圖像數據的案例
毫米波雷達和「圖像數據」的融合｜技術解讀篇
個人認為，作為未來的發展方向，融合底層雷達數據和圖像數據的算法至少還需要解決以下問題：
一，坐標統一問題。
雷達 RAD 數據是 BEV 坐標，而圖像數據則是透視坐標，如何將兩種數據映射到統一的坐標系下是設計融合算法的關鍵。有企業將相機圖像映射到 BEV 坐標，但是可以看到轉換后的圖像有很大的畸變，不利于提取物體信息。
另外一種可能是將雷達數據看做稠密的點云，并將其映射到圖像坐標下。
二，數據同質問題。
即使將雷達和圖像數據映射到一個坐標系下，其數據本身也存在著巨大的差異。需要設計不同的網絡結構來對不同質的數據進行處理，使其在統計分布上盡可能的一致。只有這樣，后續的融合才有可能帶來性能的提升。
三，時序對齊問題。
由于不同傳感器的采樣頻率不同，各傳感器的數據之間會有一定的時間差。這會帶來數據的不一致性，尤其是在車輛或目標物體高速運動的情況下。
展開 毫米波雷達和「圖像數據」的融合｜技術解讀篇
因此，毫米波雷達感知算法的研究開始慢慢轉向直接利用深度神經網絡處理雷達的底層數據，比如 Range-Azimuth-Doppler Tensor。
那么，將 RAD 數據與相機圖像數據進行融合，也就自然的成為了新的研究增長點。
將 RAD 數據（極坐標）和圖像數據都轉換到 BEV 坐標（笛卡爾坐標系）下。RAD 其實可以看作極坐標下的多通道圖像，其通道是 Doppler 特征，做完坐標轉換之后就可以看作 BEV 下的多通道的圖像。
同樣的，相機圖像做完坐標轉換后也可以看作 BEV 下的多通道（比如 RGB）圖像。
兩種數據處于同一坐標系下，后續的處理就相對簡單了：比如基于 Concat 的方式將兩種數據在多尺度上進行了融合。
雷達 RAD 數據和圖像數據轉換到笛卡爾坐標系
RAD 數據
和圖像數據的融合網絡
這個方法本身沒有太多可介紹之處，但其中兩個實際應用中的問題值得討論一下：
圖像轉 BEV 坐標時對平坦路面的假設：如果按照美國洲際公路最大 6% 的坡度估算，在雷達的最大可視范圍處會有 8 厘米的誤差。如果這個誤差遠小于所用雷達的距離分辨率，那么可以將其忽略，否則就需要特別考慮。
各個傳感器之間在時序上的對齊：可以采用 LiDAR 數據進行自動標注，因此需要考慮三種傳感器之間的對齊。理論上說，任意時間點的物體標注數據可以通過插值的方式來得到，但是對于雷達和圖像數據就沒辦法這樣做了。以雷達數據為基準，在時間軸上尋找距離其最近的圖像數據。
展開 計算機視覺：你必須了解的圖像數據底層技術
例如，假設我們創建了一個簡單的聚類算法來區分紅玫瑰和其他花朵：
我們將算法設計為計算給定圖像中紅色像素的數量，如果有足夠多的紅色像素（大于300個紅色像素）就被歸類為紅玫瑰。（這個例子里我們只提取了顏色特征）
還有一點需要注意的是，輸入圖像的大小、裁切方式都會影響算法的輸出結果，因此數據預處理非常重要！
作為數據的圖像
圖像中的每一個像素都是一個我們可以改變的數值，比如，我們可以將一個像素乘以一個標量來改變圖像亮度，我們也可以將每個像素值向右移動來改變圖像飽和度等。
將圖像視為數字網格是許多圖像處理技術的基礎。一般來說，色彩與形狀改變都是通過數學運算對圖像進行逐像素變換完成的。
訓練神經網絡
為了訓練神經網絡，我們要提供一組標記過的圖像數據，然后比較這些輸入圖像與計算機預測的輸出標簽或識別的測量值的差異以檢測算法模型的準確率。基于神經網絡的深度學習會監督它所犯的錯誤（誤差），并通過修正它發現的圖像數據間的模式與差異來實現迭代與擬合。
