arXiv cs.AI· Rohit Verma, Anand V Bodas·· 9 天前AI 评分27
BEVPIPE：用可移植 GPU 计算部署 BEV 感知管线，解决算子不匹配问题
The Operator Mismatch Problem: Deploying BEV Perception with Portable GPU Compute
AI 导读
BEVPIPE 是一个用可移植 GPU 计算 API 部署多模态 BEV 感知管线并接入生产推理运行时的框架，通过将模型拆分为运行时管理的稠密子图与体素化器、稀疏编码器、BEV 投影器三个外部算子扩展，并以共享 GPU 内存空间连接，实现相比传统部署 19.5 倍的端到端加速，同时保留 98.5% 的参考 mAP，并可跨不同 GPU 后端移植。
正文 · AI 翻译
摘要：现代自动驾驶系统依赖鸟瞰图（BEV）感知模型，这些模型融合摄像头和 LiDAR 输入以在 3D 空间中检测物体。这些模型很准确，但无法通过标准推理运行时部署。原因在于稠密卷积（运行时能很好处理）、稀疏 3D 卷积（运行时无法表示）和几何散射操作（运行时没有对应词汇）之间的算子不匹配。如今，每个稀疏卷积库都仅支持 CUDA 且与 PyTorch 耦合，将 BEV 部署锁定在单一厂商的硬件和单一执行框架上。
我们提出 BEVPIPE，一个使用可移植 GPU 计算 API 部署多模态 BEV 感知流水线并将其与生产推理运行时集成的框架。BEVPIPE 将模型划分为运行时管理的稠密子图和三个外部算子扩展（体素化器、稀疏编码器、BEV 投影器），通过共享 GPU 内存空间连接。BEVPIPE 相比传统部署实现了 19.5 倍的端到端加速，同时保留了 98.5% 的参考 mAP。我们还展示了 BEVPIPE 可跨不同 GPU 后端移植。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.11504 [cs.AI] |
| （或 arXiv:2610.11504v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.11504 arXiv 颁发的 DOI 经由 DataCite（待注册） |
提交历史
来自：Rohit Verma [查看电子邮件]
[v1]
2026 年 10 月 8 日星期四 08:42:45 UTC（57 KB）
来源：arXiv cs.AI · arxiv.org