最大的挑战是精度，相比于高精地图，BEV语义地图的精度是略有不足的，而传统智能驾驶算法架构中，下游的规控任务都依赖高精地图提供精确的drive line，当面对上游给个“不那么精确”或者“大方向上正确”的语义地图时，要保证通过率，下游的规控逻辑也需要相应地调整。
不过，并不是说地图就完全不需要了，地图毕竟是超视距传感器，对于提前预知下个路口的道路拓扑结构还是很有帮助的。追势科技的城市记忆领航辅助中，也只有当特定路线的语义地图成熟、完整时，才可以启用记忆领航功能。
只是可能以后地图的精度不需要像现在的高精地图一样那么高了，有专家表示“可能未来导航地图上加一些语义信息就可以满足要求了”
4、BEV模型和数据的通用性
不同的量产车型中，摄像头的数量、安装位置和具体参数存在较大的差异，使用传统后融合策略时，这些定制化的传感器适配带来了巨大的工作量。
那么，在BEV空间进行中融合时，是否会有差异呢？
一方面，在适配不同车型时，是否和传统的后融合有差异呢？
另一方面，从不同量产车型回传回来的数据，是否能够用于持续迭代统一的BEV感知模型呢？
5、如何适配不同车型
由于传统后融合太依赖人工后处理规则，在传感器适配时，有诸多的无比痛苦的定制化工作，可能安装位置或者视角稍微调整一下，就需要花大量的时间适配。
与后融合方案相比，BEV感知模型由于少了很多人工规则，通用能力要出色得多，虽然也需要做一些适配，但是整体工作量还是要少地多。
“换一个新车型，相机安装位置变了，这时候需要把相机重新标定一下，再采集数据训练一下，”一位行业专家说道。
为了提升BEV模型的泛化能力，一般可以通过预先设置 结构化参数来适配不同车型（比如安装高度、安装位置、角度等），这样就可以在模型训练时排除相机内外参的影响。
不过也有一些模型，如BEVerse等，尝试把相机的内外参作为信号输入，直接给到模型进行训练，让神经网络自己去学着利用这些信息做适配，这样适配会更加方便，不过这也对BEV网络架构的设计提出了更高的要求。
6、回传数据的通用性
业内专家普遍认为，不同车型上的摄像头虽然可能位置、数量不同，但回传回来的数据（如图像、视频流）转换到BEV空间后，都可以很方便地用于训练BEV模型。
只是考虑到位置差异，在使用车端摄像头数据时，需要对多摄像头的重合部分做一下处理。
其实环视摄像头的视野重合部分并不多，前向多个不同FOV的摄像头会有较多重合部分。
要处理这种重合部分，可以采用拼接技术。每一张图像都有自己的特征点，数据采集后，先根据图像的特征点，对特征点相似的图像进行特征匹配（图像匹配），从而找到邻接图并将相邻的图像拼接在一起（图像拼接），然后就对特征相同的不同分辨率的图像进行融合（图像融合）。完成图像融合后，只需要把相邻帧图进行拼接成视频（视频融合），整个过程就完成了。
