GMSL的案例
自動駕駛 HIL 測試：構建 "以假亂真" 的實時數據注入系統
同精確控制 CSI-2/GMSL2 協議棧，確保信號的物理層保真度。并運用 I2C 作為控制與調試的“生命線”，確保復雜鏈路的穩定建立與監控。
02 系統架構概覽
高保真實時仿真注入系統的核心目標，是將仿真環境中生成的傳感器數據，以極低的延遲和與真實傳感器別無二致的物理信號特性，注入到待測的設備（DUT）中。這套系統的典型架構由三個關鍵部分組成：仿真主機（Simulation Host）、數據注入設備（Injection Device）和待測設備（DUT, Device Under Test）。
數據流的完整流程如下：
（1）數據生成：仿真軟件aiSim在仿真主機上根據預設場景生成相機的原始圖像幀數據；
（2）數據傳輸：這些原始數據通過網絡被發送到數據注入設備；
（3）數據處理與編碼：注入設備上的應用程序（如camera_sensor.cpp中的邏輯）接收數據。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。
展開 賦能智慧隧道施工：工程車輛多模態數據采集系統
2、多模態傳感器融合
為了實現對環境的全面感知，單車集成了復雜的傳感器組，包括：
視覺傳感器： 華陽 GMSL2 3M 相機（前后共4路）
激光雷達： 主雷達 + 補盲雷達（前后共6顆）
毫米波雷達： ARS410（前后共2顆）
定位與姿態： IMU hwt905-CAN（前后共2顆）
車輛總線： CAN數據采集
傳感器布局：
前端布局（左）、后端布局（右）
3、核心痛點：隧道內的時空同步
無GPS信號： 隧道內無法獲取衛星授時（GPS/GNSS），傳統依賴PPS/NMEA的同步方式失效。
高帶寬并發： 多路激光雷達與高分辨率相機的同時接入，對采集系統的帶寬和寫入速度提出了巨大挑戰。
惡劣工況： 隧道施工現場震動大、粉塵多，要求設備具備極高的工業級穩定性。
二、 解決方案概覽
針對上述挑戰，我們提出了兩套差異化的技術路線：“極致性能方案（方案一）”與“高性價比方案（方案二）”，以滿足不同研發階段的需求。
1、方案一：工業級硬同步方案 (BRICKplus + MDILink)
此方案采用了德國b-plus的數據采集生態系統，主打硬件級時間同步和高可靠性。
數采系統方案架構圖
（1）核心算力與存儲： 使用 BRICKplus 工控機，搭載8TB大容量BRICK STORAGE存儲模塊。設備支持寬溫運行，抗震等級高，專為車載環境設計。
加裝了BMC-ETH6000和CAN拓展模塊的 BRICKplus
（2）無損數據接入：通過 MDILink 轉換器，將相機的GMSL2信號無損轉換為萬兆/千兆以太網數據。
展開 座艙、智駕域控測試解決方案
可以支持美信GMSL信號和TI FPD-LINK協議。
3.2.13 視頻輸入信號測試
DUT 具有多路視頻輸入信號（投屏輸入，和環視攝像頭， DMS， FWRC， FLRC，RLRC， LSCF，LSCR，RSCR，RSCF），系統集成其對應匹配的攝像頭，并將其固定在鐘表前（可以正常拍攝到鐘表信息），DUT 采集鐘表畫面，進行自檢，并將自檢的信息反饋給系統，系統據此信息判定其功能是否正常。
高配方案采用NI FPD-LIK或者GMSL板卡產生模擬信號。
3.2.14 USS 超聲波雷達接口測試
DUT 上具有 多路超聲波雷達接口，系統集成對應匹配的超聲波雷傳感器模擬器，DUT 進行自檢，將自檢結果反饋給系統，以此數據來判定該功能是否正常。
3.2.15 USB 測試
