智能感知與多傳感器融合的案例
技術探秘 | 自動駕駛汽車傳感器融合系統(tǒng)，及多傳感器數據融合算法淺析
目前而言，車載感知模塊包括視覺感知模塊、毫米波雷達、超聲波雷達、360°環(huán)視系統(tǒng)等，多源傳感器的協同作用識別道路車道線、行人車輛等障礙物，為安全駕駛保駕護航。因此，感知信息也需要融合，感知信息也需要相互補充。
這里引出一個重要的概念：多傳感器信息融合（information fusion）。各種不同的傳感器，對應不同的工況環(huán)境和感知目標。比方說，毫米波雷達主要識別前向中遠距離障礙物（0.5米-150米），如路面車輛、行人、路障等。超聲波雷達主要識別車身近距離障礙物（0.2米-5米），如泊車過程中的路沿、靜止的前后車輛、過往的行人等信息。兩者協同作用，互補不足，通過測量障礙物角度、距離、速度等數據融合，刻畫車身周邊環(huán)境和可達空間范圍。
圖6：智能汽車感知模塊
信息融合起初叫做數據融合（data fusion），起源于1973年美國國防部資助開發(fā)的聲納信號處理系統(tǒng)，在20世紀90年代，隨著信息技術的廣泛發(fā)展，具有更廣義化概念的“信息融合”被提出來，多傳感器數據融合MSDF (Multi-sensor Data Fusion）技術也應運而生。
數據融合主要優(yōu)勢在于：充分利用不同時間與空間的多傳感器數據資源，采用計算機技術按時間序列獲得多傳感器的觀測數據，在一定準則下進行分析、綜合、支配和使用。獲得對被測對象的一致性解釋與描述，進而實現相應的決策和估計，使系統(tǒng)獲得比它各組成部分更為充分的信息。
一般地，多源傳感器數據融合處理過程包括六個步驟，如下圖所示。首先是多源傳感系統(tǒng)搭建與定標，進而采集數據并進行數字信號轉換，再進行數據預處理和特征提取，接著是融合算法的計算分析，最后輸出穩(wěn)定的、更為充分的、一致性的目標特征信息。
圖7：多源數據融合過程
利用多個傳感器所獲取的關于對象和環(huán)境全面、完整信息，主要體現在融合算法上。
展開 多傳感器融合技術原理及融合技術分析
來源 | CSDN
概述
多傳感器融合（Multi-sensor Fusion, MSF）是利用計算機技術，將來自多傳感器或多源的信息和數據以一定的準則進行自動分析和綜合，以完成所需的決策和估計而進行的信息處理過程。
多傳感器融合基本原理就像人腦綜合處理信息的過程一樣，將各種傳感器進行多層次、多空間的信息互補和優(yōu)化組合處理，最終產生對觀測環(huán)境的一致性解釋。在這個過程中要充分利用多源數據進行合理支配與使用，而信息融合的最終目標則是基于各傳感器獲得的分離觀測信息，通過對信息多級別、多方面組合導出更多有用信息。這不僅是利用了多個傳感器相互協同操作的優(yōu)勢，而且也綜合處理了其它信息源的數據來提高整個傳感器系統(tǒng)的智能化。
具體來講，多傳感器數據融合原理如下：
（1）多個不同類型傳感器（有源或無源）收集觀測目標的數據；
（2）對傳感器的輸出數據（離散或連續(xù)的時間函數數據、輸出矢量、成像數據或一個直接的屬性說明）進行特征提取的變換，提取代表觀測數據的特征矢量Yi；
（3）對特征矢量Yi進行模式識別處理（如聚類算法、自適應神經網絡或其他能將特征矢量Yi變換成目標屬性判決的統(tǒng)計模式識別法等），完成各傳感器關于目標的說明；
（4）將各傳感器關于目標的說明數據按同一目標進行分組，即關聯；
（5）利用融合算法將目標的各傳感器數據進行合成，得到該目標的一致性解釋與描述。
以Autoware為例，在自動駕駛中，傳感器是汽車感知周圍的環(huán)境的硬件基礎，在實現自動駕駛的各個階段都必不可少。自動駕駛離不開感知層、控制層和執(zhí)行層的相互配合。
