Sparse4D：从 Dense BEV 到工程可落地的世界建模

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。