DUT 上具有兩個 USB 轉接口，系統配置對應數量的 U 盤。
USB1 接口上連接的 U 盤儲存 1KHz 的音頻文件，DUT 自行讀取，并且在藍牙音響輸出，系統采集音響輸出的電壓和頻率信息，判定 USB1 接口工作是否正常。
USB2 接口上連接的 U 盤儲存甲方提供的固定文件，DUT 自行讀寫，并將自檢結果反饋給系統，系統以此數據，判定 USB2 接口工作是否正常。
高性能測試時，使用高端示波器識別USB2.0，USB3.0等信號，配置對應的協議對USB信號進行測試。
3.2.16 其他信號接口測試
DUT 上具有一部分現在汽車常用的通用接口。其分為兩類：
PWM/開關信號輸入，系統通過通用信號數據采集系統向對應接口提供開關或 PWM 信號，DUT 采集信號后反饋給系統，系統對比提供的信號和反饋的報文信息，以此判定對應功能是否正常。
展開 高性能自動駕駛域控制器的關鍵要素設計
“車載攝像頭”接口協議需求一般采用FPDLink或GMSL兩種形態。其中，FPDLink是在LVDS基礎之上建立起來的通信標準，也是第一次對LVDS規范的應用，FPD Link包括SERIALIZER和DESERIALIZER端。由于FPDLink更加適用于高速數字視頻接口，因此，在下一代自動駕駛域控制芯片外圍接口中應用更加廣泛。GMSL是Maxim公司推出的一種高速串行接口，適用于視頻、音頻和控制信號的傳輸，使用50Ω同軸電纜或100Ω屏蔽雙絞線(STP)電纜時的距離可達15m或更長。FPDLink與GMSL在視頻傳輸上實際沒有明顯的區別，關鍵還是看定點的攝像頭供應商是否支持該接口協議。
此外，對于面向下一代自動駕駛系統的圖像處理技術，也會需要在如下相應的方面做出較大的提升。
①差異化的應用：
即圖像處理將面對不同的應用場景，如包含目標對象的實際檢測、可行駛區域檢測、場景語義分割、駕駛員監控、視覺SLAM等。
②高算力和高計算性能：
即圖像處理過程中需要系統具備足夠的算力將數萬億次的深度學習算法數據運行起來，同時需要確保該原酸效力能夠達到最優。
③神經網絡加速能力：
網絡加速即包含對相關處理單元（如CPU、GPU、TPU、FPGA、DSP等）的最大性能、靈活性、功耗及嵌入式代價問題的實際處理能力。
這里我們需要重點講一下關于網絡陣列最優化過程能力。該過程主要是通過將轉換張量劃分為3-D切片來實現。具有數百甚至數十億參數的深度網絡，傳統 CPU 對如此龐大的網絡一籌莫展，只有具有高計算能力的 GPU 才能讓網絡得以相對快速訓練。
展開 
經緯恒潤車隊數據采集解決方案
支持8路ADC采樣，支持搭載車載攝像頭（GMSL等）。同時支持使用USB輸入、輸出數據。
內部采用ARM+FPGA架構，數據經過處理后，可通過SATA SSD或NVME SSD存儲，亦或是通過4G/5G板卡向云端傳輸。內置隨車狀態顯示器，可以實現司機/工程師隨時查看采集狀態。同時支持無線WiFi，工程師可手持電腦、iPad、手機等設備查看。
?? 云端介紹
采集的數據可以上傳至云平臺——經緯恒潤自研的AD Here平臺，可私有部署，具有各類總線、傳感器數據等大數據分析能力。實現工程師遠程分析車輛數據，更加便捷。
應用
對于智駕領域應用，該平臺同樣可以支持車載攝像頭、激光雷達、毫米波雷達、CAN總線、GPS/IMU/RTK等數據采集。另外還可以作為算法快速原型驗證平臺，將算法部署在ARM A53或FPGA加速器上。具備V2X采集接口，可使用平臺實現V2X數據采集。
部分客戶：
總結
