高精度時間同步的案例
康謀方案 | BEV感知技術：多相機數據采集與高精度時間同步方案
利用GPS接收模塊和XTSS時間同步服務，確保了多相機的高精度時間同步。
康謀的BEV Camera數據采集方案有效解決了多相機同步采集和高精度時間同步的難題，還提供了靈活的相機參數配置和高效的數據傳輸，能夠滿足自動駕駛和高精度測量等場景的需求。
康謀技術 | 自動駕駛：揭秘高精度時間同步技術（一）
在感知層面，單一傳感器采集外界信息，各有優劣，比如攝像頭采集信息分辨率高，但是受外界條件影響較大，一般缺少深度信息；激光雷達有一個較大的感知范圍和精度，但是分辨率上不如相機。因此，市面上普遍采用多傳感器的方案進行車輛感知。而做傳感器融合時，需要先進行運動補償、時間同步和傳感器標定。
要實現多傳感器的時間同步，首先，我們需要選擇一個統一的時鐘源，為整個系統提供時間基準，通過”PPS+GPRMC”形式完成主設備授時。此外，在系統中包含多個不同類型的傳感器，一般采用基于以太網的時間同步協議，實現主設備與傳感器的高精度時間同步。這一整體流程確保了多傳感器數據能在統一時間框架內準確分析處理。
一、時鐘源
1、GNSS
在自動駕駛系統時間同步中，多數情況下會配備高精度GNSS車載接收機，如圖1所示。GNSS接收機會解算導航衛星信號從而實現定位和授時功能。具體來說，解算獲得導航衛星中高精度原子時鐘與本系統時間的鐘差，從而校準系統時間，完成GNSS的授時功能。
圖1：GNSS接收機
二、PPS＋GPRMC
隨后，GNSS接收機會發送PPS脈沖+GPRMC報文，信號如圖2所示。
圖2：PPS與GPRMC
1、PPS
PPS（Pulse Per Second，秒脈沖）：基于 UTC（協調世界時）產生時間周期為1s的同步脈沖信號，脈沖寬度通常在5ms-100ms之間。
2、GPRMC
GPRMC（Global Positioning System Recommended Minimum data，全球定位系統推薦最小數據集）：是NMEA 0183報文之一，包含經緯度、日期（年、月、日）和UTC時間（精確到秒）等信息，通過標準串口進行輸出。
展開 康謀技術 | 自動駕駛：揭秘高精度時間同步技術（二）
在自動駕駛中，對車輛外界環境進行感知需要用到很多傳感器的數據（Lidar，Camera，GPS/IMU），如果計算中心接收到的各傳感器消息時間不統一，則會造成例如障礙物識別不準等問題。
為了對各類傳感器進行高精度的時間同步，可以分為幾部分內容：統一時鐘源，硬件同步，軟件同步。
一、統一時鐘源
在構建自動駕駛的時間同步架構時，我們面臨著一個核心問題：如何確保系統中各個傳感器的時間基準一致？由于每個傳感器可能擁有自己的內部時鐘，而這些時鐘之間可能存在微小的頻率差異，即所謂的“鐘漂”。這些差異隨時間累積，會導致各傳感器時間基準的不一致。
為了解決這一問題，引入了統一時鐘源的概念。統一時鐘源的作用是提供一個所有傳感器都遵循的共同時間參考，如圖1所示。
圖1：統一時鐘源
統一時鐘源有兩種常見方式：一種是基于GPS的“PPS+NMEA”，另一種是基于以太網的IEEE 1588/802.1AS（PTP/gPTP）時鐘同步協議。關于兩種時鐘源同步方式可查看上篇文章：
自動駕駛：揭秘高精度時間同步技術（一）
https://www.yqgqt.org.cn/post/1942685
二、時間戳誤差
當傳感器數據被標記上從GPS接受到的全局時間戳，時間戳通常來源于精確的時間同步協議（如UTC time·），這樣以GPS為基準的時間戳，簡化了同步過程，非常方便。每個傳感器數據都有了全局一致的時間參考。
但同樣也會面臨一個問題，不同的傳感器采樣頻率不一樣，比如激光雷達（通常為10Hz）和相機（通常為25/30Hz）。導致在特定時間獲取同步數據可能會有延遲，在動態環境中可能造成較大的誤差。
展開 康謀方案 | 高精度時間同步技術的實現與應用
以華測慣導CGI430為例，它支持PPS+GPRMC方式完成授時，與PSB+QX550模塊鏈接，進而完成整個系統的時間同步。
圖6：慣導授時
四、總結
隨著大家普遍認同硬件時間戳的不可替代性以及多源冗余架構的必要性，目前自動駕駛時間同步技術發展趨勢已經從“是否需要同步” 轉向 “如何在復雜場景下實現穩定同步”，更聚焦于時間同步是否滿足“高精度、高可靠、易集成”。
