多傳感器數據采集的案例
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 康謀應用 | 基于多傳感器融合的海洋數據采集系統
該布局可以更有效的應對海面復雜環境下的數據采集。
三、數據采集
在面向無人艇數據采集時，需要使傳感器套件（四類傳感器）能夠同時采集數據，并具備時間同步，實時可視化、存儲和回放等能力。整體軟件架構采用ROS+傳感器集成方式，支持即插即用，使用便捷。
比如在iDS相機采集鏈路上，涉及到多相機同步采集的實現難度大、圖像數據的實時傳輸和存儲需求高和動態參數調整的靈活性不足等問題。通過定制化開發，采用ROS+PEAK SDK方案進行深度集成，實現了多相機同步采集、實時可視化、動態參數調整等功能，靈活適應海面復雜的采集環境，提高了系統的通用性。
四、總結
在海洋監測和無人艇控制領域，數據采集的準確性和可靠性至關重要?；?em>多傳感器融合的海洋數據采集系統方案，利用高性能的BRICKplus+ETH6000模塊作為中央處理單元，連接多個傳感器，能夠實現高速數據傳輸和同步。
該系統采用ROS框架與傳感器SDK進行定制開發，實現了多線程數據采集、處理和發布。同時支持配置文件動態加載傳感器參數，支持實時調整和優化，進而顯著提高了數據采集的同步性、實時性和可靠性，為無人艇的自主航行和控制算法訓練提供了高質量的數據支持。
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
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）。
圖4 時間同步（PTP-E2E）配置
圖5 多傳感器數據采集
3、適應性與擴展性
惡劣工況的多樣性要求采集方案具備靈活的適配能力。硬件層面采用模塊化架構，支持根據場景需求增減傳感器接口、擴展存儲容量或升級計算單元（如提升邊緣端實時處理能力）。
軟件層面需兼容多品牌傳感器協議與數據格式，通過開放 API 實現與現有工具鏈（如數據標注平臺、算法訓練框架）的無縫對接，減少二次開發成本。
4、監控與維護
惡劣工況下的系統故障排查難度顯著提升，需建立全鏈路監控機制。通過嵌入式管理工具實時采集硬件狀態參數（如 CPU 溫度、風扇轉速、存儲讀寫速度）、傳感器健康度（如攝像頭鏡頭污染程度、雷達信號強度），并設定閾值告警（如當設備存儲使用率超過80%自動通知運維團隊）。
圖6 ATX4-SIODI監控
03 結語
總結來說，惡劣工況下的 ADAS 數據采集方案，本質是通過 “硬件抗干擾性 + 同步精準性 + 適應與擴展 + 維護及時性” 的多維設計，解決 “極端場景數據稀缺” 與 “算法泛化需求” 的矛盾。
展開 技術探秘 | 自動駕駛汽車傳感器融合系統，及多傳感器數據融合算法淺析
通常情況下，由于無需處理或做決策，傳感器模塊具有較低的功能安全要求。
處理ECU——中央處理ECU可以獲取全部數據，這是因為數據不會因為傳感器模塊內的預處理或壓縮而丟失。由于傳感器成本較低，并且外形尺寸較小，因此可以部署更多的傳感器。
缺點：
傳感器模塊——實時處理傳感器數據需要提供寬帶通信（高達數Gb/s），因此可能出現較高電磁干擾（EMI）。
處理ECU——中央ECU需要有高處理能力和速度來處理所有輸入數據。對于很多高帶寬I/O和高端應用處理器來說，這意味著更高的電能需求和更大的散熱量。傳感器數量增加將大幅增加對中央ECU性能的需要。通過使用FPD-link III等接口，在一根同軸電纜上傳送傳感器及功耗、控制和配置等多種數據（雙向反向通道），有些缺點可以被克服。這樣便可極大降低系統的接線要求。
? 全分布式系統