其中，梯度下降法是一種減少神經網絡誤差的數學方法，其中卷積神經網絡是一種特殊類型的神經網絡，通常用于計算機視覺應用。
X =輸入；a = 活化函數；W = 卷積神經網絡中的權重；J = 損失函數；Alpha = 學習率；y = 地面真值；y = 預測；k = 迭代次數
展開 大成建設（Taisei）圖像數據隱私保護與AI開發協同案例解析
隨著AI攝像頭、無人機等視覺采集設備的普及，海量圖像數據在提升生產效率的同時，也帶來了敏感信息泄露的風險。
然而傳統模糊化處理技術往往陷入兩難境地——過度處理會破壞數據價值，而處理不足又難以滿足日益嚴格的隱私法規要求。如何在保護個人隱私的同時釋放數據潛力，成為橫跨各行業的核心難題。
一、客戶需求
日本建筑業巨頭Taisei Corporation（大成建設）最初涉足圖像識別人工智能領域時，采用了一款安裝有模糊處理應用程序接口（API）的攝像頭來保護個人數據。
然而，這種方法因API本身的限制面臨諸多挑戰。比如，它會導致過度模糊，常常將整個人的上半身都模糊掉，這對訓練人工智能系統而言會產生負面影響。此外，這種方法無法捕捉到性別和年齡等關鍵屬性，因為這些信息在模糊處理過程中會丟失。
因此，Taisei需要的是一種既能有效保護個人隱私，又能保留圖像中關鍵信息（如性別、年齡等屬性），以滿足人工智能訓練需求的解決方案，即需要滿足三重目標：
1. 法律合規性：符合日本《個人信息保護法》及歐盟GDPR對個人信息的嚴格規定
2. 數據可用性：處理后的圖像保留性別、年齡等基本屬性
3. 技術擴展性：支持后續AI分析（如安全行為識別、自動化施工監測）的數據結構化需求
二、解決方案
對于Taisei在匿名化與可用性的需求，深度自然匿名化（DNAT）方案顯然是一個絕佳的選擇。該解決方案利用先進的深度學習技術， 可以有效地檢測鏡頭中的人臉和車牌。一旦人臉和車牌得到檢測，DNAT就會隨機生成一個真實的覆蓋層替代它們。
這種方法有效地隱藏了圖像中個人信息，同時保留了原始數據中的關鍵特征，平衡了隱私保護和數據效用，完美地解決了Taisei目前所遇到的困境。
展開 
【9月19-22日 北京】MATLAB數據分析、圖形圖像處理與機器學習培訓班
各企事業單位、高等院校及科研院所：
MATLAB是由美國MathWorks公司推出的一款應用于科學計算和工程仿真的交互式編程軟件，它有包羅萬象的工具箱和草稿紙式的編程語言，將符號計算、數值分析、矩陣計算、科學數據可視化、數據處理與機器學習、圖像處理、信號處理、計算金融學、計算生物學以及非線性動態系統的建模和仿真等諸多強大功能集成在一個易于使用的視窗環境中，為科學研究、工程設計以及必須進行有效數值計算的眾多科學領域提供了一種全面的解決方案。
為進一步推動高等院校、科研院所及企事業單位在MATLAB、數據分析、圖形圖形處理和機器學習研究工作的開展，特邀請清華大學的一線專家共同舉辦“MATLAB數據分析、圖形圖像處理與機器學習”培訓班。我們已經在北京舉辦培訓班共十八期，一百余家企業、高校和科研院所參加了培訓班，共計培訓學員數百名。培訓班實實在在地提高了學員Matlab數據分析、圖形圖像處理、Simulink仿真、算法開發、機器學習科研水平和解決問題能力，通過實際操作和訓練，讓學員們掌握了Matlab軟件使用的方法，獲得一致好評。本次培訓主打理論結合實踐主題，課程強調動手操作；內容以代碼落地為主，以理論講解為根，以公式推導為輔。具體事宜如下：