展開 感知+邊緣計算，智能傳感器將成“香餑餑”
物聯網正成為經濟社會綠色、智能、可持續(xù)發(fā)展的關鍵基礎和重要引擎，它在行業(yè)領域的應用正廣泛深入，作為物聯網“感知器官”的傳感器，因物聯網應用的不斷落地而迎來了巨大的發(fā)展契機。Gartner數據顯示，預計到2020年全球聯網設備數量將達到260億個，物聯網市場規(guī)模達到1.9萬億美元。
智能化、小型化、微功耗、低成本是共性需求
在智能家居、智能硬件、智慧城市等相關應用的推動下，物聯網取得快速發(fā)展。
作為信息感知的基本元件，傳感器是物聯網、大數據、智能制造、人工智能、機器人等新興產業(yè)的核心關鍵技術之一，是構建物聯網的重要支柱，在任何物聯網應用中都不可或缺。“在物聯網的三個層面(感知層、傳輸層、應用層)中，感知層作為網絡層傳輸數據的源頭、應用層計算數據的基礎，起到了至關重要的作用。感知層是物聯網的基礎，它由各種各樣的傳感器組成。可以說，沒有傳感器，沒有各種各樣的智能傳感器，就沒有物聯網產業(yè)。”陜西省物聯網聯盟理事長、西安中星測控有限公司總經理谷榮祥告訴《中國電子報》記者。
傳感器種類繁多，據有關機構最新統(tǒng)計，全球的傳感器種類已經超過2.2萬種，因此物聯網對傳感器的要求也不能一概而論。麥克傳感器股份有限公司總經理王剛告訴記者：“傳感器種類如此之多，物聯網應用場景如此豐富，對各個門類的傳感器提出的要求肯定不一樣，但是從中不難看出業(yè)內對傳感器的共性需求，即智能化、小型化、微功耗和低成本。”
展開 新人工智能呼喚“感知技術”，未來的傳感器是什么樣？
咖啡機上的傳感器可以智能配料，并增加對配料稱重的功能。智能水杯可以通過傳感器進行水溫的采集。電磁爐和豆?jié){機通過傳感器增加了重力感應。”廣東華蘭海電測科技股份有限公司營銷總監(jiān)張宗尚向記者介紹到。
如何加快傳感器發(fā)展
傳感器更新迭代的速度十分迅速，郭源生認為，在這股“新人工智能”信息化浪潮的洪流中，傳感器應緊跟市場腳步，完成從處理到傳輸再到感知的一系列工作。但是，我國傳感器的發(fā)展速度尚未能滿足市場需求。一方面，國家重視程度不夠。郭源生表示，上世紀七十年代時期發(fā)達國家也曾忽略過傳感器，到了八十年代，傳感器的重要性才被認識到。之后，發(fā)達國家以年30%的速度增長。“日本、美國都把傳感器當成重中之重，美國認為計算機是核心，敏感技術、光電子技術是關鍵和重點，2003年時代周刊關于未來技術的發(fā)展報告中，提到的十大新技術之首便是傳感器，這說明美國對傳感器技術的認可。傳感器是未來改變人類十大顛覆技術之首。” 郭源生說。
另一方面，傳感器形成的數據并沒有真的得到實際使用，感知到的數據無法變成有用的數據。隨著傳感器技術復雜程度的提高，傳感器產品形態(tài)分散，難以形成有效的群體支撐。并且，產用之間的融合度不夠，導致傳感器的應用雖然無處不在，但是仍然難以完成“機器代人”的人工智能愿景。“TOTO公司推出了一個智能馬桶，可以監(jiān)測老人血壓、血糖的變化，然后形成個人大數據，通過人工智能形成一個商業(yè)模式，可以在家里居家養(yǎng)老，或者是慢病管理。這才是傳感器最大化發(fā)揮作用。” 郭源生說。
擴大傳感器的種類似乎也是發(fā)展的一個重點，無論是移動物體還是靜態(tài)物體，甚至是自然環(huán)境，信息的采集不僅僅是安裝了多少個處理器、安裝了什么軟件，也取決于裝了什么樣的傳感器。“例如美國F-22戰(zhàn)斗機，裝載了28000個傳感器。俄羅斯的戰(zhàn)斗機上裝載了21000多個。這代表什么?
