BEV空间内进行特征级融合具有如下优势：
1.跨摄摄像头融合和多模融合更易实现
2.时序融合更易实现
3.可“脑补”出遮挡区域的目标
4.更方便端到端做优化
在高等级智能驾驶领域，除了特斯拉和mobileye走的是纯视觉技术路线外，其他大多数玩家走的还是多传感器融合的技术路线。
多传感器融合方案，一方面能够充分利用不同工作原理的传感器，提升对不同场景下的整体感知精度，另一方面，也可以在某种传感器出现失效时，其他传感器可以作为冗余备份。
目前多传感器融合方案，主要有后融合（目标级融合）、前融合（数据级融合）和中融合（特征级融合）三种。
1
多传感器融合方案
1、传感器后融合（目标级融合）
所谓后融合，是指各传感器针对目标物体单独进行深度学习模型推理，从而各自输出带有传感器自身属性的结果，并在决策层进行融合，这也是当前的主流方案。
其优势是不同的传感器都独立进行目标识别，解耦性好，且各传感器可以互为冗余备份。
对于Tier 1而言，后融合方案便于做标准的模块化开发，把接口封装好，提供给主机厂“即插即用”。
对于主机厂来说，后融合算法比较简单，每种传感器的识别结果输入到融合模块，融合模块对各传感器在不同场景下的识别结果，设置不同的置信度，最终根据融合策略进行决策。
不过后融合也有缺点，最大的问题就是，各自传感器经过目标识别再进行融合时，中间损失了很多有效信息，影响了感知精度，而且最终的融合算法，仍然是一种基于规则的方法，要根据先验知识来设定传感器的置信度，局限性很明显。
目标级融合 （后融合）原理示意图
2、传感器前融合（数据级融合）
所谓前融合，是指把各传感器的数据采集后，经过数据同步后，对这些原始数据进行融合。
多传感器数据级融合（前融合）原理示意图
其优势是可以从整体上来处理信息，让数据更早做融合，从而让数据更有关联性，比如把激光雷达的点云数据和摄像头的像素级数据进行融合，数据的损失也比较少。
不过其挑战也很明显，因为视觉数据和激光雷达点云数据是异构数据，其坐标系不同，视觉数据是2D图像空间，而激光雷达点云是3D空间，在进行融合时，只能在图像空间里把点云放进去，给图像提供深度信息，或者在点云坐标系里，通过给点云染色或做特征渲染，而让点云具有更丰富的语义信息。
