<mark id="zd5d1"></mark>

<em id="zd5d1"><address id="zd5d1"></address></em>

    <dfn id="zd5d1"></dfn><pre id="zd5d1"><listing id="zd5d1"></listing></pre>
    logo
    phone
    科創辦公 商業招商
    0532-88695877

    告別盲人摸象,傳感器融合才是智能社會的標配

    2022-02-09

           導讀: 今天,我們的生活高度依賴傳感器。傳感器作為人類“五感”的延伸,去感知這個世界,甚至可以觀察到人體感知不到的細節,這種能力也是未來智能化社會所必須的。
      
      今天,我們的生活高度依賴傳感器。傳感器作為人類“五感”的延伸,去感知這個世界,甚至可以觀察到人體感知不到的細節,這種能力也是未來智能化社會所必須的。
      
      不過,單個傳感器的性能再卓越,在很多場景中還是無法滿足人們要求。比如汽車中昂貴的激光雷達可以根據生成的點云,判斷出前方有障礙物,但想準確得知這個障礙物是什么,還需要車載攝像頭幫忙“看”一眼;如果想感測這個物體的運動狀態,可能還需要毫米波雷達來助陣。
      
      這個過程就好比我們熟悉的“盲人摸象”,每個傳感器基于自己的特性和專長,只能看到被測對象的某一個方面的特征,而只有將所有特征信息都綜合起來,才能夠形成更為完整而準確的洞察。這種將多個傳感器整合在一起來使用的方法,就是所謂的“傳感器融合”。
      
      對于傳感器融合,一個比較嚴謹的定義是:利用計算機技術將來自多傳感器或多源的信息和數據,在一定的準則下加以自動分析和綜合,以完成所需要的決策和估計而進行的信息處理過程。這些作為數據源的傳感器可以是相同的(同構),也可以是不同的(異構),但它們并不是簡單地堆砌在一起,而是要從數據層面進行深度地融合。
      
      實際上,傳感器融合的例子在我們生活中已經屢見不鮮。歸納起來,使用傳感器融合技術的目的主要有三類:
      
      ●獲得全局性的認知。單獨一個傳感器功能單一或性能不足,加在一起才能完成一個更高階的工作。比如我們熟悉的9軸MEMS運動傳感器單元,實際上就是3軸加速傳感器、3軸陀螺儀和3軸電子羅盤(地磁傳感器)三者的合體,通過這樣的傳感器融合,才能獲得準確的運動感測數據,進而在高端VR或其他應用中為用戶提供逼真的沉浸式體驗。
      
      ●細化探測顆粒度。比如在地理位置的感知上,GPS等衛星定位技術,探測精度在十米左右且在室內無法使用,如果我們能夠將Wi-Fi、藍牙、UWB等局域定位技術結合進來,或者增加MEMS慣性單元,那么對于室內物體的定位和運動監測精度就能實現數量級的提升。
      
      ●實現安全冗余。這方面,自動駕駛是最典型的例子,各個車載傳感器獲取的信息之間必須互為備份、相互印證,才能做到真正的安全無虞。比如當自動駕駛級別提升到L3以上時,就會在車載攝像頭的基礎上引入毫米波雷達,而到了L4和L5,激光雷達基本上就是標配了,甚至還會考慮將通過V2X車聯網收集的數據融合進來。
      
      總之,傳感器融合技術恰似一個“教練”,能夠將性能各異的傳感器捏合成一個團隊,合而為一又相互取長補短,共同去贏得一場比賽。
      
      選定了需要融合的傳感器,怎么融合則是下一步要考慮的問題。傳感器融合的體系結構,按照融合的方式分為三種:
      
      ●集中式:集中式傳感器融合就是將各個傳感器獲得的原始數據,直接送至中央處理器進行融合處理,這樣做的好處是精度高、算法靈活,但是由于需要處理的數據量大,對中央處理器的算力要求更高,還需要考慮到數據傳輸的延遲,實現難度大。
      
