NVIDIA a publié une étude détaillée sur l'optimisation du pooling BEV (Bird's-Eye-View), une opération clé pour les véhicules autonomes et les systèmes d'intelligence artificielle spatiale. Cette technique projette les images de multiples capteurs en une vue top-down unifiée, essentielle pour la détection d'obstacles et la planification. Cependant, le pooling BEV présente souvent des goulets d'étranglement en raison d'accès mémoire irréguliers et de lourdes charges de calcul. Pour y remédier, l'entreprise présente BEVPoolV3, une nouvelle implémentation conçue pour les cartes graphiques NVIDIA. L'approche repose sur quatre améliorations majeures : la réduction des chargements de données redondants, l'utilisation de matrices de dispersion en INT32 alignées, l'anticipation des indices pour supprimer les divisions entières à l'exécution, et l'attribution intervalle par intervalle des écritures de sortie. Ces modifications s'adaptent automatiquement au régime mémoire de la cible. Si l'ensemble de travail tient dans la cache L2, l'optimisation privilégie l'efficacité instructionnelle et le format FP8. Si elle dépasse la capacité de la cache, elle se concentre sur la réduction du trafic mémoire DRAM et l'utilisation du format FP16. Les tests réalisés sur deux plateformes workstation illustrent l'impact de cette méthode. Sur la NVIDIA RTX PRO 6000 Blackwell Max-Q, dotée d'une cache L2 de 128 Mo, BEVPoolV3 en FP8 atteint 16,4 microsecondes, soit un gain de vitesse de près de 17 fois par rapport à la génération précédente, avec des performances pouvant aller jusqu'à 42 fois sur des configurations à large bande passante. Sur la RTX A6000, dont la cache L2 plus réduite impose une gestion mémoire DRAM, la version FP16 atteint 90 microsecondes, offrant un gain compris entre 11 et 22 fois. La validation de ces résultats s'appuie sur Nsight Compute pour identifier le goulot d'étranglement actif et sur un plugin TensorRT garantissant une intégration transparente dans les chaînes d'inférence. Les tests numériques confirment une précision équivalente aux références, avec des écarts inférieurs à 0,0065. L'étude montre également que le format NVFP4, bien que prometteur pour les multiplications matricielles, introduit une surcharge de décodage qui le rend moins efficace que le FP8 pour les charges de travail dispersées. Cette méthodologie s'applique au-delà du pooling BEV, notamment pour les embeddings dispersés, la voxelisation ou les histogrammes. Pour les plateformes edge comme le DRIVE AGX Thor, les améliorations architecturales de BEVPoolV3 restent transférables, bien que le gain du FP8 nécessite un ajustement spécifique. NVIDIA recommande ainsi de profiler d'abord l'opérateur, de classifier son régime mémoire, puis d'appliquer la stratégie d'optimisation adaptée avant le déploiement. Cette démarche offre aux ingénieurs une feuille de route reproductible pour accélérer les applications de réalité physique et de robotique sur l'écosystème graphique NVIDIA.