展開 
多傳感器融合定位是否足夠安全？
幸運的是，當今的自動駕駛系統(tǒng)主要使用多傳感器融合（MSF）算法，通常認為該算法有可能解決GPS欺騙問題。但是，沒有任何研究表明當下的MSF算法在GPS欺騙的情況下是否足夠安全。本文專注于生產級別的MSF，并確定了兩個針對AV的攻擊目標，即偏離攻擊和逆向攻擊。為了系統(tǒng)地了解安全性，我們首先分析了上限攻擊的有效性，并發(fā)現了可以從根本上破壞MSF算法的接管效果。我們進行了原因分析，發(fā)現該漏洞是動態(tài)且隨機地出現。利用這個漏洞，我們設計了FusionRipper，這是一種新穎的通用攻擊，可以抓住機會并利用接管漏洞。我們對6條真實的傳感器跡線進行了評估，結果發(fā)現，對于偏離和逆向攻擊，FusionRipper在所有跡線上的成功率分別至少達到97％和91.3％。我們還發(fā)現，它對欺騙不準確等實際因素具有高度的魯棒性。為了提高實用性，我們進一步設計了一種精巧的方法，該方法可以有效地識別出攻擊參數，兩個攻擊目標的平均成功率均超過80％。我們還將討論可行的的防御方法。
如今，各家公司都在開發(fā)自動駕駛汽車，例如level 4的自動駕駛汽車（AV），其中一些公司已經在公共道路上提供服務，例如Google的Waymo提供的自動駕駛出租車TuSimple的一輛和自動駕駛卡車。為了實現駕駛自動化，AV中的自動駕駛（AD）系統(tǒng)不僅需要感知周圍的障礙物，還需要在地圖上對其自身所在位置進行厘米級定位。這種定位在自動駕駛場景下需要保證高度的安全性，因為錯誤定位會直接導致AV車道偏離或走錯路。在高級AD系統(tǒng)中，感知模塊僅用于障礙物檢測，而定位模塊則負責識別道路偏離。意味著即使感知模塊運行正常，也無法阻止由于定位模塊錯誤而造成車道偏離的危險，例如偏離后撞到路邊，跌落懸崖或被其他的車輛撞到，特別是當AV行駛方向相反時。
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(tài)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(tài)信息。多模態(tài)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(tài)更好的性能。
在自動駕駛領域，多模態(tài)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(zhí)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(guī)劃和駕駛員狀態(tài)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(tài)空間的信息或特征。根據多模態(tài)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(tài)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(tài)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(tài)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(qū)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 自動駕駛多模態(tài)傳感器融合的綜述
多模態(tài)融合是感知自動駕駛系統(tǒng)的一項基本任務，最近引起了許多研究人員的興趣。然而，由于原始數據噪聲大、信息利用率低以及多模態(tài)傳感器的無對準，達到相當好的性能并非易事。
本文對現有的基于多模態(tài)自動駕駛感知任務方法進行了文獻綜述。
分析超過50篇論文，包括攝像頭和激光雷達，試圖解決目標檢測和語義分割任務。與傳統(tǒng)的融合模型分類方法不同，作者從融合階段的角度，通過更合理的分類法將融合模型分為兩大類，四小類。此外，研究了當前的融合方法，就潛在的研究機會展開討論。
