Recently, perception task based on Bird's-Eye View (BEV) representation has drawn more and more attention, and BEV representation is promising as the foundation for next-generation Autonomous Vehicle (AV) perception. However, most existing BEV solutions either require considerable resources to execute on-vehicle inference or suffer from modest performance. This paper proposes a simple yet effective framework, termed Fast-BEV, which is capable of performing faster BEV perception on the on-vehicle chips. Towards this goal, we first empirically find that the BEV representation can be sufficiently powerful without expensive transformer based transformation nor depth representation. Our Fast-BEV consists of five parts, We innovatively propose (1) a lightweight deploymentfriendly view transformation which fast transfers 2D image feature to 3D voxel space, (2) an multi-scale image encoder which leverages multi-scale information for better performance, (3) an efficient BEV encoder which is particularly designed to speed up on-vehicle inference. We further introduce (4) a strong data augmentation strategy for both image and BEV space to avoid over-fitting, (5) a multiframe feature fusion mechanism to leverage the temporal information. Among them, (1) and (3) enable Fast-BEV to be fast inference and deployment friendly on the on-vehicle chips, (2), (4) and (5) ensure that Fast-BEV has competitive performance. All these make Fast-BEV a solution with high performance, fast inference speed, and deployment-friendly on the on-vehicle chips of autonomous driving. Through experiments, on 2080Ti platform, our R50 model can run 52.6 FPS with 47.3% NDS on the nuScenes validation set, exceeding the 41.3 FPS and 47.5% NDS of the BEVDepth-R50 model [1] and 30.2 FPS and 45.7% NDS of the BEVDet4D-R50 model [2]. Our largest model (R101@900x1600) establishes a competitive 53.5% NDS on the nuScenes validation set. We further develop a benchmark with considerable accuracy and efficiency on current popular on-vehicle chips. The code is released at: https://github.com/Sense-GVT/FastBEV.

The effects of different donors, acceptors and electron bridges on various properties of novel organic electro-optic materials were investigated.

Two innovative second-order nonlinear optical chromophores, designated as B–C, have been synthesized, featuring thiophene-derived donors and a tricyanovinyldihydrofuran bridge as acceptors. These chromophores have undergone comprehensive characterization. Notably, the donor components of chromophores B–C were (methyl(phenyl)amino)thiophene and (4-methoxyphenylamino)thiophene, respectively, in contrast to the diethylamino phenyl unit present in chromophore A. Density functional theory calculations suggested that the first hyperpolarizability of chromophore C, with a (methoxyphenyl amino) thiophene donor, was approximately 60 % higher than that of chromophores A and B. This indicates that merely substituting the benzene ring with thiophene does not significantly enhance the electron-donating ability of the donor. Polymeric thin films doped with 25 wt% of chromophores A-C exhibited r33 values of 39 p.m./V, 46 p.m./V, and 76 p.m./V, respectively. The electro-optic coefficients of chromophores B and C were 18 % and 95 % higher than that of chromophore A, respectively. These findings confirm that thiophene-derived donors, particularly those with multiple heteroatoms, can effectively enhance the electro-optical coefficient of chromophores.