多功能車隊數據采集平臺具有多種傳感器數據接入、高帶寬、大容量存儲、無線傳輸、體積小巧等諸多方面的優勢。當所有數據由車隊匯總至云端時，工程師可以在云端進行大量統計數據分析，為快速的整車測試、智能駕駛測試等方面助力加速，應對整車廠和供應商面對數據量大、驗證里程多、驗證周期長的挑戰。
展開 賦能 BEV 感知課題！高校科研多傳感器時間同步方案
例如，GigE Vision相機、CAN總線雷達、GMSL相機等設備即便同一時刻下發觸發，數據流入主機時刻仍然錯位。</p><h3><strong>2.3 滯后的時間戳</strong></h3><p>若在數據進入操作系統內核或應用層后才為其打上時間戳，那么這個時間戳已經疊加前述所有的觸發和傳輸延遲的影響。用這個“被污染”的時間戳進行數據對齊，會導致后續的融合與算法都建立在錯誤的前提之上。理想的時間戳，是必須在數據離開傳感器物理層或進入物理鏈路的瞬間被標記。</p><h1><strong>3）方案概述及科研價值</strong></h1><h3><strong>3.1方案概述</strong></h3><p><strong>多源異構傳感器納秒級時間同步</strong>解決方案（簡稱<strong>多傳感器時間同步方案</strong>）是一套基于<strong> XTSS 服務</strong>的完整時間同步體系：以 DATALynx ATX4 或 BRICK2 作為 PTP Grandmaster（主時鐘），通過 IEEE 1588 PTP 高精度協議<strong>抵消</strong>各傳感器獨立晶振的 ppm 級<strong>溫漂誤差</strong>；</p><p>同時借助 QX550、ProFrame3 等硬件<strong>直接對接傳感器物理層</strong>，在數據離開傳感器的瞬間完成時間戳記錄，規避‘滯后時間戳’問題；并通過硬件觸發替代軟件觸發，減少操作系統調度抖動，最終構建納秒級精度的統一時間基準，通過 ADTF/ROS 等軟件框架貫穿數據處理鏈路，實現從<strong>微秒級‘軟件對齊’</strong>到<strong>納秒級‘硬件同步’</strong>的工程跨越。
展開 智能駕駛仿真測試解決方案
產品特點
?
超強的實時處理能力，可運行多個決策算法控制的智能駕駛車輛，實現多車在環
?
提供強大的CPU屏蔽功能，降低計算抖動，提供十微秒級別數據時延
?
實時系統安裝圖形顯卡，實現場景渲染與動力學低時延聯合仿真
?
模塊化可擴展視頻注入系統，支持多路攝像頭視頻仿真，單通道分辨率可達4k，支持EyeQ3\4等芯片，支持美信、TI 、羅姆等主流編串芯片，支持DVP、GMSL、MIPI、FPDlink3 等主流數據傳輸方式，兼容原車攝像頭視頻采集、回注
?
提供業內雷達模擬器系統，距離可達1.8m，信號帶寬可達 5GHz，真正覆蓋毫米波雷達測試工況；提供多雷達模擬器級聯方案，解決 5R1V 測試需求
?
提供全面的激光雷達模型庫，支持包含velodyne IBEO速騰聚創 禾賽等廠家的激光雷達仿真
?
無縫集成自動駕駛場景仿真平臺VTD
?
靈活的MIL/HIL/VIL/DIL切換和支持能力
產品組成
?
實時計算平臺TESTBASE
?
基于新一代實時計算平臺
?
全新TESTBASE家族外觀設計，彰顯簡約、科技風尚
?
多傳感器仿真系統
?
對各類傳感器均可提供理想環境感知傳感器模型，直接輸出目標級信息，包括交通物體的類型、位置、速度等信息，道路相關信息、交通標志信息等
?
支持多種傳感器的原始信號仿真，如:攝像頭視頻注入、激光雷達點云仿真、超聲波雷達硬線仿真
?
支持多種傳感器的物理級仿真，如:攝像頭視頻暗箱、毫米波雷達回波模擬、超聲波雷達回波模擬
?
