NOA的实现主要依托感知技术。目前感知主要分为两个部分，一个是特斯拉采用的纯视觉感知，另外一种就是多传感器融合的方案，也是目前国内厂家主要采取的方案。
在多传感器融合的方案中，挑战在于，不同传感器收集到的数据类型、坐标系维度不同。比如，摄像头获得的视觉数据属于2D图像空间，而激光雷达收集到的点云数据则是3D空间。
如何有效地处理与融合这些数据，成为了感知环节必须应对的问题。
★ 前融合、中融合、后融合
目前主要有前融合、中融合、后融合三种方式，主流方案大多为后融合。
后融合：每种传感器都有自己算法，各自处理生成目标数据，当所有的传感器生成目标数据，并且时间同步后，就可进行数据融合。
后融合算法典型结构（信息来源：CSDN）
后融合的优点是解耦性好，且各传感器可以互为冗余备份。但缺点也很明显，由于后融合是基于规则处理的，会受到先验思路（从结果推向过程）限制，并且传感器各自对目标识别后再融合，中间也损失了很多有效信息，对感知精度也会造成影响。
图：前融合算法典型结构（信息来源：CSDN）
前融合，是指把各传感器的数据采集后，经过数据同步，对这些原始数据进行融合。
更早的进行数据融合，降低了数据损失的可能。但由于视觉数据和激光雷达点云数据所处坐标维度不同，所以融合起来难度很大，需要建立精准的雷达坐标系、三维世界坐标系、摄像头坐标系等等，同时对平台算力提出了很高要求。
图：中融合算法典型结构（信息来源：CSDN）
再聊一下中融合。
中融合，也称为特征级融合：先分别从传感器的原始数据中获取有效的特征数据，再将有效特征融合，特征信息包括边缘、方向、速度、形状等。数据损失没后融合那么多，算力消耗也没前融合那么庞杂。
★BEV+Transformer，为数据融合按下快捷按钮
有没有发现，无论是中融合，还是后融合，都需面临一道关卡，那就是异构数据带来的坐标系转换。开发人员为了解决这个问题，往往是将摄像头的2D信息转换为3D。
这也就引进了一种全新的3D坐标系——BEV
鸟瞰视角（Bird''s Eye View，简称BEV）是一种从上方观看对象或场景的视角，就像鸟在空中俯视地面一样。在自动驾驶和机器人领域，通过传感器（如LiDAR和摄像头）获取的数据通常会被转换成BEV来表示，以便更好地进行物体检测、路径规划等任务。