一、培訓目標
通過課程學習，理解并掌握MATLAB軟件編程語法，工具箱的使用，各種作圖技巧，包含二維圖、三維圖、地形圖、交互式編輯圖形、動畫制圖，并通過實例講解科學計算及其可視化；并學會使用常見的分析工具分析數據，為科學研究提供更可靠的數據分析能力；結合工程應用實例講解MATLAB優化建模與求解、Simulink建模與仿真；掌握Matlab算法開發、圖像處理、機器學習及深度學習等應用技巧與細節分析；能夠根據數據分布選擇合適的算法模型并書寫代碼，能開發出一些實際的應用項目并運用MATLAB軟件解決實際問題能力。
展開 MATLAB數據分析、圖形圖像處理、機器學習與深度學習培訓班
各企事業單位、高等院校及科研院所：
MATLAB是由美國MathWorks公司推出的一款應用于科學計算和工程仿真的交互式編程軟件，它有包羅萬象的工具箱和草稿紙式的編程語言，將符號計算、數值分析、矩陣計算、科學數據可視化、數據處理與機器學習、圖像處理、信號處理、計算金融學、計算生物學以及非線性動態系統的建模和仿真等諸多強大功能集成在一個易于使用的視窗環境中，為科學研究、工程設計以及必須進行有效數值計算的眾多科學領域提供了一種全面的解決方案。
為進一步推動高等院校、科研院所及企事業單位在科研研究工作的開展，特邀請清華大學教授共同舉辦“MATLAB數據分析、圖形圖像處理與機器學習”培訓班。我們已經在舉辦培訓班共二十期，一百余家企業、高校和科研院所參加了培訓班，共計培訓學員數百名。培訓班實實在在地提高了學員Matlab數據分析、圖形圖像處理、Simulink仿真、算法開發、機器學習與深度學習科研水平和解決實際科研問題能力，通過實際操作和訓練，讓學員們掌握了Matlab軟件使用的方法，獲得一致好評。具體事宜如下：
一、培訓目標
通過課程學習，理解并掌握MATLAB軟件編程語法，工具箱的使用，各種作圖技巧，包含二維圖、三維圖、地形圖、交互式編輯圖形、動畫制圖，并通過實例講解科學計算及其可視化；并學會使用常見的分析工具分析數據，為科學研究提供更可靠的數據分析能力；結合工程應用實例講解MATLAB優化建模與求解、Simulink建模與仿真；掌握Matlab算法開發、圖像處理、機器學習及深度學習等應用技巧與細節分析；能夠根據數據分布選擇合適的算法模型并書寫代碼，能夠使用MATLAB軟件解決一些實際的應用項目和科研問題。
二、培訓專家
清華大學教授，博士生導師，1998年畢業于西安交通大學信息與通信工程系，獲學士學位。
展開 【3月20-22日 線上】MATLAB數據分析、圖形圖像處理、機器學習與深度學習培訓班
各企事業單位、高等院校及科研院所：
MATLAB是由美國MathWorks公司推出的一款應用于科學計算和工程仿真的交互式編程軟件，它有包羅萬象的工具箱和草稿紙式的編程語言，將符號計算、數值分析、矩陣計算、科學數據可視化、數據處理與機器學習、圖像處理、信號處理、計算金融學、計算生物學以及非線性動態系統的建模和仿真等諸多強大功能集成在一個易于使用的視窗環境中，為科學研究、工程設計以及必須進行有效數值計算的眾多科學領域提供了一種全面的解決方案。