支持LMU
展開 邁向智駕高階驗證：康謀高保真HIL仿真解決方案，重塑測試價值
三、應用案例
該HIL 方案已在多家頭部企業應用，此外國產車輛動力學聯合仿真HiL臺架也已搭建完成，典型案例包括：
國產車輛動力學聯合仿真HiL臺架
（1）英偉達 Hyperion 8.1 L3 閉環 HiL 項目：多節點分布式部署，支持 12 Camera+9 Radar+1 LiDAR 配置，通過 GMSL/Ethernet 接口實現傳感器數據注入，滿足高階智駕系統全場景測試需求
（2）地平線 TROS 集成方案：內置動力學模型，通過以太網 + Proto 協議實現低延遲通信，適配 ADCU_J6E 域控平臺，完成車道保持、自適應巡航等功能驗證
（3）國產車輛動力學聯合仿真 HiL 臺架：融合德思特 GNSS 模擬器（1000Hz 迭代率、5ms 延遲）提供物理GNSS信號仿真，支持整車動力學特性驗證
（4）Qualcomm L2 + 智駕系統測試：4 Camera+5 Radar 配置，雙 GPU 并行仿真，覆蓋高速、城市道路多場景，完成 AEB、ACC 等核心功能的閉環測試
康謀 HIL 仿真解決方案以軟件升級為核心驅動力，打破傳統方案硬件依賴瓶頸，既滿足現有系統升級的無縫銜接需求，又為新增部署提供對標行業領先水平的成熟選擇。依托 aiSim 的技術前瞻性與工程化落地能力，助力全產業鏈客戶在智駕系統開發測試中實現成本、效率與置信度的三重突破。
展開 汽車測試技術如何高質量“交卷”？
這些要求給汽車技術開發商帶來了新的挑戰：
更多傳感器、控件和接口：更高的信號帶寬，復雜性增加
現場運行：低功耗、小尺寸和穩健運行，適用于惡劣環境或主動路測
不斷發展的標準和要求：確保支持各種有線和無線協議
耐用性和多功能性：性能穩健，具有容錯能力
現代汽車中使用了各種車內協議
協議分析工具需要支持多種接口，ADI的產品組合包括CAN、LIN、SENT、GMSL、RS-485/RS-232或多協議、USB、汽車以太網、A2B、C2B、E2B等。由數據記錄器監測的常見信號（例如溫度、電壓或電流）適用于窄帶過采樣ADC，而Σ-Δ ADC提供高信號鏈集成度，并且多通道選項可用于同時監測多個信號。ADI為便攜式應用提供緊湊型集成隔離式通信、多通道ADC以及低功耗MCU和ADC選項。
數據記錄儀和協議分析儀
噪音、振動和粗糙度 (NVH)
在開發電機或動力轉向等新技術時，了解設備將如何響應現實世界的變量（如道路振動和其他惡劣條件）至關重要。電子信號中不必要的聲音或中斷會產生聽覺干擾，從而對消費者的駕駛體驗產生負面影響。
展開 CES 2019上發布的芯片匯總
據悉，xFusion系統集成了工業及車規級要求的硬件，使用車規級別GMSL攝像頭，激光雷達與多攝像頭硬件同步，深度學習網絡的剪支壓縮和加速算法，提供高度優化的實時處理速度，直接面向GPU編程，攝像頭和激光雷達的深度融合算法（輔助毫米波雷達）。
華為
雖然，在本屆CES中華為并沒有展示5G技術，但華為展示了其在AI領域的發展，這就包括前些天華為在深圳發布的最新產品鯤鵬920。
據介紹，鯤鵬920由華為自主設計，采用最先進的7nm工藝制造，基于ARMv8架構，最多64核，頻率2.6GHz，支持8通道DDR4、PCIe 4.0和CCIX互聯芯片，總帶寬為640Gbps。與其他ARM處理器相比，鯤鵬920內存帶寬提升46%，IO帶寬提升66%，網絡吞吐量是業界標準4倍。據華為方面表示，這款高性能、低功耗的芯片在能效上的高出業內標準25%。華為稱，鯤鵬920芯片的大部分性能提升來自分支預測算法優化、更多的OP units數量以及內存子系統架構的改進。
除此之外，華為還在CES2019上宣布，華為MateBook 13筆記本以及MediaPad M5 Lite平板將在本月登陸美國市場。
地平線
在本屆CES展會上，地平線Matrix自動駕駛計算平臺獲2019 CES創新獎。Matrix平臺利用地平線AI加速IP最大化了嵌入式AI計算性能，可支持激光雷達、毫米波雷達的接入和多傳感器融合。在CES展會上 ，地平線展示了基于該平臺的兩款最新自動駕駛解決方案——地平線NavNet眾包高精地圖采集與定位方案和地平線激光雷達感知方案。