另一種截然不同的極端情況是全分布式系統。這種情況是由本地傳感器模塊進行高級數據處理，并在一定程度上進行決策制定的。全分布式系統只將對象數據或元數據（描述對象特征和/或識別對象的數據）發回到中央融合ECU。ECU將數據組合在一起，并最終決定如何執行或做出反應——請見圖4。
圖4：傳感器數據由傳感器模塊處理、決策由中央ECU制定的分布式系統。
全分布式系統既有優點又有缺點。
優點：
傳感器模塊——傳感器模塊與中央ECU之間可以使用更低帶寬、更加簡單且更加便宜的接口。在很多情況下，小于1Mb/s的CAN總線就足夠用了。
處理ECU——中央ECU只將對象數據融合在一起，因此其所需處理能力更低。對于某些系統來說，用一個高級的安全微控制器就足夠了。模塊更小，所需功耗也就更低。由于很多處理都是在傳感器內部完成的，傳感器數量增加不會大幅增加對中央ECU的性能需求。
展開 
網絡課程 | 5月18日添加布拉格光柵傳感器到經典數據采集系統
官網：
<HBM應變片：應力測試測量首選>
<HBM稱重傳感器：稱重精度，久經驗證>
<HBM力傳感器： 應變和壓電兩種測量技術>
<HBM扭矩傳感器和轉矩傳感器>
<電功率測試 - 從部件到車輛能源管理>
<數據采集系統與設備>
您還可以通過如下方式聯系我們，了解更多產品與應用詳情：
郵箱：hbmchina@hbm.com.cn
官網：https://www.hbm.com/cn/
電話：400-900-3165（周一至周五9:00-18:00）
展開 自動駕駛多傳感器數據融合方法
一、摘要
近年來，深度學習技術在涉及高維非結構化數據領域展現出了最先進的性能，如計算機視覺、語音、自然語言處理等方面，并且開始涉及更大、更復雜的多模態信息問題。
不同傳感器在進行同一實驗任務時，針對產生的同一現象進行觀測，采集的數據構成被測對象的多模態信息。多模態信息可以實現不同傳感器之間數據互補，并在相同學習任務獲取更豐富的特征，從而實現比單一模態更好的性能。
在自動駕駛領域，多模態數據通常包括安裝在車輛上的多個傳感器，包括雷達、立體可見光攝像頭、紅外攝像頭、GPS等，為執行自動巡航，從傳感器收集的異構數據用于學習許多相互關聯但復雜的任務，如定位和測繪、場景識別、路徑規劃和駕駛員狀態識別等。
大多數先進的融合方法集中于如何融合來自多模態空間的信息或特征。根據多模態信息的融合策略主要可以分為早期融合、中期融合和晚期融合。
二、多傳感器數據融合處理方法
1、早期融合
早期融合在輸入端進行簡單鏈接多模態數據組合，然后輸入到特定的模型進行處理。LaserNet采用了這種融合策略，將三維的點云映射到二維圖像上，采用全卷積網絡進行概率預測，實現端到端的三維物體檢測。
早期融合的方式能夠保留最多原始數據的特征，但對于來自不同傳感器的模態信息來說，這種融合方式計算量大，對設備運行要求較高。
2、中期融合
中期融合又稱作是特征融合，需要對來自不同模態的數據進行特征提取，并對特征圖進行融合操作后輸入到目標任務中進行處理。通過ROI池化的方式將二維圖像和點云鳥瞰圖、前視圖特征整合到同一特征尺度進行融合，并構建兩個子網絡進行多視圖區域特征融合，并在不同路徑中間層中交互特征，實現了自動駕駛場景下高精度的三維物體檢測。
展開 賦能智慧隧道施工：工程車輛多模態數據采集系統
近期，在和眾多該類客戶的溝通過程中，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，以隧道運輸設備——MSV膠輪車為例，本文為該類客戶量身定制了一套高性能多模態數據采集方案。
本文將從客戶的實際痛點出發，詳細拆解如何在無GPS信號、環境惡劣的隧道場景中，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
1、復雜的作業環境與對象