為進一步推動高等院校、科研院所及企事業單位在科研研究工作的開展，特邀請清華大學教授共同舉辦“MATLAB數據分析、圖形圖像處理與機器學習”培訓班。我們已經在舉辦培訓班共二十期，一百余家企業、高校和科研院所參加了培訓班，共計培訓學員數百名。培訓班實實在在地提高了學員Matlab數據分析、圖形圖像處理、Simulink仿真、算法開發、機器學習與深度學習科研水平和解決實際科研問題能力，通過實際操作和訓練，讓學員們掌握了Matlab軟件使用的方法，獲得一致好評。具體事宜如下：
一、培訓目標
通過課程學習，理解并掌握MATLAB軟件編程語法，工具箱的使用，各種作圖技巧，包含二維圖、三維圖、地形圖、交互式編輯圖形、動畫制圖，并通過實例講解科學計算及其可視化；并學會使用常見的分析工具分析數據，為科學研究提供更可靠的數據分析能力；結合工程應用實例講解MATLAB優化建模與求解、Simulink建模與仿真；掌握Matlab算法開發、圖像處理、機器學習及深度學習等應用技巧與細節分析；能夠根據數據分布選擇合適的算法模型并書寫代碼，能夠使用MATLAB軟件解決一些實際的應用項目和科研問題。
二、培訓專家
清華大學教授，博士生導師，1998年畢業于西安交通大學信息與通信工程系，獲學士學位。
展開 【12月25-27日 北京】MATLAB數據分析、圖形圖像處理、機器學習與深度學習在線培訓班
各企事業單位、高等院校及科研院所：
MATLAB是由美國MathWorks公司推出的一款應用于科學計算和工程仿真的交互式編程軟件，它有包羅萬象的工具箱和草稿紙式的編程語言，將符號計算、數值分析、矩陣計算、科學數據可視化、數據處理與機器學習、圖像處理、信號處理、計算金融學、計算生物學以及非線性動態系統的建模和仿真等諸多強大功能集成在一個易于使用的視窗環境中，為科學研究、工程設計以及必須進行有效數值計算的眾多科學領域提供了一種全面的解決方案。
為進一步推動高等院校、科研院所及企事業單位在科研研究工作的開展，特邀請清華大學教授共同舉辦“MATLAB數據分析、圖形圖像處理與機器學習”培訓班。我們已經在北京舉辦培訓班共十八期，一百余家企業、高校和科研院所參加了培訓班，共計培訓學員數百名。培訓班實實在在地提高了學員Matlab數據分析、圖形圖像處理、Simulink仿真、算法開發、機器學習與深度學習科研水平和解決實際科研問題能力，通過實際操作和訓練，讓學員們掌握了Matlab軟件使用的方法，獲得一致好評。具體事宜如下：
一、培訓目標
通過課程學習，理解并掌握MATLAB軟件編程語法，工具箱的使用，各種作圖技巧，包含二維圖、三維圖、地形圖、交互式編輯圖形、動畫制圖，并通過實例講解科學計算及其可視化；并學會使用常見的分析工具分析數據，為科學研究提供更可靠的數據分析能力；結合工程應用實例講解MATLAB優化建模與求解、Simulink建模與仿真；掌握Matlab算法開發、圖像處理、機器學習及深度學習等應用技巧與細節分析；能夠根據數據分布選擇合適的算法模型并書寫代碼，能夠使用MATLAB軟件解決一些實際的應用項目和科研問題。
二、培訓專家
清華大學教授，博士生導師，1998年畢業于西安交通大學信息與通信工程系，獲學士學位。
展開 Mater.綜述：面向低功耗和高密度數據存儲器應用的相變超晶格材料：微觀圖像
如今，電子技術的發展大大增加了數碼數據量。據統計，全球數碼數據量每兩年翻一番，到2020年，將達到44澤字節（1澤字節 = 10萬億億字節）。隨著物聯網的發展，每秒鐘都有大量的數據以視頻、音樂、圖片、網上社交、商業信息等形式產生并傳輸。因此，大數據的存儲、傳輸和處理將面臨嚴峻挑戰。當下迫切需要具有快速度、高密度和低功耗的非易失性電子存儲器件來應對這些問題。相變存儲技術作為最早進入產業化應用之一的高速非易失性存儲技術備受全球半導體業界關注，然而目前還面臨著功耗高等難題，這對高密度存儲集成電路進一步開發帶來障礙。
