傳感器數據管理的案例
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 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
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。
缺點：
傳感器模塊——傳感器模塊需要有應用處理器，這樣的話就會變得體積更大、價格更高且功耗更大。由于本地處理和決策制定，傳感器模塊的功能安全要求也就更高。當然，增加更多的傳感器，成本也會大幅上升。
處理ECU——中央決策制定ECU只能獲取對象數據，而無法訪問實際的傳感器數據。
展開 數據分析與AI丨從傳感器到智能決策：數據驅動企業發展與 ESG 創新的全鏈路實踐
許多車企工程師在設計初期需要使用 Altair 的 HyperWorks 或 Feko進行仿真，仿真環節必不可少，如對電磁仿真，評估雷達照射后的場強幅值，以確保不會干擾傳感器系統，隨著新能源車的發展，車身傳感器增加規模可觀，一旦發生干擾導致傳感器時效性，會造成車輛安全問題。</p><p class="ql-align-justify">以 Feko 為例，其仿真通常依賴網格計算，場強計算需要時間約在一周左右。但由于傳感器位置往往不落在網格節點上，工程師不得不反復重新標定 XYZ 坐標并提交新的仿真任務。由于高性能算力資源有限，每個點的計算可能需要 20 分鐘，非常耗時。</p><p><img src="https://mmbiz.qpic.cn/sz_mmbiz_png/EBaibcQicPxgySddksiavBkxiaFrLicZibxnnDMzt3iavKbuyicia5mV9dBd6GTEkGUE1SpT0qib7XlyuSCpia4eh95219XKQ/640?wx_fmt=png&from=appmsg"></p><p class="ql-align-justify">為了解決這一問題，我們與該客戶合作，利用 Altair 的自動化機器學習工具 AI Studio，構建了無代碼建模流程。客戶已有大量仿真數據，例如單輛車產生的 140 萬個 XYZ 點及其對應的實部、虛部數據。我們基于這些數據訓練模型，整個流程僅需約 10 分鐘。
展開 新能源汽車電池管理系統（BMS）中傳感器技術應用
4總結
隨著國內外新能源電動車產業的不斷升級，越來越多的傳感器技術將會應用到新能源電動汽車、BMS當中，企業應當把握良機為市場生產出更優質、更廉價的電動汽車產品和BMS。當然在新的傳感器技術支持下，BMS也會由現在的“硬件+算法”體系升級到“數據+主動式管理”體系。
傳感器融合-數據篇（自動駕駛）
作者 | 黃浴
來源 | 知乎@黃浴(https://zhuanlan.zhihu.com/p/109895639)
自動駕駛感知模塊中傳感器融合已經成為了標配，只是這里融合的層次有不同，可以是硬件層（如禾賽，Innovusion的產品），也可以是數據層（這里的討論范圍），還可以是任務層像障礙物檢測（obstacle detection），車道線檢測（lane detection），分割（segmentation）和跟蹤（tracking）以及車輛自身定位（localization）等。
有些傳感器之間很難在底層融合，比如攝像頭或者激光雷達和毫米波雷達之間，因為毫米波雷達的目標分辨率很低（無法確定目標大小和輪廓），但可以在高層上探索融合，比如目標速度估計，跟蹤的軌跡等等。
這里主要介紹一下激光雷達和攝像頭的數據融合，實際是激光雷達點云投影在攝像頭圖像平面形成的深度和圖像估計的深度進行結合，理論上可以將圖像估計的深度反投到3-D空間形成點云和激光雷達的點云融合，但很少人用。原因是，深度圖的誤差在3-D空間會放大，另外是3-D空間的點云分析手段不如圖像的深度圖成熟，畢竟2.5-D還是研究的歷史長，比如以前的RGB-D傳感器，Kinect或者RealSense。