NavNet
當前，地平線NavNet針對眾包場景，利用深度學習和SLAM技術進行道路場景的語義三維重建，支持16大類地圖元素的重建、識別、矢量化。
展開 駕駛域計算平臺架構核心軟件和底層硬件梳理
華為MDC與上層應用架構圖
注：CAN、ETH、GMSL 等皆為內部通信方式，一般來說 ETH（以太網接口）可以連接到 4G 網絡，車聯網系統等，CAN 接口可以對接底盤 ECU，包括轉向和動力 ECU 等。
（二） CPU+ AI 芯片的三大流派
1.AI芯片的主要分類：GPU/FPGA/ASIC
GPU仍屬于通用性芯片。它與傳統CPU有明顯差異，CPU需要很強的通用性來處理各種不同的數據類型，同時對邏輯判斷有較高要求，因此CPU的內部結構異常復雜。而GPU面對的則是數據類型高度一致、相互無依賴的大規模數據和不需要被打斷的純凈的計算環境。
GPU采用了數量眾多的計算單元和超長的流水線，但只有非常簡單的控制邏輯并省去了Cache，而CPU不僅被Cache占據大量空間，而且還有有復雜的控制邏輯和諸多優化電路，相比之下計算能力只是CPU很小的一部分。
CPU VS GPU
ASIC屬于定制化芯片，即應特定用戶要求和特定電子系統的需要而設計、制造的集成電路。ASIC的特點是面向特定用戶的需求，ASIC在批量生產時與通用集成電路相比具有體積更小、功耗更低、可靠性提高、性能提高、保密性增強、成本降低等優點。ASIC具有高性能、低功耗的優勢，但它們包含的大部分算法——除了那些在軟件內部處理器內核執行的——其余都是“凍結的”。
FPGA，是作為專用集成電路（ASIC）領域中的一種半定制電路而出現的，FPGA最大特點在于，可以配置它的可編程架構來實現研發人員需要的數字功能組合。
展開 
萬字綜述車載攝像頭
所以在車輛上，我們需要將其轉換成例如GMSL等適合在車上長距離傳輸的高速總線標準進行傳輸，所以相機模組內部通常會通過串行板進行總線的轉換。另外同軸電纜既可以用來為模組提供電源，也可以傳輸圖像數據。
光學鏡頭：負責聚焦光線，將視野中的物體投射到成像介質表面，根據成像效果的要求不同，可能要求多層光學鏡片。濾光片可以將人眼看不到的光波段進行濾除，只留下人眼視野范圍內的實際景物的可見光波段。
圖像傳感器：圖像傳感器可以利用光電器件的光電轉換功能將感光面上的光像轉換為與光像成相應比例關系的電信號。主要分為 CCD 和 CMOS 兩種。
ISP 圖像信號處理器：主要使用硬件結構完成圖像圖傳感器輸入的圖像視頻源 RAW 格式數據的前處理，可轉換為 YCbCr 等格式。還可以完成圖像縮放、自動曝光、自動白平衡、自動聚焦等多種工作。
串行器：將處理后的圖像數據進行傳輸，可用于傳輸RGB、YUV等多種圖像數據種類。
連接器：用于連接固定攝像頭。
展開 支持Level3 以上功能的自動駕駛軟件框架及基礎組件
一張 1080p 的圖片經過目前最快的傳輸線路GMSL2(~6Gbps）需要約7毫秒的傳輸時間，然后經過多級感知算法，規劃算法，到控制輸出，需要的時間至少在30-50毫秒之間。車輛以60km/h的速度，已經走出去 0.5 到 0.8 米。
Level2 以下自動駕駛功能開發中，一般會在系統設計階段定義好線纜及各級算法要求達到的性能及延遲，以控制總的延遲。性能開銷最大的算法會獨占相關的計算加速資源，開發時努力優化到設計要求。相當于在整體系統中靜態要求了一個最大的延遲范圍，各處理層級級保障達到對自己的靜態要求。整體的環境語義中沒有延遲相關的信息。
Level3~Level4 的自動駕駛實現中，各級粒度的場景會按情況進行切換，各種算法依次輪流使用計算資源，有的算法會競爭使用計算資源。那么這種數據處理的延遲會是動態的。有必要把數據延遲相關的信息內置與環境模型中，作為現實模型的一部分。
