智驾都用BEV/Occ+Transformer而不用SLAM

无图智驾系统在方案选择上倾向于采用BEV（Bird's Eye View）/Occupancy+Transformer的组合，而非传统的SLAM（Simultaneous Localization and Mapping）来构建局部语义地图，这主要基于以下几点原因：

首先，无图智驾系统倾向于构建端到端的智能驾驶模型。在特斯拉等公司的引领下，Transformer+BEV架构逐渐成为主流，这种架构使智驾算法更加接近端到端的模式。这种模式允许系统直接从原始数据中学习驾驶策略，减少对中间环节（如局部语义地图）的依赖。

其次，当前自动驾驶领域正逐渐呈现出一种‘重感知，轻地图’的趋势。这意味着系统不再过分依赖离线高精地图，而是更多地依赖于车辆的实时感知能力。这种趋势降低了对离线地图构建和在线高精定位技术的需求。

再者，高精地图在某些场景下存在局限性，如更新不及时或覆盖范围有限，这会影响依赖高精地图的自动驾驶功能的正常运行。而BEV/Occupancy+Transformer方案则可以通过实时感知来弥补这些不足。

此外，BEV/Occupancy+Transformer方案在计算效率和实时性方面通常具有优势。在复杂多变的交通环境中，实时性对于保障行车安全至关重要。

从成本和复杂性角度来看，传统的SLAM技术需要在车辆上安装额外的传感器，并且需要复杂的算法来处理这些数据。相比之下，BEV/Occupancy+Transformer方案可能更加经济且易于实现。

最后，随着深度学习和人工智能技术的不断发展，BEV/Occupancy+Transformer方案在数据处理和决策制定方面展现出更大的潜力，而SLAM技术在这方面的发展可能相对较慢。

综上所述，无图智驾系统倾向于采用BEV/Occupancy+Transformer方案，这是出于对端到端智能驾驶模型、重感知轻地图趋势、高精地图局限性、计算效率和实时性、成本复杂性以及技术发展等多方面因素的全面考量。