本次搭載對象為MSV膠輪車（用于TBM隧道施工物料運輸）。車輛長期運行于狹長、封閉的隧道內部，且需要分別在車輛的“前端”和“后端”搭載兩套獨立的感知系統，以滿足雙向行駛的作業需求。
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。
展開 康謀技術 | 多傳感器數據融合技術與策略解析
面對復雜的感知任務，單一傳感器的局限性逐漸顯現，比如相機對目標的顏色和紋理比較敏感，但易受光照、天氣條件的影響。LiDAR以獲得目標精確的3D信息，但無法獲得目標紋理，易產生噪點等情況。多傳感器數據融合技術應時而生，通過整合不同傳感器的優勢，為車輛提供了一個全面、立體的感知維度。
一、多傳感器融合的先決條件
當多種傳感器裝在同一輛車上時，使用同一個系統來采集并處理數據。為了確保這些傳感器采集的數據能有效精準識別同一個物體，需要對這些傳感器進行統一時鐘和坐標系，即最終實現：同一個目標在同一個時刻出現在不同類別的傳感器的同一個世界坐標處。
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。
展開 康謀分享 | 基于多傳感器數據的自動駕駛仿真確定性驗證
03 確定性的驗證——以aiSim為例
為了驗證一個仿真平臺的確定性，最直接的方式便是確保各項參數不變的情況下進行重復仿真，對輸出的仿真數據進行最直接的比較，判斷是否存在差異。
例如，世界上首個獲得ISO 26262 ASIL-D認證的AD/ADAS仿真測試軟件aiSim，它構建了獨特的仿真內核，摒棄了游戲引擎中那些為“體驗”而犧牲“精確”的設計。為了驗證aiSim的確定性，我們進行了一系列重復性實驗。
1、傳感器選型與配置
圖2 aiSim傳感器配置GUI
通過在GUI中拖放仿真傳感器，我們在仿真車輛中添加了1個帶有目標檢測功能的1920×1080的前置針孔Camera、1個帶有目標檢測功能的前置Radar、1個帶有目標檢測功能的128線頂置LiDAR、1個內置IMU、1個內置GPS以及1個可以反饋自車狀態的Vehicle sensor。
圖3 仿真傳感器數據示例
2、場景與方法
圖4 仿真場景示例
aiSim本身包含了數十種城市、郊區的室內、室外場景。本文以真實世界常見的“行泊一體”為例，在一個包含14輛他車的室外停車場環境（Parking_US-CA_SanJoseAlamitos）中，對主車執行了“跟車 -> 切入變道 -> 尋找車位 -> 泊車”的全套連貫動作。
我們在完全固定的軟硬件環境下，針對三種典型天氣進行了5輪完全獨立的重復測試，每一輪測試都記錄了長達1000幀的數據，以確保完整與統一。我們將每一輪測試的數據與首次測試的基準數據進行精確比對：
晴天 (Sunny)：在Sunny.json配置下，模擬了日光充足的理想泊車環境。
雨天 (Rainy)：切換至Rainy.json配置，引入了雨水對傳感器性能的干擾。
展開 電磁式傳感器有哪些特點，電磁式傳感器提供的數據穩定性
電磁式傳感器還具備優異的穩定性和可靠性，無論是在惡劣的工業環境中，還是在復雜的電子系統中，電磁式傳感器都能夠穩定地工作，提供準確、可靠的數據。這種穩定性和可靠性是電磁式傳感器得以廣泛應用的重要保障。
電磁式傳感器是利用電磁效應來檢測物理量的裝置。它們可以根據不同的應用場景和需求，分為多種類型，如電流傳感器、位置傳感器、角度傳感器等。每一種傳感器都有其獨特的“感知”能力，能夠準確捕捉并轉換各種物理信號，提供寶貴的數據和信息。
電磁式傳感器主要包括電感傳感器、霍爾傳感器和電容傳感器等，電磁式傳感器的特點包括：
（1）高靈敏度：對外界信號的響應速度快，檢測精度高。
（2）非接觸式檢測：可以實現對目標物的非接觸式檢測，適用于對物體進行遠距離、高速度的檢測。