最近，用于自動駕駛感知任務的多模態(tài)融合方法發(fā)展迅速，其從跨模態(tài)特征表示和更可靠的模態(tài)傳感器，到更復雜、更穩(wěn)健的多模態(tài)融合深度學習模型和技術。然而，只有少數文獻綜述集中在多模態(tài)融合方法本身的方法論上，大多數文獻都遵循傳統(tǒng)規(guī)則，將其分為前融合、深度（特征）融合和后融合三大類，重點關注深度學習模型中融合特征的階段，無論是數據級、特征級還是提議級。首先，這種分類法沒有明確定義每個級別的特征表示。其次，它表明，激光雷達和攝像頭這兩個分支在處理過程中始終是對稱的，模糊了激光雷達分支中融合提議級特征和攝像頭分支中融合數據級特征的情況。綜上所述，傳統(tǒng)的分類法可能是直觀的，但對于總結最近出現的越來越多的多模態(tài)融合方法來說卻很落后，這使得研究人員無法從系統(tǒng)的角度對其進行研究和分析。
如圖是自動駕駛感知任務的示意圖：
深度學習模型僅限于輸入的表示。為了實現該模型，需要在數據輸入模型之前，通過一個復雜的特征提取器對原始數據進行預處理。
至于圖像分支，大多數現有方法保持與下游模塊輸入的原始數據相同的格式。然而，激光雷達分支高度依賴于數據格式，這種格式強調不同的特性，并對下游模型設計產生巨大影響。
展開 多傳感器融合，叩開自動駕駛大門
2
多傳感器融合成必經之路
雖然說自動駕駛在全球范圍內已經形成風潮，并有望在2021年實現4級自動駕駛，但是其想要真正走入現實也并非易事。從技術方面而言，目前自動駕駛的痛點在于穩(wěn)定可靠的感知及認知，包括清晰的視覺、優(yōu)質的算法、多傳感器融合以及高效強大的運算能力。其中，多傳感器融合也被認為是自動駕駛未來的重要發(fā)展趨勢。
目前用于自動駕駛的傳感器主要有激光雷達、毫米波雷達以及攝像頭三類，其各具優(yōu)缺點。激光雷達具有高精度、高分辨率的優(yōu)勢，然而其易受雨霧等極端天氣影響，且成本居高不下，不利于大規(guī)模量產。雖然毫米波雷達可解決激光雷達的部分缺點，但是其探測距離易受元器件功率及潮濕環(huán)境影響。另一方面，如果不與其他傳感器配合使用，攝像頭在夜晚就顯得捉襟見肘了。
針對感知層的現狀，Lance Williams表示：“傳感器融合是具潛力的方案，也是迫在眉睫的挑戰(zhàn)。有效地開發(fā)和實施一個含多傳感器的方案也面臨著許多挑戰(zhàn)。”
具體而言，多傳感器融合就是將多個傳感器獲取的數據、信息集中在一起綜合分析以便更加準確可靠地描述外界環(huán)境，從而提高系統(tǒng)決策的正確性。雖然在原理上看似簡單，但是在自動駕駛場景中則顯得充滿挑戰(zhàn)。多傳感器融合，需要對每個傳感器采集的信息進行快速處理，從而讓高速行駛的汽車及時進行反饋動作，以應對突發(fā)的交通情況。由此可見，多傳感器融合并不僅僅是硬件方面的協同配合，還包括決策層的算法和算力支持。
為此，安森美半導體在自動駕駛感知層覆蓋了所有的傳感器方案，包括超聲波、成像、雷達、光達，可支持視覺、前視先進駕駛輔助系統(tǒng)(ADAS)、車道偏離警告、自適應巡航控制、乘員檢測、電子車鏡、駕駛員監(jiān)控和手勢識別。在決策層方面，還是關鍵廠商如Mobileye、NVIDIA和英特爾的主要供應商。
展開 賦能 BEV 感知課題！高校科研多傳感器時間同步方案
</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。</p><h1><strong>2）時間同步核心挑戰(zhàn)</strong></h1><p>多源異構傳感器時間同步的核心挑戰(zhàn)集中在 “<strong>時鐘一致性、鏈路穩(wěn)定性、時間戳準確性</strong>” 三大維度：</p><h3><strong>2.1 獨立時鐘溫漂</strong></h3><p>系統(tǒng)中的每個傳感器（相機、激光雷達等）都有獨立晶振，其內部晶振的頻率存在ppm級別固有偏差。這導致各傳感器的本地時間以微小但不可忽略的差異流逝。如同每位參與者使用走時精度稍有不同的秒表，誤差會隨采集時長持續(xù)累積，即使初始同步，幾分鐘后也可能出現毫秒級的偏差。</p><h3><strong>2.2 觸發(fā)與傳輸鏈路延遲</strong></h3><p>采用軟件觸發(fā)時會受到操作系統(tǒng)調度制約，引入毫秒級的隨機抖動。此外，數據流經不同的物理接口和協議，其固有延遲各不相同。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(fā)觸發(fā)，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(tǒng)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(fā)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(xù)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。