【成果簡介】
近日，來自吉林大學的李賢斌副教授、陳念科博士和清華大學孫洪波教授聯合在Advanced Functional Materials上發表綜述文章，題為：Phase‐Change Superlattice Materials toward Low Power Consumption and High Density Data Storage: Microscopic Picture, Working Principles, and Optimization。本文首先總結了相變存儲材料在信息技術中的廣泛應用，特別介紹近幾年相變存儲材料領域的研究熱點—GeTe/Sb2Te3超晶格材料在超低功耗數據存儲中的重要前景。然后，討論了相變超晶格在微觀原子結構和工作原理探究方面的主要進展，并對目前提出的主流工作機制進行點評和分析：開發超晶格相變存儲器的日本產綜研最早提出Ge層整體翻轉的工作機制，然而該機制面臨原子跳變勢壘大、原子模型難以被電鏡實驗觀察等困難，在此上介紹了業界最近提出的另外幾種重要機制，包括微區部分融化（部分非晶化）機制、堆疊層錯輔助金屬絕緣體相變機制、應變輔助相變機制等。
展開 自動駕駛傳感器融合：激光雷達+攝像頭
這些傳感器各有優缺點，也互為補充，因此如何高效的融合多傳感器數據，也就自然的成為了感知算法研究的熱點之一。本篇文章介紹如何在感知任務中融合激光雷達和攝像頭，重點是目前主流的基于深度學習的融合算法。
攝像頭產生的數據是2D圖像，對于物體的形狀和類別的感知精度較高。深度學習技術的成功起源于計算機視覺任務，很多成功的算法也是基于對圖像數據的處理，因此目前基于圖像的感知技術已經相對成熟。圖像數據的缺點在于受外界光照條件的影響較大，很難適用于所有的天氣條件。對于單目系統來說，獲取場景和物體的深度（距離）信息也比較困難。雙目系統可以解決深度信息獲取的問題，但是計算量很大。激光雷達在一定程度上彌補了攝像頭的缺點，可以精確的感知物體的距離，但是限制在于成本較高，車規要求難以滿足，因此在量產方面比較困難。同時，激光雷達生成的3D點云比較稀疏（比如垂直掃描線只有64或128）。對于遠距離物體或者小物體來說，反射點的數量會非常少。
如下圖所示，圖像數據和點云存在著巨大的差別。首先是視角不同，圖像數據是真實世界通過透視投影得到的二維表示，而三維點云則包含了真實世界歐式坐標系中的三維信息，可以投影到多種視圖。其次是數據結構不同，圖像數據是規則的，有序的，稠密的，而點云數據是不規則的，無序的，稀疏的。在空間分辨率方面，圖像數據也比點云數據高很多。
圖片來源于參考文獻[1]
自動駕駛感知系統中有兩個典型的任務：物體檢測和語義分割。深度學習技術的興起首先來自視覺領域，基于圖像數據的物體檢測和語義分割已經被廣泛和充分的研究，也有很多非常全面的綜述文章，這里就不贅述了。另一方面，隨著車載激光雷達的不斷普及以及一些大規模數據庫的發布，點云數據處理的研究這幾年來發展也非常迅速。
展開 聲學技術為無線水下攝像機供能，能源效率提高十萬倍
該設備即使在黑暗的水下環境中也能拍攝彩色照片，并通過水中無線傳輸圖像數據。
