本文系统梳理了CenterPoint 3D目标检测模型的结构设计及其在地平线工具链中的实现。该模型采用anchor-free、center-based方法，在BEV平面上预测目标中心点并回归几何属性。文章详细解析了Head设计与box语义的绑定关系、训练与推理阶段的维度差异，以及部署模式下的输入输出语义约束。通过nuScenes到KITTI的配置修改示例，说明了模型应用级改造需要同步调整Head、

本文系统梳理了CenterPoint 3D目标检测模型的结构设计及其在地平线工具链中的实现。该模型采用anchor-free、center-based方法，在BEV平面上预测目标中心点并回归几何属性。文章详细解析了Head设计与box语义的绑定关系、训练与推理阶段的维度差异，以及部署模式下的输入输出语义约束。通过nuScenes到KITTI的配置修改示例，说明了模型应用级改造需要同步调整Head、

本文系统梳理了自动驾驶感知算法从2D图像识别到BEV世界建模的演进历程。早期2D感知仅能识别物体类别，缺乏真实几何理解；LiDAR-first路线引入三维信息但语义不足。

本文探讨了模型量化校准过程中单batch与多batch校准结果不一致的现象。

由于Resizer输入的模型其stride以及valid_shape均为动态，且模型性能与roi参数相关，需要用户提供真实的推理数据和roi信息。当前argmax节点的输出结构由于reshape在cast之后（如下图所示），因此无法直接通过remove_io_op删除cast，建议用户依据执行argmax操作维度的尺寸，在torch模型中将输出的index cast到对应数据类型再导出onnx/.

由于Resizer输入的模型其stride以及valid_shape均为动态，且模型性能与roi参数相关，需要用户提供真实的推理数据和roi信息。当前argmax节点的输出结构由于reshape在cast之后（如下图所示），因此无法直接通过remove_io_op删除cast，建议用户依据执行argmax操作维度的尺寸，在torch模型中将输出的index cast到对应数据类型再导出onnx/.

文章探讨了多阶段模型量化部署中，因数据分布差异导致一阶段量化模型泛化性下降的问题，并提出了两种优化方案及代码实践。

SparseBevFusionMultitaskOE是地平线征程6上的BEV多任务感知参考算法，包含动态检测、静态要素和占用格预测三个头。文章介绍了其模型结构、训练量化策略及部署优化建议。

SparseBevFusionMultitaskOE是地平线征程6上的BEV多任务感知参考算法，包含动态检测、静态要素和占用格预测三个头。文章介绍了其模型结构、训练量化策略及部署优化建议。

至此，BEVFormer中的Encoder和Decoder部分的逐行代码解析就完成了，如果后续有需求也可以再出一期关于解析Loss计算的文档，这部分比较基础，有兴趣的同学也可以先结合源码自学。