展開 康謀技術 | 多傳感器數據融合技術與策略解析
在汽車行業(yè)邁向智能化、自動化的今天，自動駕駛技術也在快速發(fā)展。為了進一步讓自動駕駛更加“智能化”，像老師傅一樣進行開車，離不開對車輛周圍環(huán)境的全面認識。
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(yōu)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(tǒng)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(tǒng)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(tǒng)一時鐘
確保所有傳感器數據在時間上的一致性，為后續(xù)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(tǒng)一坐標系
統(tǒng)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。
展開 交通管控中多傳感器融合技術的優(yōu)勢
德國Jenoptik集團推出多傳感器融合技術來避免混淆監(jiān)測。
Jenoptik集團目前正在聚焦于ITS部門的多傳感器融合技術應用的優(yōu)勢。當考慮利用傳感器系統(tǒng)來改善交通擁堵和道路安全問題時，如果是涉及到警務安全，考慮只采用雷達系統(tǒng)或激光掃描儀來實現。但現在管理者需要的是檢測和監(jiān)控車輛的解決方案，并同時實現執(zhí)法功能，而目前并沒有哪一種傳感器技術能夠全部滿足這些條件，因此最優(yōu)的解決方案是使用傳感器和其他組件的組合優(yōu)勢來達到結果。
但大家必須清楚，多傳感器融合并不是電影《1984》的現實版本，它不會以“老大哥”無所不在的方式監(jiān)視著公眾。相反，該技術以多種方式來協助道路使用者，高速公路運營商和交警以及公眾，為所有人提供更安全，更高效的旅程。
交叉路口的三維運動物體識別
多傳感器數據融合
多傳感器融合需要模塊化的多傳感器和基于基礎設施的物體檢測系統(tǒng)組合，并通過先進的傳感器技術（立體攝像機，車牌識別攝像機，雷達和激光等）檢測所有關于交通狀況和道路使用者的信息，并實現實時流量數據的收集。在這里，傳感器的測量范圍和速度的準確性，檢測率，穩(wěn)定性，都會受到環(huán)境條件（照明，雨雪和溫度）的影響。
Jenoptik集團目前已經推出用于檢測往來車輛車型，車牌識別，車軸數等數據的模塊化的多傳感器融合系統(tǒng)。該系統(tǒng)的部署必須預先知道哪些組件安裝在什么地方可以實現復雜交通狀況的監(jiān)控預期效果。路邊組件會將采集到的數據發(fā)送到后臺處理系統(tǒng)進行評估。另外，智能車牌識別軟件還可實現車輛信息與運營商數據的融合。
左：攝像機覆蓋區(qū)域。右：雷達覆蓋區(qū)域
路邊數據通常來源于車牌識別攝像機，包括車牌和車輛類型的圖像等，這些數據通過加密后部分或完全傳輸到中央數據服務器。但這些數據在不進行分析的情況下，只能算原始信息，價值并不大。
展開 
具有穿透性強、測量精度高的電容型、非接觸式感知的智能水浸傳感器-WLD
工采網代理的水浸傳感器-WLD（Water Leak Detector）是一款電容型、非接觸式感知的智能水浸傳感器。WLD水浸傳感器采用了獨創(chuàng)的高頻差分式數字電容芯片MC11S，并結合了特有的電容監(jiān)測電極設計。它集成了微處理器、電源管理電路以及繼電器驅動電路，搭載靈活多樣的嵌入式檢測算法。這使得傳感器能夠精確分析不同水浸程度的變化，并通過內置算法有效過濾掉電磁、振動、凝露和溫度等環(huán)境干擾，極大提升了在工業(yè)環(huán)境中水浸狀態(tài)識別的準確性。
