除了车端影子模式获取数据和自建采集车队外，还有一种更高效地获取数据的方法，那就是去年特斯拉AI Day提出来的通过仿真获取数据。
特斯拉AI Day中的仿真介绍
具体可查看如下视频：
https://www.bilibili.com/video/BV1my4y1V7Eg/?vd_source=1f17357e9aa3f01b67f739c3d88ab989
3）优化车端网络架构
除了上述两点外，设计车端模型架构也是非常重要的，架构的好坏也直接决定了网络的效率和功能水平。
不过受访的多位专家也提到，对于BEV感知而言，并不需要一味地提升感知精度，最主要的评价指标还是看能否满足下游的需求。
其实感知精度的要求可以不用那么高，就像人开车一样，对于近处的物体精度高一点就可以，对于远处的物体来说，过于追求精度反而是没有必要的。
一位专注于做视觉的从业者说：“BEV空间内的视觉算法精度在相当一段范围内精度还是非常准的， 基本可以控制在百分之几的误差。 人开车的时候也是如此，前面200米左右有个东西， 它的精确距离是200米还是220米，其实区别并不大。”
3、BEV语义地图有啥用？
在当前高等级智能驾驶系统中，高精地图所提供的语义信息，包括道路拓扑结构、车道线、限速要求等，能够让智能驾驶系统更好地理解现实世界的行车规则，也让很多人认为高精地图是通往高等级智能驾驶的道路上不可或缺的一部分。
不过当前大部分的高精地图，都是使用采集车得到的以点云为主的数据进行标注得来，地图的构建和维护成本都很高。
而HDMapNet、BEVSegFormer、BEVerse等方法，可以基于多摄像头信息，将BEV空间内的车道线、路沿、斑马线等静态目标物，在线生成局部语义地图供下游规控任务使用，大大降低了语义地图的构建和维护成本，从而可能会给行业带来地图构建和更新的新范式。
HDMapNet实时构建局部语义地图的网络模型
当前高速NOA的主流方案，还是依赖高精地图，不过当功能拓展到城区NOA时，目前城市道路尚无高精地图覆盖。
诸多业内专家认为BEV在线构建的语义地图可以一定程度上代替高精地图的作用，在城市NOA中发挥重要作用。
追势科技发布的城市记忆领航功能，也是利用了“单车多次”的记忆模式，利用车端传感器（激光雷达非必要）来实现特定通勤路线的语义地图的构建和更新，从而可以实现上下班这种特定路线的点对点领航辅助功能。
追势科技城市记忆领航功能算法架构
虽然在理论上，方案可行性没有大问题，不过在实际落地中也有不少挑战。
