引言当 BEV 走到工程拐点在 BEV 路线逐渐成为智能驾驶感知主流之后一个现实问题开始变得无法回避BEV 在方法论上是正确的但以 Dense BEV 为核心的实现方式并不天然适合长期运行在真实系统中。无论是 BEVFormer 还是 BEVFusion它们都隐含着一个共同前提——对整个 BEV 平面进行高分辨率、全量、持续的建模。这种设计在学术评测中表现出色却在计算复杂度、时序稳定性和系统可维护性上不断累积压力。Sparse4D 正是在这一背景下出现的。它并没有否定 BEV 的价值而是试图回答一个更根本的问题自动驾驶系统究竟需要理解怎样的“世界”一、Dense BEV 的隐性前提世界是均匀而重要的Dense BEV 方法的设计逻辑本质上继承了经典栅格化建模的思想。整个驾驶场景被划分为规则、均匀的 BEV 网格每一个空间单元都被视为同等重要的建模对象。无论该区域是否存在交通参与者、是否会影响当前决策模型都会为其分配计算资源生成特征并参与后续推理。这种假设在静态地图构建或环境重建任务中是合理的因为目标本身就是“完整还原空间”。但在动态驾驶场景中这一前提开始显得不合时宜。绝大多数时间里BEV 平面上的大部分区域是空的、不发生变化的也不直接参与车辆的决策过程。Dense BEV 却仍然要求模型持续、等价地关注这些区域这使得计算成本和建模负担不可避免地随 BEV 分辨率和时间长度增长。二、当表示方式成为瓶颈Dense BEV 的问题并不体现在某一个算子或某一个模块上而是体现在整个系统的增长趋势上。为了提升感知精度研究者往往需要提高 BEV 的空间分辨率、引入更长的时序窗口或使用更复杂的全局建模机制。然而这些改进几乎都会直接转化为计算复杂度和显存占用的指数式增长。在这一过程中模型并不是“算得不够聪明”而是“算了太多不必要的东西”。当表示方式本身要求模型对整个空间进行全量建模时任何性能瓶颈都很难通过局部优化来解决。Dense BEV 的困境实际上是表示选择先于模型能力成为系统瓶颈的典型例子。三、Sparse4D 的核心判断世界不是空间而是对象Sparse4D 的出发点并不复杂但它切中了问题的本质。自动驾驶系统真正关心的并不是空间本身而是空间中那些会与车辆发生交互的实体。这些实体具有明确的语义边界、持续的时间演化以及对决策至关重要的状态变化。在绝大多数真实驾驶场景中可交互对象的数量是有限且稀疏的。道路、天空、空旷区域并不会频繁改变系统的行为而车辆、行人、自行车等对象才是决策的核心。Sparse4D 正是基于这一观察将建模的基本单位从“空间位置”转移到了“潜在目标”从而彻底改变了 BEV 的建模重心。四、从 Space-centric 到 Object-centric 的转变在 Dense BEV 中模型围绕空间展开建模目标只是空间语义的一种体现而在 Sparse4D 中空间退居为对象存在的背景建模的核心变成了对象本身。这种转变并不是简单的稀疏化处理而是对感知任务本质的一次重构。当模型以对象为中心进行建模时计算资源自然集中在有限数量的关键实体上而不再被均匀地分摊到整个 BEV 平面。模型关注的重点不再是“某个位置是什么”而是“某个对象在哪里、正在做什么、将如何变化”。这种建模方式与跟踪、预测等下游任务在语义上高度一致使得感知结果更容易被系统整体吸收和利用。五、时间维度Sparse4D 中真正的第四维Sparse4D 中的“4D”并不仅仅意味着在 BEV 中引入时间作为一个附加维度而是意味着时间被提升为建模的核心轴线之一。在 Dense BEV 方法中时间往往通过多帧特征堆叠或 temporal attention 的形式引入其主要作用是缓解单帧感知的不稳定性。而在 Sparse4D 中时间是围绕对象展开的连续过程。对象在不同时间步之间被显式关联其状态随时间持续演化。历史信息不再只是辅助当前帧的补充而是构成对象当前状态的重要组成部分。这种设计使得 Sparse4D 更接近一种持续状态估计系统而非逐帧重建世界的感知模型。六、Sparse4D 的克制重新定义“足够理解世界”Sparse4D 并不试图构建一个在任意时刻都完整、精细、全覆盖的 BEV 世界图景。它主动接受这样一个事实在自动驾驶系统中并非所有空间区域都需要被等价地理解也并非所有位置都需要具备清晰、稳定的语义解释。对于那些长期为空、短期内不影响决策的区域Sparse4D 选择不投入过多建模能力而是将有限的计算资源集中用于理解关键对象的状态与演化。这种取舍意味着模型不再保证全局 BEV 语义的一致性也不强调任意空间位置的可解释性。但换来的是在时间维度上对关键实体更加稳定、连续的理解以及在系统层面更加可控的复杂度。Sparse4D 所做的并不是能力的简单削减而是对“什么才是驾驶系统真正需要理解的世界”的一次重新定义。七、Sparse4D 在 BEV 演进中的位置从整体演进的角度来看Sparse4D 并不是对 BEVFormer 或 BEVFusion 的否定而是一次方向上的收敛。BEV 的提出解决了世界坐标统一的问题BEVFormer 证明了纯视觉 BEV 的可行性BEVFusion 展示了多模态 BEV 的稳定性而 Sparse4D 则进一步回答了一个更现实的问题BEV 如何在长期运行的系统中保持可持续性。Sparse4D 标志着 BEV 路线从“理论上可以建模整个世界”转向“在系统允许的范围内持续理解关键世界”。结语Sparse4D 不是终点而是拐点Sparse4D 并没有给出一个完美、全面的世界模型它给出的是一个能够长期运行、持续更新、并服务于真实决策系统的答案。它提醒我们在智能驾驶中感知算法的目标并不是最大化对世界的覆盖而是最小化对决策无关信息的依赖。在后续的文章中我们将重新回到 BEVFormer 与 BEVFusion结合 Sparse4D 的视角讨论这些方法在工程化过程中所暴露出的结构性问题以及它们在 BEV 演进路径中的真实位置。