相機由聲音提供動力。它將聲波中的機械能轉化為電能，為成像和通信設備提供動力。在捕獲和編碼圖像數據后，相機還使用聲波將數據傳輸到接收器，接收器可以重建圖像。
因為它不需要電源，相機可以連續運行數周，然后再進行檢索，使科學家能夠在海洋的偏遠地區搜索新物種。它還可以用來捕捉海洋污染的圖像，或監測水產養殖場飼養的魚類的健康和生長。
“對我個人來說，這款相機最令人興奮的應用之一是在氣候監測方面。我們正在建立氣候模型，但我們丟失了95%以上海洋的數據。這項技術可以幫助我們建立更精確的氣候模型，更好地理解氣候變化如何影響水下世界。”麻省理工學院電子工程和計算機科學系副教授、麻省理工學院媒體實驗室信號動力學小組主任Fadel Adib說，他也是這篇論文的高級作者。
和Adib一起完成論文的還有信號動力學小組研究助理Sayed Saad Afzal，Waleed Akbar和Osvy Rodriguez，以及研究科學家Unsoo Ha，以及前小組研究人員Mario Doumet和Reza Ghaffarivardavagh。這篇論文發表在《自然通訊》雜志上。
為了制造一個能夠長時間自主工作的相機，研究人員需要一種能夠在水下自己收集能量，同時消耗很少電力的設備。
該相機通過放置在其外部的壓電材料制成的換能器來獲取能量。當機械力施加在壓電材料上時，壓電材料會產生電信號。當聲波在水中傳播到換能器上時，換能器就會振動，并將機械能轉化為電能。
這些聲波可能來自任何來源，比如駛過的船只或海洋生物。相機將收集到的能量儲存起來，直到足夠為拍攝照片和傳輸數據的電子設備提供能量。
為了保持盡可能低的功耗，研究人員使用了現成的超低功耗成像傳感器。但這些傳感器只能捕捉灰度圖像。
展開 
自動駕駛 HIL 測試：構建 "以假亂真" 的實時數據注入系統
為了實現最低延遲，數據被直接送入一塊專用的硬件板卡（proFRAME）；
（4）DMA/RDMA傳輸：數據通過PCIe總線，利用直接內存訪問（DMA）或遠程直接內存訪問（RDMA）技術，被高效地傳輸到注入板卡的內存或板載GPU內存中，此過程最大限度地減少了CPU的干預；
（5）CSI-2/GMSL2封裝：板卡上的FPGA或專用處理器（ASIC）將內存中的圖像數據打包成CSI-2協議格式，并驅動GMSL2序列化器（Serializer）芯片將其轉換為高速串行信號；
（6）物理注入：GMSL2信號通過同軸電纜傳輸到DUT的GMSL2解串器（Deserializer），DUT的處理器（SoC）通過其CSI-2接口接收到圖像數據，就像從一個真實的相機接收一樣。
① 仿真主機aiSim高保真相機數據傳輸到幀緩沖區（DMA）；
② 逐行傳輸到proFRAME硬件（PCIe）；
③ 基于時間戳/行間隙的時鐘周期數發送圖像幀（CSI-2幀）；
④ 基于行間隙定義圖像幀行間時序。
03 技術深度解析
1、仿真源數據與準備
仿真注入的起點是仿真軟件生成的源數據。在我們的案例中，仿真軟件aiSim輸出的是原始的相機圖像幀（RAW12）。這些數據在注入前，必須經過精心的預處理，以確保DUT能夠正確解析。
核心的預處理步驟是在Host端完成的。這個過程并非簡單的格式轉換，而是嚴格按照待測件的需求，將aiSim生成的裸數據（payload）封裝成一個完整的、符合物理層規范的數據包。
展開 使用 3D Slicer 軟件創建的人體心臟 3D 模型 ￥5
