車輛感知技術
關注創建者：匿名 創建時間：2021-08-12
車輛感知技術的視頻教程
Ansys面向感知系統的仿真驗證技術
目前負責Ansys自動駕駛業務開發和仿真技術咨詢工作，對Ansys自動駕駛平臺產品和方案應用有全面的了解。 更多視頻請關注Ansys數字資源中心：https://v.ansys.com.cn
免費 47分鐘 149播放
查看
仿真技術之自動駕駛感知視界-ANSYS傳感器仿真（攝像頭和激光雷達）
如何在預算有限的條件下，更好地滿足安全性要求，突破技術障礙，對安全分析技術、系統開發和驗證方法、車輛駕駛環境以及傳感器仿真的真實度都提出了更高要求。 ANSYS作為世界領先的工程仿真工具供應商，基于扎實的物理場仿真技術和安全開發技術，正在和知名企業一起構建先進的自動駕駛仿真工具鏈，涉及功能安全和信息安全分析、道路環境建模與仿真、傳感器建模與仿真、嵌入式軟件開發、閉環仿真，云計算平臺等等。
免費 1小時24分鐘 423播放
查看
車輛內飾異響仿真分析技術網絡研討會
內容大綱： 1.汽車內飾異響管控現狀 2.E-line異響分析方法、工具、流程 3.異響分析輸入條件 4.基于虛擬樣機的異響載荷提取 5.全方位異響控制策略
免費 2小時6分鐘 367播放
查看
車輛感知技術的實例教程
</p><p>— Shaheen Amanullah，onsemi智能傳感團隊成像系統總監</p><p><br></p><p><br></p><p><strong>仿真能夠準確預測和驗證各種駕駛環境中的傳感器功能性</strong></p><p><br></p><p>我們可能很難想象這樣一個世界：人類放棄駕駛控制權，讓車輛來自行駕駛。但事實上，我們現在就能瞥見這樣的未來。如今，道路上的許多車輛已經受益于高級駕駛輔助系統（ADAS），這些系統使用攝像頭、雷達和激光雷達等傳感器技術來避免與障礙物發生碰撞，幫助我們保持在車道內、進行平行泊車等。</p><p><br></p><p>所有這些系統都由人工智能（AI）傳感進行指導，例如計算機視覺，它是自動駕駛汽車（AV）感知堆棧的核心功能。AV技術堆棧由多個功能層組成，包含特定的功能模塊，負責自動駕駛所需的感知、連接、處理、分析和決策。與人類駕駛員非常相似，車輛的感知堆棧也會“環顧四周”，從車輛傳感器收集數據，然后對數據進行處理，以了解目前的駕駛環境并對其做出響應。</p><p><br></p><p>作為自動駕駛領域的兩大關鍵參與者，Ansys與onsemi合作提供獨特的解決方案，以推進感知領域的發展，該解決方案包含了雙方互補的技術，為原始設備制造商（OEM）和一級供應商提供了一個生態系統，以推動其開發和感知驗證目標。</p><p><br></p><p>作為電源和傳感技術領域的領導者，onsemi的目標是促進創新和開發智能技術，以解決復雜的客戶挑戰——包括車輛感知方面的挑戰，從而支持AV的開發。與Ansys的合作使onsemi能夠創建系統級仿真，以分析其開發決策的影響，并推動其技術進步。onsemi團隊創建了傳感器模型和虛擬數字孿生，然后使用Ansys AVxcelerate仿真來整合各種駕駛場景，從而將傳感器模型轉化為系統級仿真。
展開 問題二：感知-我的周圍是什么
無人駕駛車輛接收到攝像頭、激光雷達以及其他感知設備輸入的數據，通過這些數據可以獲取周圍的目標物的位置、尺寸、分類信息（車輛、行人等）和跟蹤信息（速度、加速度、角速度等），還有未知分類的障礙物、目標車的尾燈、護欄、紅綠燈、植被等都需要被感知到。所有這些信息都會輸出到到決策/規劃模塊使用。
目標檢測中都會使用深度學習的方法，深度學習首先通過網絡學習激光雷達三維點云中的背景信息、目標物和分類信息。此外，無人車上有多種傳感器，最主要的是激光雷達和攝像頭，將二者融合會在目標檢測的距離精度、分類精度、尺寸精度等方面都有顯著提升。
無人車要能夠安全、平順的行駛，對每個目標物的準確跟蹤、速度、加速度等都是必不可少的，這些信息必須要連續幀上獲取，因此我們必須要目標檢測機制上進行匹配跟蹤、速度估計等等一系列工作。我們會獲得T – 1(上一幀)時刻的目標檢測結果，也會獲得當前時刻的結果，這些結果可以通過卡爾曼濾波算法得出當前幀預測結果，再把這個預測結果和當前幀檢測結果通過相似度計算和匈牙利匹配關聯，可以通過這速度工具來獲取場景中目標物編號、速度、運動方向等信息，這些信息對車輛決策/規劃模塊相當重要。
*卡爾曼濾波可以有效在時間線上對測量和預測進行合理加權的算法。
*匈牙利算法是一種求解最大匹配的算法。