      ●分布式:所謂分布式,就是在更靠近傳感器端的地方,先對各個傳感器獲得的原始數據進行初步處理,然后再將結果送入中央處理器進行信息融合計算,得到最終的結果。這種方式對通信帶寬的需求低、計算速度快、可靠性好,但由于會對原始數據進行過濾和處理,會造成部分信息的丟失,因此原理上最終的精度沒有集中式高。
      
      ●混合式:顧名思義,就是將以上兩種方法相結合,部分傳感器采用集中式融合方式,其他的傳感器采用分布式融合方式。由于兼顧了集中式融合和分布式的優點,混合式融合框架適應能力較強,穩定性高,但是整體的系統結構會更復雜,在數據通信和計算處理上會產生額外的成本。
      
      對于傳感器融合方案,還有一種按照數據信息處理階段進行分類的思路。一般來說,數據的處理要經過獲取數據、特征提取、識別決策三個層級,在不同的層級進行信息融合,策略不同,應用場景不同,產生的結果也不同。
      
      按照這種思路,可以將傳感器融合分為數據級融合、特征級融合和決策級融合。
      
      ●數據級融合:就是在多個傳感器采集數據完成后,就對這些數據進行融合。但是數據級融合處理的數據必須是由同一類傳感器采集的,不能處理不同傳感器采集的異構數據。
      
      ●特征級融合:從傳感器所采集的數據中提取出能夠體現監測對象屬性的特征向量,在這個層級上對于監測對象特征做信息融合,就是特征級融合。這種方式之所以可行,是由于部分關鍵的特征信息,可以來代替全部數據信息。
      
      ●決策級融合:在特征提取的基礎上,進行一定的判別、分類,以及簡單的邏輯運算,做出識別判斷,在此基礎上根據應用需求完成信息融合,進行較高級的決策,就是所謂的決策級融合。決策級融合一般都是應用導向的。
      
      如何選擇傳感器融合的策略和架構,沒有一定之規,需要根據具體的實際應用而定,當然也需要綜合算力、通信、安全、成本等方面的要素,做出正確的決策。
      
      不論是采用哪種傳感器融合架構,你可能都會發現,傳感器融合很大程度上是一個軟件工作,主要的重點和難點都在算法上。因此,根據實際應用開發出高效的算法,也就成了傳感器融合開發工作的重中之重。
      
      在優化算法上,人工智能的引入是傳感器融合的一個明顯發展趨勢。通過人工神經網絡,可以模仿人腦的判斷決策過程,并具有持續學習進化的可擴展能力,這無疑為傳感器融合的發展提供了加速度。
      
      雖然軟件很關鍵,但是在傳感器融合過程中,也并非沒有硬件施展拳腳的機會。比如,如果將所有的傳感器融合算法處理都放在主處理器上做,處理器的負荷會非常大,因此近年來一種比較流行的做法是引入傳感器中樞(Sensor Hub),它可以在主處理器之外獨立地處理傳感器的數據,而無需主處理器參與。這樣做,一方面可以減輕主處理器的負荷,另一方面也可以通過減少主處理器工作的時間降低系統功耗,這在可穿戴和物聯網等功耗敏感型應用中,十分必要。
      
      有市場研究數據顯示,對傳感器融合系統的需求將從2017年的26.2億美元增長到2023年的75.8億美元,復合年增長率約為19.4%??梢灶A判,未來傳感器融合技術和應用的發展將呈現出兩個明顯的趨勢:
      
      ●自動駕駛的驅動下,汽車市場將是傳感器融合技術最重要的賽道,并將由此催生出更多的新技術和新方案。
      
      ●此外,應用多元化的趨勢也將加速,除了以往那些對于性能、安全要求較高的應用,在消費電子領域傳感器融合技術將迎來巨大的發展空間。
      
      總之,傳感器融合為我們洞察這個世界提供了更有效的方法,讓我們遠離“盲人摸象”般的尷尬,進而在這個洞察力的基礎上,塑造更智能的未來。
      
      [來源:安富利公司]

    国产成人涩涩涩视频在线观看,亚洲伊人久久综合影院,精品一区二区成人精品_无码