原始醫學圖像數據來源于開放獲取的數據庫，從而能夠精確、細致地呈現人體解剖結構。該模型很好地展示了如何將醫學影像轉化為精確的 3D 數字結構，用于教育、研究或醫療應用。
* 使用高分辨率醫學圖像數據創建，確保解剖結構的精確性。
* 使用開源醫學圖像處理工具 3D Slicer 開發。
* 可定制，并可用于醫學教育、手術規劃和 3D 打印。
* 使用開源數據，確保透明度和可訪問性，以便未來進行改進。
【Avizo?】為科學及工業領域數據提供領先的高性能三維可視化及分析解決方案
Avizo軟件具有直觀的工作流程和易于使用的圖形界面，提供豐富而先進的圖像數據處理、探索和分析功能，能夠處理任何形式的3D圖像數據集。
通過 microCT 掃描采集進行金屬泡沫分析
無論采取何種方式（X射線計算機斷層掃描、同步加速器，或電子顯微鏡）獲取數字數據，Avizo軟件都為解決“從研究到生產”的整個循環問題而提供優化的工作流程：從在實驗室中分析纖維、氣孔和基體，到在生產環境中對部件質量進行自動控制。
Avizo 軟件允許分析增強復合材料的纖維，計算長度、取向和密度。它還能檢測基體缺陷，如孔隙或異物、裂紋或分層，以及富集或干點。
Avizo軟件還能夠分析最新的微孔及（或）納米多孔復合材料的孔隙網格，使研究人員更好地了解材料特性，從而改進對復合材料制成的工業化部件的質量控制。在物理約束下對材料變形的分析也可用于對缺陷的損傷預測。
【產品詳情鏈接】https://www.anscos.com/avizo.html
如您需要了解更多解決方案，請點擊以下鏈接填寫表單，我們將盡快與您聯系。
https://www.anscos.com/contactus.html
關于 | 庭田科技
庭田科技，是一家專注于為企業正向研發提供專業的CAE/CAM/RDM/PLM軟件及高科技儀器設備的工程咨詢服務公司。總部位于上海市徐匯區，下設西安庭田信息科技有限公司，在深圳、香港均設有辦事處。庭田科技以最先進的技術、最完整的方案、最本地化的服務，賦能企業實現數字化轉型，構建智能制造生態系統。【全國熱線】400 633 6258
展開 韓國發超小型3D圖像傳感器 可用于自動駕駛汽車
據外媒報道，韓國科學技術研究院（KAIST）的一組研究人員研發出一款硅光學相控陣（OPA）芯片，該芯片可用在三維圖像傳感器的核心部件。
三維圖像傳感器可向二維圖像（如照片）添加距離信息，將其識別為三維圖像。該傳感器在自動駕駛汽車、無人機、機器人和面部識別系統等各種電子產品中發揮重要作用，此類電子產品需要精確測量物體距離。
許多汽車和無人機公司都致力于研發基于機械光探測和測距（LiDAR）系統的三維圖像傳感器系統，但是，由于此類傳感器系統采用機械激光波束轉向法，因而只能做成拳頭大小，而且發生故障的可能性很高。
光學相控陣芯片作為實現固態激光雷達的關鍵部件，在無需活動部件的情況下，可電動控制光的方向，因而受到廣泛關注。硅基光學相控陣芯片尺寸小且耐用，而且可通過傳統的Si-CMOS制造工藝進行批量生產。
研究人員通過集成可調諧散熱器，而不是傳統光學相控陣芯片中使用的可調諧激光，研發出了一款超小、低功耗的光學相控陣芯片，該芯片可以利用單色光源實現寬二維波束導向。該光學相控陣芯片結構可使三維圖像傳感器的尺寸最小化，像蜻蜓眼睛一樣小。據該研究團隊表示，該光學相控陣芯片既可用作三維圖像傳感器，也可用作無線發射器，將圖像數據發送到所需的方向，使高質量的圖像數據能夠在電子設備之間自由通信。
來源：蓋世汽車
展開 