對于工程師而言，方案的可實施性和故障容錯能力是關鍵。比如PSB+QX550采用即插即用的設計，可以有效的應用到不同測試方案中實現系統時間同步。基于偏差矯正的能力，可以避免時鐘源偏差。
未來，隨著 5G-A 和車路協同的普及，時間同步將從 “車載剛需” 延伸至 “全域協同”，推動行業向納秒級精度邁進。
我是分享自動駕駛技術的康謀，歡迎關注互動
展開 
如何用單片機做一個高精度的時間鐘方案？
如果手中沒有，可以多花點時間，用手機、電視、廣播上的報時進行校準），這樣就可以將它做成一個自己的【標準秒脈沖時鐘源】。
4）產品出貨前，用自己的【標準秒脈沖時鐘源】校一下（將輸出的標準秒脈沖送入其它產品的校準端口，讓其它產品自動完成定時器時常數及微調常數的修正。）
如此處理，時間鐘的精度就取決于晶振的穩定度，而不是精度。而晶振的穩定度普遍可以達到PPM級，當環境溫度變化不大時，極易保證<11.57PPM，這就達成了日差小于1秒的目的。
2、產品相關時間基準的程序：
（只提方案，不提程序代碼）
1）將端口輸入的秒脈沖與本體的晶振頻率進行比對，計算出定時器的時常數與微調時常數（只做一次即可，計算結果保存到FLASH了，其最初值是按晶振的標稱值計算確定的）。
2）時間微調補償。
3）秒脈沖輸出（用于互校，可以放棄不寫）。
要點：定時器的時常數不是程序直接賦值，而是從FLASH中調取的。
*本文系網絡轉載，版權歸原作者所有，如有侵權請聯系刪除
掃碼入群
掃碼添加管理員微信
加入“電子產品世界”粉絲交流群
↓↓↓↓點擊閱讀原文，查看更多新聞
展開 高校自動駕駛研究新基建：“實測 - 仿真” 一體化數據采集與驗證平臺
，客戶在科研與教學層面獲得了顯著收益：
1、科研效率提升
獲取高精度時間同步的多傳感器原始數據
支持低延時在線監測，減少無效采集與重復外場測試
2、測試成本與風險顯著降低
危險與長尾工況可通過數字孿生方式反復驗證
顯著減少高風險實車測試帶來的安全與合規壓力
3、教學資源標準化與復用
“實測—仿真”雙向聯動平臺可直接用于課程教學
支撐多屆學生、多個課題組共享同一驗證體系
客戶評價：康謀并沒有給我們一套“黑盒式”系統，而是和我們一起把數據采集、時間同步和仿真驗證的關鍵問題拆解清楚。這套平臺既能直接用于科研項目，也非常適合教學使用，為我們后續的算法研究和課程建設提供了長期價值。
展開 賦能商用車 ADAS 研發：多傳感器數據采集方案
近期，在和眾多商用車ADAS研發客戶的溝通過程中，我們觀察到了一些被頻繁提到的客戶需求和場景痛點，針對于此，本文為該類客戶量身定制了一套高性能商用車ADAS多傳感器數據采集方案。
本文將從客戶的實際痛點出發，詳細拆解如何在復雜工況、多車型適配等需求下，實現高精度、多傳感器的數據融合與采集。
一、客戶需求與場景痛點
不同于乘用車，商用車受自身車體特性、運營場景與研發需求，其 ADAS 數據采集絕非乘用車方案的簡單放大，而是需要從底層設計就需要貼合專屬需求的定制化工程，核心痛點集中在四個方面：
（1）車體與配置感知難題：車體大、盲區多，需強化近場及 360° 環視感知，采集系統需支持配置與標定快速切換；
（2）多車型適配靈活需求：涵蓋多種品類且車身結構差異大，要求采集的支架和傳感器，實現多車型快速適配，且改裝后復標高效，降低研發成本；
（3）多傳感器融合高精度門檻：BEV / 端到端模型對數據時空對齊、空間融合精度要求嚴苛；
（4）復雜工況高可靠性要求：運行場景與環境復雜多變，采集系統需滿足商用車級的環境適應性，具備防震、防水、寬溫域運行能力，同時長時間連續采集，保障低丟幀、無宕機。
二、解決方案概覽
針對這些核心痛點，我們以場景化適配、高精度融合、高可靠性運行、定制化設計為核心設計理念，在傳感器配置、硬件架構、標定流程與采集軟件四個層級進行重構，以此實現對商用車 ADAS 數據采集全需求的精準覆蓋。
1、傳感器配置與硬件架構
良好的傳感器配置，高協同的硬件架構是數據采集精度和穩定性的基礎。根據商用車感知需求，采用分層感知 + 角模塊化的傳感器配置思路，搭配工控機 + 板卡 + 高精度時間同步模塊的定制化硬件架構，實現多傳感器 360° 全維度感知、微秒級時間同步與高帶寬數據存儲。
展開 康謀技術 | 多傳感器數據融合技術與策略解析