（3）耐高溫、耐腐蝕：通常能夠耐受高溫和腐蝕的環境，具有較好的耐用性。
（4）節能省電：工作時消耗電能較少，能夠節省能源。
（5）工作穩定：工作穩定可靠，性能持久。
展開 康謀技術 | ADTF: 助力自動駕駛系統開發的強大工具箱！
在過去十年中，自動駕駛和高級駕駛輔助系統（AD/ADAS）軟件與硬件的快速發展對多傳感器數據采集的設計需求提出了更高的要求。然而，目前仍缺乏能夠高質量集成多傳感器數據采集的解決方案。
康謀ADTF正是應運而生，它提供了一個廣受認可和廣泛引用的軟件框架，包含模塊化的標準化應用程序和工具，旨在為ADAS功能的開發提供一站式體驗。
一、ADTF的關鍵之處！
無論是奧迪、大眾、寶馬還是梅賽德斯-奔馳：他們都依賴我們不斷發展的ADTF來開發智能駕駛輔助解決方案，直至實現自動駕駛的目標。從新功能的最初構思到批量生產的準備，為每一行代碼編寫奠定了基礎。
ADTF軟件框架在汽車行業中扮演著至關重要的角色，主要體現在以下幾個方面：
1. 最大數據吞吐量：確保在高負載情況下依然能夠高效處理和傳輸數據，為自動駕駛系統提供實時反饋。
2. 高性能實時數據分析：支持復雜算法的實時運行，提升決策精度，增強自動駕駛的安全性。
3. 提高算法測試效率：簡化測試流程，縮短開發周期，加速產品上市。
4. 即插即用的通用接口和總線：簡化硬件集成過程，促進不同設備之間的兼容性，降低系統復雜性。
5. 硬件組件之間的高效通信：確保不同平臺上的所有硬件組件能夠無縫協作，提升系統整體性能。
6. 集成開源軟件：通過開源解決方案，促進分布式系統的配置與管理，提升靈活性和可擴展性。
7. 廣泛的開源文件庫：支持在FEP、RTI-DDS和ROS2等平臺上離線讀取、寫入和處理數據流，便于數據的共享和再利用。
8. 多語言SDK支持：C++/JS/QML SDK為客戶提供擴展功能的靈活性，使得軟件組件可以在各種仿真集和測試設置中多樣化應用。
9. 云（后）處理工具的構建：使開發者能夠創建高度可擴展的自動化解決方案，滿足未來需求。
10.
展開 
汽車多總線數據采集：挑戰、架構與同步策略全解析
因此，我們可以看到在智能輔助駕駛從“功能驗證”到“場景攻堅”的關鍵階段，真實、高質量的數據是算法性能提高的基石。尤其在極端天氣、顛簸路面和電磁干擾等惡劣工況下，如何實現多源傳感器數據的高可靠采集、高精度同步與高效率處理，是行業中常遇到的難題。
下文將結合行業實踐，系統拆解多總線（CAN/LIN/100BASE-T1等）數據采集方案的核心痛點、架構設計、同步策略與系統搭建，為從事智能汽車數據閉環開發的工程師提供一套可落地的技術參考。
二、關鍵技術挑戰
多總線數據采集常被簡化為硬件連接問題，但在工程化落地時，需系統應對四重挑戰，這直接決定了數據能否真正用于算法迭代。
協議與接口復雜：常用一套硬件同步采集車載以太網、CAN/CAN FD、FlexRay、LIN及多路視頻，并支持靈活擴展以適應不同測試場景。
時間同步要求極高：多傳感器數據融合依賴納秒級時間對齊，且須在系統啟動異常（如時間復位）等邊緣場景下保持同步不中斷。
車規級可靠性嚴苛：系統在-40℃~85℃、持續振動及強電磁干擾環境中穩定運行，并通過冗余設計杜絕數據丟失。
數據需直接賦能算法：采集系統應支持基于工程數據庫的信號級解碼，并輸出與平臺無縫銜接的格式，提升數據可用性。
三、硬件架構設計
為應對上述挑戰，硬件系統需采用模塊化、車規化、高密度的設計思路。以下是一個經過驗證的架構實例：
（1）核心記錄單元：采用強固型工控機，采用寬溫操作與豐富擴展槽，為后續擴展提供地基。
（2）總線采集網絡（關鍵）：
a. 以太網部分：通過 CM 100 HIGH 模塊接入多達12路100BASE-T1車載以太網，這是智駕數據主干。
b.