除了常見的目標檢測之外，環境中還有一些其他要素需要感知，比如之前提到的植被，無法用一個矩形框來表示，因此需要語義分割技術，它能夠獲得精細的感知結果。最終我們將目標檢測、跟蹤和語義分割融合在一起，作為整體輸出給下個模塊。
展開 壓縮感知技術憑借“稀疏性約束降維”的核心邏輯，為光源優化提供了突破口——通過將光源在稀疏基（如2D-DCT）下表示為少量非零系數，大幅削減優化變量維度。但壓縮感知光源優化的落地效果，關鍵取決于“優化技術”的工程化實現：算法迭代步驟的合理性決定了優化收斂速度與全局最優性，需明確初始值求解、變量更新、收斂判定的完整邏輯；算法實施細節的精準度（如稀疏基適配選擇、測量矩陣構建、噪聲抑制策略）則直接影響優化結果的穩定性與可制造性，是技術從理論走向工程的核心橋梁。
本文聚焦壓縮感知光源優化的優化技術核心，系統拆解算法迭代的完整流程，深入剖析關鍵實施細節，厘清技術落地的核心環節，為壓縮感知光源優化在先進光刻工程中的高效應用提供可復用的技術框架與實施參考。
02/算法迭代步驟
通過解決l1范數優化問題，可以獲得最佳光源圖形。該問題可以使用在CS領域開發的多種算法來解決。在優化前計算Iscc矩陣，可以減少運行時間。
通過線性Bregman算法迭代更新光源的2D-DCT系數θ，該算法計算效率高、圖像對比度高，流程如下：
迭代過程中，門運算承擔著參數精準篩選的關鍵角色：
? 若參數的絕對值小于設定閾值，會直接調整為0；
? 若參數絕對值不小于該閾值，則結合參數自身的符號（正/負）與閾值運算，實現參數的定向調控。
其中的符號判斷由符號函數完成：參數非負時符號為1，參數為負時符號為-1——通過這一機制，最終得到的光源核心參數（2D-DCT系數）將更精準匹配光刻需求。
展開 點擊藍字 關注我們
01/簡介
隨著集成電路制程向3nm及以下先進節點演進，光刻成像系統中的光學衍射、掩模三維效應與光致抗蝕劑非線性響應相互疊加，使光源-掩模協同優化（SMO）成為保障圖形保真度與芯片良率的核心技術。傳統線性壓縮感知（CS）驅動的SMO技術，因難以精準刻畫掩模與成像之間的強非線性映射關系，在復雜圖形優化中常面臨精度不足、工藝窗口收縮等問題，已無法滿足極端制程對優化性能的嚴苛要求。
非線性壓縮感知（NCS）理論的興起為突破這一瓶頸提供了關鍵路徑，其通過構建非線性重構模型，可更貼合光刻系統的物理本質。然而，不同非線性CS-SMO技術的適配場景與性能表現尚未形成系統對比，仿真條件的差異也導致技術優劣難以客觀評判。
基于此，本文以非線性壓縮感知光源-掩模優化的數學模型為核心，搭建標準化仿真環境，選取水平條塊圖形、豎直線條圖形及復雜電路圖形作為典型測試對象，從成像精度、計算效率、工藝窗口兼容性等維度，系統開展不同SMO技術的性能對比研究。通過量化分析各類技術的適配特性與核心優勢，為先進計算光刻中SMO技術的選型與工程化應用提供科學依據與理論支撐。
展開 在水面無人駕駛技術體系中，感知技術是核心，而現階段國內外對其感知技術的研究仍處于起步階段。本文梳理了無人艇的研發進程，圍繞感知技術的3個方面關鍵技術進行分析與探討：基于水面無人艇的目標檢測，主要包括面向避障的目標檢測及面向作業的目標檢測、目標跟蹤、實時定位方法。最后考慮到無人艇感知技術在系統穩定性及目標檢測能力中面臨的挑戰，對無人艇感知技術存在的不足和未來的發展趨勢做出展望。
關鍵詞：無人水面艇；感知；路徑規劃；目標檢測；目標跟蹤；導航；定位
由于無人駕駛的發展，近幾年無人車和無人機已廣泛應用于各種場景。與此同時，應用于水面的無人艇(unmanned surface vehicles，USV)有望在未來代替人類發揮重要作用。近年來，無人艇被廣泛用于執行多種軍事及非軍事任務，代替作業人員執行危險或耗時耗力的任務，在港口防護及艦船兵力保護、海上偵察監視、反潛作戰、水上搜救、后勤補給、水質監測、水文采樣、海洋環境測繪、水域生態保護等方面發揮著重要作用，提高工作效能的同時也降低了作業人員的傷亡。
作為無人艇的創始者，以色列埃爾比特系統公司推出的“銀色馬林魚”具有劃時代的戰略意義[1]。隨后，無人艇SCOUT[2]、水面高速無人艇PROTECTOR[3]、測量雙體船海豚(MESSIN)[4]、無人艇ROBOAT[5]、無人艇JingHai-I[6]以及各種無人艇海上協議相繼推出[7]。近年來，各企業也陸續推出商用水面無人艇。Fraunhofer CML等8家機構聯合開展海上智能無人駕駛航行網絡(MUNIN)計劃[8]。日本29家單位聯合組織開展“智能船舶應用平臺(SSAP1)”項目。英國羅爾斯·羅伊斯公司(R-R 公司)發起“先進自主水運應用項目(AAWA)”[9]，并與 Finferries 聯合推出全球第一艘無人駕駛渡輪“Falco”號。
