能力强。适合移动机器人感知、多传感器设备和复杂三维环境检测。

PARAMETERS

参考参数与输入输出

代表性参数量约 50M–150M+（取决于图像/点云骨干）

输入同步多相机图像、点云与完整传感器标定

输出鸟瞰视图特征、3D 边界框或 BEV 分割结果

算力与部署多 GPU 训练常见；显存、带宽和预处理要求高

参数量是公开代表性配置或合理范围，不同骨干、类别数、输入尺寸和实现版本会改变结果；详细实施时以选定配置导出的模型信息为准。

PERFORMANCE

融合精度高，传感器完整时环境感知能力强。信息完整度优于纯 CenterPoint，但硬件、标定和算力成本显著更高。网站不使用脱离条件的单一 FPS 或 mAP 数字作为承诺，因为数据集、输入尺寸、精度模式、批量大小、GPU 型号和后处理口径都会显著改变测试结果。

CHARACTERISTICS & USE CASES

MODEL COMPARISON

模型	参考参数规模	速度	精度定位	部署	优先场景
BEVFusion当前	约 50M–150M+（取决于图像/点云骨干）	中低	很高	复杂	移动机器人感知
CenterPoint	约 5M–35M（取决于体素/柱状骨干）	高	很高	较成熟	仓储车辆检测
PointNet	约 3.5M（经典分类配置）	高	中	成熟	整体形状分类
PointNet++	约 1.5M–2M（常见分类配置）	中	高	较成熟	复杂零件分类

表中“速度、精度、部署”为同类别内的定性定位，用于缩小候选范围，不替代同一测试集、同一硬件和同一精度模式下的实测。

SELECTION SUMMARY

BEVFusion适合优先考虑移动机器人感知、多传感器设备、复杂三维环境检测的项目。它的主要价值是统一 BEV 表征便于多模态融合；需要重点评估严格依赖时间同步、内外参标定和坐标统一、训练与部署链路远复杂于单传感器模型。

建议先用企业真实数据建立基线，再统一测试准确率、召回率、误检率、单张延迟、峰值显存和导出兼容性，最后确定模型规模与部署方式。