圖1：傳感器融合先決條件
1、統一時鐘
確保所有傳感器數據在時間上的一致性，為后續處理提供同步基準。關于時間同步的詳細內容可見往期內容：
《自動駕駛：揭秘高精度時間同步技術（一）》
https://www.yqgqt.org.cn/post/1942685
《自動駕駛：揭秘高精度時間同步技術（二）》
https://www.yqgqt.org.cn/post/1943634
2、統一坐標系
統一坐標系包含兩步，一是運動補償，二是傳感器標定。
① 運動補償：確保數據時效性
運動補償是針對周期性采集數據的傳感器，如激光雷達（LiDAR），其數據采集周期可能長達100毫秒。由于車輛在運動，采集周期的開始和結束時刻，車輛的位置已經發生了變化。這就需要對采集的數據進行運動補償，以確保數據反映的是車輛在某一固定時刻的環境狀態。
② 傳感器標定：確立坐標轉換
傳感器標定是確保每個傳感器的數據都能準確映射到世界坐標系中的過程。它包括內參標定和外參標定兩個部分。
內參標定：針對單個傳感器，解決其內部參數，如攝像頭的焦距和畸變，確保傳感器數據在自身坐標系中的準確性。詳細內容可見往期內容：
《深入探討：自動駕駛中的相機標定技術》
https://www.yqgqt.org.cn/post/1938216
外參標定：在已知的世界坐標系下，解決不同傳感器之間的相對位置和方向，確保它們數據的一致性。
展開 自動駕駛時間同步
除了硬件時鐘偏差的原因，各種傳感器的采樣頻率也不一致，當前激光典型采樣頻率為10HZ，相機為30fps，高精度組合導航為100HZ。沒有準確的時鐘同步，各傳感器在哪一幀進行融合，在哪里進行插值都沒法進行判斷。兩個傳感器即使采樣頻率一致，其每幀數據的采樣點也一般不一致。真正應了那句，不主動求變，那就只能生死由命富貴在天了。
除了自動駕駛域需要精確的時鐘信息外，其他域相關功能同樣也需要。大屏上實時高精地圖顯示；駕駛員實時疲勞檢測；實時的流媒體后視鏡顯示；車輛與路側RSU之間的實時信息交互，無一不需要全域架構內的精確時間同步。
時間同步技術
要實現時間同步，首先需要一位德高望重，威名遠播的的族長（時鐘源）。族長負責宗族內部的管理和各項事務的主持（進行時間同步）。有的家族過于龐大，族長年事又高，一般會再選一名柱首（主時鐘節點）及幾名房長（邊界時鐘節點）替族長處理族里日常雜事，族員的恩怨情仇（主時鐘設備對其它設備進行授時）。
時鐘源
自動駕駛系統目前絕大多數標配高精度GNSS接收機，而GNSS中導航衛星內置高精度原子鐘，GNSS接收機通過解算導航衛星信號，可以獲得超高精度的時鐘信號。所以GNSS除了廣為人知的定位功能，還有一個鮮為人知但重要非凡的授時功能。
原子鐘是人類目前最精確的時間測量儀器，原子在不同能級之間的移動稱為“躍遷”，且由高能級躍遷到低能級時，會釋放電磁波。
展開 惡劣工況下的ADAS多源傳感器數據采集：從硬件抗干擾到算法泛化
因此，圍繞這兩個維度，數據采集方案常包含硬件支撐、數據同步與采集、適應性與擴展性、監控與維護四個部分。
1、核心硬件支撐
在惡劣工況下，硬件系統的穩定性是數據采集的基礎。首先，硬件需滿足嚴苛的車規級標準，通過如 LV124、LV148 等汽車行業測試規范，以及環境模擬與氣候測試，確保在 - 40℃至 + 85℃的極端溫度范圍、持續振動（如 50m/s2 沖擊）、高濕度等場景下正常運行。
圖1 BRICK2 – 30000小時連續無故障穩定運行
其次，硬件需具備電磁兼容性（EMC）設計，通過預測試與仿真驗證，減少車輛內部電子設備的電磁干擾，保證傳感器原始數據的完整性。同時，電源管理需支持寬電壓輸入，應對車輛啟動時的電壓波動或極端工況下的供電不穩定，避免因斷電導致的數據丟失。
此外，硬件冗余設計至關重要。例如，關鍵接口（如以太網、PCIe）采用雙路備份，存儲模塊支持熱插拔，即使單一組件出現故障，系統仍能通過自動切換保障數據持續采集，降低惡劣工況下的停機風險。
圖2 ATX4-多PCIe擴展
圖3 ATX4-震動測試（50m/s2）
2、數據同步與采集
多源傳感器（攝像頭、雷達、激光雷達等）的數據時間一致性直接影響算法訓練的有效性。在惡劣工況下，需通過高精度時間同步技術消除傳播延遲與時鐘抖動，例如采用 IEEE 802.1AS（gPTP）等協議，結合邊緣節點本地時間戳標記（數據生成時即打標），確保傳感器數據的時間偏差控制在納秒級。
