近期在自动驾驶领域的研究中，广泛采用了鸟瞰图（BEV）语义地图作为世界的一种中间表示形式。在线预测这些BEV地图涉及非平凡的操作，例如多摄像头数据提取以及融合和投影到一个共同的俯视网格中。这通常通过容易出错的几何操作（如单目深度估计的同胚变换或反向投影）或昂贵的图像像素与BEV像素之间的直接密集映射（如使用多层感知机或注意力机制）来实现。在本工作中，我们提出了一种高效的基于编码器-解码器和 Transformer 架构的模型“LaRa”，用于从多个摄像头进行车辆语义分割。我们的方法利用交叉注意力机制系统地聚合来自多个传感器的信息，形成一个紧凑而丰富的潜在表示集合。这些潜在表示经过一系列自注意力模块处理后，再通过第二次交叉注意力在BEV空间中重新投影。我们在nuScenes数据集上展示了我们的模型在使用 Transformer 架构的方法中优于以往最佳的工作。代码和训练好的模型可在https://github.com/valeoai/LaRa 获取。