展開 
車輛感知技術的相關專題、標簽、搜索
車輛感知技術的最新內容
聚焦機器人產業“感知-決策-執行”技術閉環，“感知·決策·執行——2026北京國際機器人技術展覽會”將于2026年6月10日至12日在北京舉辦。展會以技術解構為核心、開發者賦能為支撐、供需對接為目標，打造覆蓋全技術鏈條的專業交流平臺，助力機器人產業核心技術迭代與供應鏈協同升級。
作為本年度北方地區最具影響力的機器人專業展會，本次展會將匯聚來自全球20多個國家和地區的400余家參展企業，展覽面積達
點擊藍字 關注我們
01/簡介
隨著集成電路制程向3nm及以下先進節點演進，光刻成像系統中的光學衍射、掩模三維效應與光致抗蝕劑非線性響應相互疊加，使光源-掩模協同優化（SMO）成為保障圖形保真度與芯片良率的核心技術。傳統線性壓縮感知（CS）驅動的SMO技術，因難以精準刻畫掩模與成像之間的強非線性映射關系，在復雜圖形優化中常面臨精度不足、工藝窗口收縮等問題
01/簡介
隨著集成電路制程向3nm及以下節點突破，光刻系統的光學畸變、掩模三維衍射及光致抗蝕劑非線性響應等效應疊加，使光源-掩模協同優化（SMO）成為保障成像精度的核心技術。
傳統線性壓縮感知技術雖在光源單變量優化中實現了降維高效求解，但面對SMO場景中掩模-成像的強非線性映射關系，其線性假設難以精準刻畫優化變量與成像質量的關聯，導致優化精度與可制造性失衡
01/簡介
隨著集成電路制程推進至90nm及以下節點，光學鄰近效應校正（OPC）、光源掩模聯合優化（SMO）等計算光刻技術已成為保障光刻成像精度的核心支撐。其中，壓縮感知（CS）技術憑借稀疏性約束降維的核心優勢，在光源優化（SO）中實現了高效的參數尋優，大幅降低了計算復雜度。
然而，當優化對象轉向掩模時，線性CS理論的局限性愈發凸顯——掩模圖形的像素級調控與光刻成像之間存在顯著的非線性映射關系
01/簡介
當前，壓縮感知光源優化的仿真技術已實現標準化與精準化雙重突破，為技術落地奠定堅實基礎。仿真條件層面，通過構建統一的光源參數基準、掩模圖形庫及光學成像模型，建立了可復現的標準化仿真環境，解決了傳統仿真中參數離散導致的對比誤差問題。
接下來以豎直線條為目標圖形進行仿真分析，對比分析在不同變量下曝光圖像的情況。
02/仿真條件
01/簡介
隨著集成電路制程向3nm及以下節點突破，光刻系統面臨的光學畸變（如衍射、偏振效應）愈發顯著，光源作為光刻成像的“源頭變量”，其圖形優化直接決定空間像保真度與芯片制造良率。
傳統光源優化方法依賴全像素維度尋優，受限于光源像素矩陣規模龐大（常達數百甚至數千維度），存在迭代收斂慢、計算資源消耗高、易陷入局部最優等問題，難以適配先進制程對優化效率與精度的雙重需求
Ansys與NI的合作有助于提升車輛感知技術的精準度，幫助汽車企業在研發過程中快速、安全地掌握相關技術，從而獲得顯著優勢。
<p><br></p><p>本文原刊登于Ansys.com：《<a href="https://www.ansys.com/zh-cn/blog/ansys-onsemi-greater-vehicle-perception" rel="noopener noreferrer" target="_blank">Ansys-Onsemi Collaboration Leads to Greater Vehicle
隨著自動駕駛技術的快速發展，車輛準確感知周圍環境的能力變得至關重要。BEV（Bird's-Eye-View，鳥瞰圖）感知技術，以其獨特的視角和強大的數據處理能力，正成為自動駕駛領域的一大研究熱點。
一、BEV感知技術概述
BEV感知技術，是一種從鳥瞰圖視角（俯視圖）出發的環境感知方法。與傳統的正視圖相比，BEV視角具有尺度變化小、視角遮擋少的顯著優勢，有助于網絡對目標特征的一致性表達。基于這樣的優勢
<p>隨著自動駕駛技術的快速發展，自動駕駛的研發逐漸形成一整套的流程，包括<strong>數據采集，清洗標注，算法訓練，仿真測試</strong>到<strong>量產</strong>等各技術環節。通過復雜的步驟從原始數據中提出高價值的信息，其中對原始數據的精準采集是實現車輛環境感知的基石。毫米波雷達因其出色的測距、測速能力以及對惡劣天氣的魯棒性，成為不可或缺的傳感器之一。</p><p>本文將以4D