數據采集階段，需建立統一的時間域，通過軟件工具對多源數據進行時間對齊與格式標準化（如將圖像像素、激光點坐標映射至同一時間軸）。
展開 高校科研多傳感器時間同步方案
旨在通過相機陣列和激光雷達的數據，在空間上重建統一的車周環境，為下游檢測、分割提供高精度“語義地圖”。然而，一旦相機間的時間同步存在<strong>幾十毫秒及以上的誤差</strong>，BEV 投影的理想模型便可能<strong>失效</strong>，引發一系列典型的問題：</p><p>1、多相機拼接的鳥瞰圖在特征層面出現<strong>撕裂</strong>，導致Transformer或者卷積融合網絡在訓練階段<strong>難以收斂</strong>，損失曲線持續振蕩。</p><p>2、采集到的數據因固有延遲而與真實世界的<strong>時序錯位</strong>，當反投影到激光雷達或 IMU 坐標系時，產生明顯<strong>重影現象</strong>，外參標定<strong>不可重復</strong>。</p><p>3、時延隨實驗次序號<strong>隨機漂移</strong>，致使在離線評估中構建的數據時序關系，無法反映實車運行的真實時序狀態，最終導致科研結論<strong>缺乏可重復性</strong>。</p><p>這些消耗巨量算力與人力的痛點，其根源往往不在于算法本身，而在于數據基石存在缺陷 —— 即傳感器間<strong>缺乏統一可信的時間基準</strong>，導致時序準確性無法保障。</p><p>由此可知，對高校自動駕駛實驗室來說，<strong>穩定的時序精度</strong>是BEV感知科研的關鍵，團隊亟需適配多源異構傳感器的高精度時間同步方案，解決數據撕裂、實驗不可復現等痛點。</p><p>本文將拆解<strong>時間同步核心難題</strong>，介紹<strong>多傳感器時間同步方案</strong>概況與<strong>應用價值</strong>，旨在幫助高校團隊實現高質量、可復現、省算力的多傳感器時間同步落地方案。
展開 
aiData全自動化數據處理解決方案！
因此高質量、精準且記錄完備的數據，是神經網絡訓練、驗證及仿真測試的核心支撐。
然而，數據采集往往是 AI 開發生命周期中成本最高的環節，需要投入車輛、傳感器、駕駛員、定制軟件及大量工程時間。更令人困擾的是，由于傳感器部署不當、校準失準、版本控制缺失或診斷元數據遺漏等可避免的問題，這筆巨額投資常常無法充分發揮價值，最終導致研發進度放緩、調試難度增加，數據可信度大打折扣。
本文介紹的 aiData 全自動化數據處理解決方案，正是為了幫助開發者從一開始就避免這些問題。該方案既助力用戶打造高度自動化和開放化的自動駕駛系統，又能確保數據所有權僅屬于用戶本身，憑借在實際項目中積累的豐富經驗，為研發團隊規避 costly 失誤，有效降低人力成本和計算資源消耗，加速汽車 AI 技術落地。
02 aiData核心組件
aiData由完全自有的模塊和工具組成，在行業標準規范下，構建了覆蓋數據采集、生成、使用、驗證全流程的成熟端到端工具鏈。
aiData Recorder
aiData Recorder（數據記錄器）搭載自適應智能數據采集軟件，通過精準的傳感器標定與同步技術，為自動駕駛技術生成高質量數據源。
①支持多模態傳感器陣列的離線與實時動態標定
②實現傳感器記錄的高精度時間同步
aiData Auto Annotator
aiData Auto Annotator（自動標注器）是基于人工智能的多傳感器自動標注方案，針對動態與靜態物體實現行業頂尖的標注精度，原始數據采集后數小時即可完成處理。
展開 IMA Dresden飛機機身殼體測試臺