WLD水浸傳感器具有穿透性強、測量精度高、數字接口抗干擾能力強等優(yōu)點，廣泛適用于電力機柜、充電樁、地鐵、地下管廊、隧道、井蓋、機房等防水、漏水檢測場景。
展開 康謀應用 | 基于多傳感器融合的海洋數據采集系統(tǒng)
然而，海洋數據采集也面臨數據噪聲和誤差、數據融合與協同和復雜海洋環(huán)境適應等諸多挑戰(zhàn)，制約著無人艇技術的發(fā)展。
針對這些挑戰(zhàn)，我們探索并推出一套基于多傳感器融合的海洋數據采集系統(tǒng)，能夠高效地采集和處理海洋環(huán)境中的多維度數據，為無人艇的自主航行和控制算法訓練提供高質量的數據支持。
一、方案架構
無人艇要在復雜海上環(huán)境中實現自主導航，尤其是完成障礙物檢測和跟蹤任務，其關鍵在于對海面環(huán)境的高效感知。因此，通過集成多種傳感器，包括相機、激光雷達、IMU（慣性測量單元）和GPS（全球定位系統(tǒng)），能夠采集更全面、更精確的海洋環(huán)境數據。但這種系統(tǒng)也會進一步涉及時間同步、數據傳輸與存儲以及環(huán)境適應性等問題。
基于以上考慮，采用BRICKplus(工控機)+ETH6000+傳感器套件(6*iDS相機+1*LiDAR+1*IMU+1*GPS)方案架構，如下圖所示：
基于BRICKplus+ETH6000構建的數采平臺，提供12個以太網接口（10*1Gb+2*10Gb）可以有效接入各個傳感器，并為后續(xù)升級技術架構、接入更多傳感器預留更多空間。多傳感器產生的數據量巨大，對數據傳輸和存儲提出了高要求，特別是8MP相機6個同時采集。
采用BRICKplus提供大容量（8/16/32TB）高速寫入（16Gbit/s）存儲硬盤，能夠高效穩(wěn)定落盤傳感器數據。采用GPS模塊，支持（g）PTP時間同步與定位。
二、系統(tǒng)搭建
為了更好的感知無人艇周邊環(huán)境信息，對傳感器分布和方式進行了設計和調整，布局如下圖所示。該布局可以更有效的應對海面復雜環(huán)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。
展開 蔚來公布自動駕駛進展：放棄純視覺路線，做多傳感器融合
隨著 ADAS 逐步優(yōu)化，自動駕駛 Team——現在 360 多人，很多精力都會放在 L4 平臺的開放上。蔚來會跳過 L3 直接到 L4。
至于現在的第一代車，也就是 ES8 ，以目前傳感器和運算能力，做不到L4，我們也不會宣布可以做到 L3。
李斌說，蔚來下一代的自動駕駛平臺，會用到更多的傳感器，激光雷達、紅外，滿足不同場景下的需求。從今天角度來看，不用更多傳感器，是做不到L4。有些公司，宣稱攝像頭可以。以產業(yè)共識來看，是有誤導的。（我覺得說的就是特斯拉）
其實不光是傳感器與芯片，還需要考慮冗余與備份。一個轉向器壞了，剎車壞了怎么板？蔚來需要完整設計這個體系。
與特斯拉基于攝像頭的感知是不同，蔚來依靠多傳感器融合，選擇跳過 L3 選擇直接 L4，提高自動駕駛的研發(fā)進程。
總結
蔚來以前的目標是做”中國的特斯拉”，然而特斯拉卻偏偏進入了中國，蔚來跟自己的模仿對象競爭，技術功能上至少落后2年，而且價格也并不占任何優(yōu)勢。用戶花了很高的價錢，買了一臺裝滿傳感器的ES8智能車，然而該平臺可能最終無法升級到想要的L4功能，蔚來汽車自動駕駛的未來并不明朗。
展開 東華大學武培怡教授團隊《Small》:“智能粘附”的多功能水凝膠離子皮膚生物傳感器
：受指紋結構啟發(fā)構筑超高應變感知褶皺型離子導電芯鞘纖維
武培怡教授團隊《Mater. Horiz.》：力學性能自增強的高透明離子凝膠用于水下超強粘附
武培怡教授團隊ACS Nano：多功能智能可穿戴纖維織物
武培怡教授團隊《Adv. Mater.》：可水下通信的光學偽裝離子凝膠
東華大學武培怡教授/孫勝童研究員團隊AFM：可自由涂覆的自適應離子凝膠油墨
武培怡教授課題組：小口香糖大變身，在家里也能制備智能傳感器
東華大學武培怡教授課題組：多層級網絡增強的水玻璃實現寬譜帶光管理
東華大學武培怡教授課題組《Adv. Funct. Mater.》：具有診療功能的仿生離子皮膚
武培怡教授團隊《NML》：3D打印MOF材料，“泡一泡”實現可調色發(fā)光
東華大學武培怡教授團隊：水溶液自組裝制備功能性超薄二維納米材料
東華大學武培怡教授課題組：雙聚合物協同機制構筑界面穩(wěn)定的MOF納米片溫敏納濾膜
武培怡教授團隊《Adv. Sci.》
展開 