風險感知技術
關注創建者：匿名 創建時間：2025-12-22
風險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
風險感知技術的實例教程
三、風險感知的本質：對不確定性的警覺
風險感知不是“知道危險”，
而是“意識到自己不知道”。
AI系統應當能識別三種不確定性：
數據不確定性：輸入異常、漂移、缺失；
模型不確定性：算法泛化差、過擬合、參數漂移；
環境不確定性：工況變化、噪聲干擾、外部擾動。
一個真正成熟的AI控制系統，
不是“永遠正確”，而是知道什么時候自己不確定。
四、“容錯”不只是備用，而是自我恢復
傳統容錯設計的思路是冗余：
兩套設備，一主一備。
但AI容錯需要更多層邏輯。
它不僅要能“備份”，
還要能在錯誤發生時自動調整自己。
例如：
檢測到模型異常 → 回退到傳統PID模式；
數據漂移超限 → 自動觸發模型重訓練或參數校正；
異常輸出連續出現 → 進入安全限幅區運行。
這是一種“認知級容錯”，
讓系統在錯誤發生前后，都有思考空間。
五、“模型失配”的工程治理
模型失配（Model Mismatch）是AI控制的常見病。
它的根源是現實在變，而模型沒跟上。
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 馬佃波
（吉林大學 130012)
摘要：無人駕駛汽車的相關技術一直是當今科學技術研究中的重中之重，它對國防、科學技術的發展以及整個社會的經濟都有重要的影響作用。無人駕駛汽車的相關技術涉及了很多知識，需要大量專業人才為之奮斗。其中，環境感知技術就相當于無人駕駛汽車的眼睛，將影響著整個無人駕駛汽車的安全性和穩定性，因此，本文主要分析了當前國內外無人駕駛汽車的發展現狀以及現有的無人駕駛汽車環境感知系統，對無人駕駛汽車環境感知系統中的傳感器進行了研究。
關鍵詞：無人駕駛；汽車；環境；感知
科技發展的腳步從未停止，人工智能機器人及人工智能系統已然成為新世紀科技發展的主向。作為人工智能機器人的分支，無人駕駛汽車的發展在整個社會和科學技術的發展中都具有非常重要的影響。無人駕駛汽車可以通過車上安裝的攝像頭或雷達感知道路情況，及時傳遞各種危險情況給駕駛系統，并且在駕駛員沒有及時做出反應的危急時刻自動采取安全措施，提升駕駛汽車的安全性。
在道路行駛中，可以通過視覺傳感器檢測汽車是否行駛在車道內，有無偏離，還會識別行駛過程中道路上的各種標識物和紅綠燈。在無人駕駛技術中，環境感知技術是其組成單元中較為重要的一個單元，將直接決定無人駕駛汽車的整體水平，一直是無人駕駛技術中研究的重點。
1 國內外無人駕駛汽車發展現狀
1.1 國外無人駕駛汽車發展現狀
目前對無人駕駛技術研發投入最多且研究較為深入的國家就是美國了，其從1970年開始就一直注重無人駕駛技術的發展，在各個有能力的單位、學校、研究院投入大量資金進行科學研究，推動了無人駕駛汽車的發展，并取得了非常好的研究成果。
在2011年，英國的牛津大學改裝了一輛越野型無人駕駛汽車，該車在行駛中可以不用GPS，而是采取激光雷達感知道路情況，可以行駛在山路中[1]。
展開 
風險感知技術的相關專題、標簽、搜索
風險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
工業AI系統的風險感知與容錯治理5個月前
過去我們設計控制系統時，
最怕的是“硬件出錯”：電源故障、線路短路、信號丟失。
而現在，越來越多的問題出現在看不見的地方——
算法偏差、模型錯誤、數據污染、系統誤判。
這類問題沒有煙，沒有聲，
它們是“智能化時代的新風險”。
如何讓AI系統在工業環境中真正“安全可控”，
成了每一個自動化工程師都繞不開的問題
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
摘要
隨著人工智能、邊緣計算、無線通信和車載傳感器等關鍵技術的進步和突破，自動駕駛系統迎來了新一輪的發展。交通應用的安全攸關場景給自動駕駛系統提出了更高的質量保障要求。感知系統是自動駕駛的核心，圍繞感知能力的測試驗證工作是保障自動駕駛軟件系統安全可靠的有效且必要途徑。本文簡要分析了國內外自動駕駛感知系統測試的研究現狀，并對圖像、激光雷達、以及感知融合測試方法和技術發展進行了討論。