</span></p><p><br></p><p><span style="color: rgb(68, 68, 68);">測試臺由控制器系統實施管理，其通過接口與QuantumX系統同步通訊。接口技術將傳感器、數據采集系統, 軟件和液壓控制系統之間的測量鏈和控制系統相互連接，確保所有組件順利工作。</span></p><p><br></p><p><strong style="color: rgb(0, 51, 90);">可靠數字化的精密時間技術</strong></p><p><span style="color: rgb(68, 68, 68);">Striegler提到，IMA Dresden正在逐步將其所有測試臺數字化，使用HBK系統轉換到新的數據采集方法。Striegler評論到：“隨著新一代測試臺的出現，我們正在進行升級，以滿足測試臺和測量任務的更高要求。” IMA Dresden的其中一個主要優勢在于移動和現場使用的測試設備，與分布式設備協同工作時，PTP（精密時間協議，IEEE 1588:2008）能夠</span> <strong style="color: rgb(51, 182, 177);">通過以太網</strong> <span style="color: rgb(68, 68, 68);">實現</span> <strong style="color: rgb(51, 182, 177);">數據采集的高精度時間同步</strong> <span style="color: rgb(68, 68, 68);">，創造額外的可能性。另一方面，實時以太網還可在有限帶寬下實現低延遲實時通信。
展開 一體化ROS智能駕駛小車及實訓教學平臺解決方案
該系統利用GNSS實現各傳感器間的高精度時間同步，旨在精確采集與重建海面場景數據。</p>
<p style="margin-top: 5px; margin-bottom: 15px; line-height: 1.6em; text-align: center;"><img src="http://uphotos.eepw.com.cn/1728960671/pics/1759024985916754.png" title="1759024985916754.png" alt="圖5.png" _src="http://uphotos.eepw.com.cn/1728960671/pics/1759024985916754.png"></p>
</div>
<span class="lark-record-clipboard"></span>
</div><div contenteditable="false" width="100%">
<strong><span style="font-size: 20px;">2、多傳感器環境感知體系</span></strong>
<p style="margin-top: 5px; margin-bottom: 15px; line-height: 1.6em;">本方案核心為BRCKplus多傳感器數據采集系統，集成了毫米波雷達、激光雷達和攝像頭等多種傳感器，構建了全面的環境感知數據采集體系。在此基礎上，方案采用ADTF作為上位機開發工具，實現了對多源數據的集中管理、可視化與處理。
展開 如何有效減少自動駕駛中傳感器數據的存儲量
</strong></p><h1><strong>二、應對方法</strong></h1><h2>1、時間同步策略</h2><p>通過良好時間同步策略，可以避免產生大量無效數據。當然這里的無效也是相對而言的，原因之一是通過后期的手動調整進行不同模態的數據的時間對齊是一種非常耗時的工作。在數據采集的過程中，通過觸發式的機械連接和軟件時間同步，讓不同模態的傳感器數據打上高精度的時間戳，一方面便于數據管理，減少無效數據落盤，另一方面充分有利于算法訓練。</p><h2>2、數據壓縮</h2><p>從數據壓縮的角度來看，在采集過程中可以采用H.264或者H.265進行視頻壓縮，比如在H.265壓縮的情況下，取決于采集數據的復雜性、分辨率、幀率和編碼器的設置，可以實現50%左右的壓縮比率，1GB壓縮成500MB，當然這個比率會受到很多參數影響，因此因實際情況而有所不同。</p><h2>3、專注所需場景</h2><p>目前，隨著傳感器技術的和算法的進步，自動駕駛算法/系統已經能夠應對99%的場景，這是因為各個算法已經獲得了PB甚至EB級別的數據，覆蓋了生活中的絕大多數場景。為了去應對剩下1%的邊緣場景，實際上，讓數采車直接進行上路進行數據采集，將會有大量的重復數據，并且需要數據團隊需要花費相當多的時間在其中尋找到目標數據。所以，優化數據的采集模式，讓數采專注于算法所需場景的數據，是當下能夠有效減少數據存儲體積的方式。
展開 