展開 基于電阻仿真的無線傳感器風能采集方法研究
摘 要：針對目前無線傳感器風能采集效率低和傳統最大功率點跟蹤算法(MPPT)不適用于微型系統的現狀,提出一種基于電阻仿真的無線傳感器風能采集方法。重點研究了電阻仿真技術,通過負載阻抗來模擬風機的源阻抗,使得電源和負載之間能夠達到良好的阻抗匹配,保證在任何運行風速下采集到的功率都是最大值,從而達到提高無線傳感器風能采集效率、延長其工作壽命的目的。最后通過實驗,驗證了該方法的有效性。
關鍵詞：無線傳感器網絡;風能采集;電阻仿真;最大功率點跟蹤;
0 引言
無線傳感器網絡(Wireless Sensor Networks,WSNs)是一種基于無線射頻通信技術的多跳自組網絡,由部署在監測空間內的無線傳感器節點組成,在電力系統中多應用于智能電網技術[1,2,3,4]。然而,傳統節點的驅動方式限制了無線傳感器網絡的廣泛應用與深度拓展,節點的能量供應成為無線傳感器網絡技術面臨的首要問題。隨著環境能量收集技術的研究與發展,自供電無線傳感器節點的出現可以在很大程度上緩解能量瓶頸并改善網絡性能[3,4,5,6,7]。文獻[5,6]提出利用傳感器所處環境的風能和太陽能來為傳感器持續供電,卻忽略了能量采集的效率問題。文獻[7]提出利用風致振動的能量來驅動傳感器運行,但復雜的機械結構所導致的能量損失和設備的穩定性問題有待考證。對于一個微型風能采集系統,由于采集到的電功率通常非常低,且受到微型風力發電機運行狀態的制約。因此,最主要的問題是開發一種高效的功率變換器及與電子電路相關并包含最大功率點跟蹤(Maximum Power Point Tracking,MPPT)算法的微驅動,用于跟蹤和保持微型風機的最大輸出功率以維持無線傳感器節點在不同工況下的運行。而傳統的MPPT技術因其復雜的電路設計導致耗能過高,并不適用于微型風能采集系統。
展開 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
在BEV Camera數據采集方案中，進一步支持相機進行硬件時間同步。通過XTSS軟件可以有效管理數采平臺的時間同步功能，能夠快速輕便配備各個傳感器的時間同步配置。
圖6：XTSS 時間同步管理
通過GPS模塊提供高精度的時間基準，并利用支持硬件時間戳的以太網接口直接捕獲數據包的時間戳。其時間同步精度可以達到納秒級別，具備高穩定性，不受軟件和網絡延遲影響。
圖7：多相機硬件時間同步
五、總結
在自動駕駛技術的快速發展中，BEV Camera數據采集系統的構建至關重要。通過采用BRICKplus平臺，結合PCIe Slot ETH6000模塊和iDS相機，我們實現了多相機的高效數據采集和存儲。通過ROS+PEAK SDK的深度集成，實現了多相機的參數配置、數據采集與傳輸。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。
展開 可拉伸的紗線嵌入式摩擦納米發電機作為電子皮膚用于生物力學能量采集和多功能壓力傳感
作為多功能傳感器，還要滿足高拉伸性、高靈敏度、寬感應范圍以及快速響應的要求。目前，多種柔性可拉伸的電子皮膚已經被成功開發出來，能夠測量人類活動所產生的電信號。這些傳感器是基于諸如壓電性、電容以及壓阻效應等不同機理。摩擦納米發電機是一種能夠實現能量富集和自供電的傳感技術，將其與電子皮膚相結合有望為下一代可穿戴電子產品、個性化醫療以及人機界面等領域帶來新的機會。
【成果簡介】
近日，美國佐治亞理工學院王中林教授課題組開發了一種簡單、低成本的方法制備可拉伸的摩擦納米發電機的方法，其可以用作多功能電子皮膚，并實現了生物力學能量的采集以及多種機械刺激的感知。通過在硅橡膠彈性體中嵌入連續的“鏈式”柵欄狀交錯的導電網絡，賦予了該種電子皮膚以良好的透明性和拉伸性、高壓敏感性以及優異的機械穩定性。研究表明，該摩擦納米發電機能夠點亮高達170個LED，而且其作為多功能傳感器能夠監測人的諸如動脈脈沖和聲音振動等生理信號。該成果以題為"A Stretchable Yarn Embedded Triboelectric Nanogenerator as Electronic Skin for Biomechanical Energy Harvesting and Multifunctional Pressure Sensing"發表在Advanced Materials上。
展開 