正常自动驾驶融合摄像机图案时，会先对每个摄像头的图像预测一个距离，单目直接算深度很难且容易出错，如果先做2D检测再拼就无法端到端优化。本文尝试不用 LiDAR 的同时不显式预测深度的情况得到 BEV 特征图，分为三步：Lift Splat Shoot。

Lift：对每个图像进行单独处理，将每个图片从二维升维到三维坐标系。在单目目标检测中，一般需要先将深度转换为参考坐标系坐标，在 LSS 中则是直接为每个像素生成所有可能深度的表示。对每个像素的输出就是 $c \alpha_d$，即语义特征向量和深度概率的外积。

Splat：通过每个像素的 2D 坐标值和深度，以及相机的内参和外参，计算像素在车身坐标系中的 3D 坐标，忽略掉高度，计算出它属于哪个 BEV 网格单元，然后把该像素的特征加入进去。

Shoot：用 Splat 中得到的 BEV 特征图再接入一个卷积网络，来产生需要的输出。