數據準確度存在一個置信區間，而且置信區間會隨著環境(日夜、天氣)等因素改變。任何算法的結果的準確度都是一個概率上的置信區間范圍。環境模型數據中如果能包含各級語義的置信區間數據，可以為規劃提供更多的依據。
2.4 環境模型作為產品邊界的定義及對開發方式的影響
環境模型還定義了 L.FW(智能駕駛軟件框架) 層內部的產品邊界。這句話有兩層含義。首先，L.FW 內部可以有多個產品的組合，第二，環境模型定義了一類產品的邊界。
我們以 Mobile 的 EyeQ 系列產品為例來說明。EyeQ 本身是一個獨立的軟硬一體的產品，很多 ADAS 解決方案都采用它做為感知的解決方案。
如下圖: 可以把它輸出的感知數據理解為一種環境模型的表達形式。
展開 自動駕駛軟件架構之：中間件與SOA（三）
就目前自動駕駛系統中廣泛運用的攝像頭技術為例，一個800萬像素的攝像頭，在攝像頭硬件接線是如果采用GMSL2 ，可以讓圖像捕捉達到約30幀的采集幀率，數據帶寬已經在6Gbps 以上。
基于 SOA 架構，我們希望把圖像數據的捕捉作為一個服務，圖像數據“發布(Publish)” 出來，多個數據處理的服務去“訂閱（Subscribe）”，獲取數據并利用。數據處理的服務可以有多個，有的執行車道線和車輛識別算法，有的將圖像連續幀編碼為視頻格式存儲。這是典型的“客戶-服務器”風格與“發布/訂閱”風格的組合。
但是數據傳輸所需要的帶寬，已經不是一般千兆以太網所能承接的了，必須使用共享內存進行數據傳輸加速。如果這幾個相關的服務運行在同一個芯片的統一個OS上，共享內存還是簡單的，如果是不同的OS(如 TI TDA2/TDA4),就涉及到跨 OS的內存共享。如果是在一個 PCB 電路板上集成了多個SoC主芯片，還需要能支持基于 PCIe 的跨芯片跨OS的內存共享，否則就只能限定某個SoC芯片只能處理接入到它的攝像頭數據。
也就是說，一方面我們希望利用 SOA 帶來的架構便利性，一方面我們希望在SOA 架構的框架體系內解決傳感器相關的高帶寬數據傳輸要求。
解決的辦法至少有一下幾種：
SOA 的通訊協議采用 DDS, 某些 DDS 的實現已經內置了共享內存通訊，這是目前采用比較多的方式。有數據序列化動作，實現零拷貝有一定難度。優點是已經有成熟的實現。
基于共享內存的虛擬網卡，這個適合基于PCIe的跨SoC通訊。有數據序列化動作，實現零拷貝有一定難度。
展開 4萬字一文帶你看懂車載攝像頭技術、市場、發展前景
所以在車輛上，我們需要將其轉換成例如GMSL等適合在車上長距離傳輸的高速總線標準進行傳輸，所以相機模組內部通常會通過串行板進行總線的轉換。另外同軸電纜既可以用來為模組提供電源，也可以傳輸圖像數據。
7、圖像傳感器CCD和COMS區別：
CCD（Charge Coupled Device ）感光耦合組件 CCD主要材質為硅晶半導體，基本原理類似 CASIO 計算器上的太陽能電池，透過光電效應，由感光組件表面感應來源光線，從而轉換成儲存電荷的能力。簡單的說，當 CCD 表面接受到快門開啟，鏡頭進來的光線照射時，即會將光線的能量轉換成電荷，光線越強、電荷也就越多，這些電荷就成為判斷光線強弱大小的依據。CCD 組件上安排有信道線路，將這些電荷傳輸至放大解碼原件，就能還原所有CCD上感光組件產生的信號，并構成了一幅完整的畫面。
CMOS（Complementary Metal-Oxide Semiconductor）互補性氧化金屬半導體 CMOS的材質主要是利用硅和鍺這兩種元素所做成的半導體，使其在CMOS上共存著帶N（帶–電）和P（帶+電）級的半導體，這兩個互補效應所產生的電流即可被處理芯片紀錄和解讀成影像。
CMOS與CCD最大的差別是：放大器位置和數量 比較 CCD 和 CMOS 的結構，放大器的位置和數量是最大的不同之處。
CCD 每曝光一次，自快門關閉或是內部頻率自動斷線（電子快門）后，即進行像素轉移處理，將每一行中每一個像素（pixel）的電荷信號依序傳入“緩沖器”（電荷儲存器）中，由底端的線路導引輸出至 CCD旁的放大器進行放大，再串聯 ADC（模擬數字數據轉換器） 輸出。
展開 