這種融合的思路非常明確：一邊兒圖像傳感器成本低，分辨率高（可以輕松達到2K-4K）；另一邊兒激光雷達成本高，分辨率低，深度探測距離短。可是，激光雷達點云測距精確度非常高，測距遠遠大于那些Infrared/TOF depth sensor，對室外環境的抗干擾能力也強，同時圖像作為被動視覺系統的主要傳感器，深度估計精度差，更麻煩的是穩定性和魯棒性差。所以，能不能把激光雷達的稀疏深度數據和致密的圖像深度數據結合，形成互補？
展開 用于電動汽車電池管理系統中的高精度溫濕度傳感器
電流測量手段主要分兩種智能分流器或霍爾電流傳感器。由于電池系統需要處理的電流數值，往往瞬時很大，比如車輛加速所需要的放電電流和能量回收時候的充電電流，因此評估測量電池包的輸出電流(放電)和輸入電流(充電)的量程和精度，這是一件需要仔細檢查的工作。電流是引起單體溫度變化的主要原因，作用在內阻和化學發熱一起構成了電池發熱；電流變化的時候也會引起電壓的變化，與時間一起，這三項是核算電池狀態的必備元素。
電池包內一般有多個繼電器，電池管理系統至少要完成對繼電器的驅動供給和狀態檢測，繼電器控制往往是和整車控制器協調后確認控制器，而安全氣囊控制器輸出的碰撞信號一般與繼電器控制器斷開直接掛鉤。電池包內繼電器一般有主正、主負、預充繼電器和充電繼電器，在電池包外還有獨立的配電盒對整個電流分配做個更細致的保護。對電池包的繼電器控制，閉合、斷開的狀態以及開關的順序都很重要。
如前所述，電池的化學性能受環境的溫度影響非常大，為了保證電池的使用壽命必須讓電池工作在合理的溫度范圍之內，并根據不同的溫度給整車控制器得出其所能輸出和輸入的最大功率。對于電池系統的溫度控制主要用到CFD仿真分析，如前所述的溫度傳感器這一單元，如何使用最少的傳感器來有效的監測整個電池包的溫度分布，并將監測信息反饋給電池管理系統和整個電池溫度管理系統。
最后推薦一款由工采網從國外引進的高質量溫濕度傳感器，高精度濕度測量傳感器模塊 - HTW-211，HTW-211是基于HumiChip?的精確可靠的濕度測量傳感器。傳感器的濕度輸出已經溫度補償，并且是線性電壓，可直接連接帶ADC輸入的微計算機。特別設計的成型封裝和涂層材料能夠確保即使在嚴苛環境下的耐受性和可靠性。
展開 賦能商用車 ADAS 研發：多傳感器數據采集方案
在軟件層面，我們的多傳感器數據采集上位機軟件，實現了數據采集、管理、后處理的全生命周期管控，全方位保障數據質量。該軟件可精細化管控各類傳感器，支持用戶自定義采集方案，搭配低延遲實時可視化界面與快速告警響應機制，內置的質量評估模塊可高效識別異常數據；同時針對商用車長途連續采集場景進行了資源優化設計，可實現不間斷連續采集。
此外，軟件兼容ROS1/2 BAG等行業主流存儲格式，會對采集數據進行結構化命名與存儲，并自動生成元數據文件，詳細記錄采集關鍵信息，便于后續數據追溯與使用。
?
三、結語
綜上，從商用車車體特性與場景需求的深度拆解，到傳感器配置、硬件架構、標定流程、采集軟件的全流程落地，康謀商用車ADAS多傳感器數據采集解決方案始終以商用車專屬需求為核心，以高精度、高穩定、高適配為核心目標，可匹配當前BEV與端到端模型的研發需求，為商用車ADAS技術升級提供堅實的數據支撐。
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 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 如何有效減少自動駕駛中傳感器數據的存儲量
<h1><strong>一、導讀</strong></h1><p>對于數據的存儲落盤來說，占據絕大部分存儲空間的數據來自于相機傳感器，特別是當前的數采需求可能需要6-8個800M像素的相機采集，進行RAW數據落盤。舉個例子，在以非RAW格式，比如YUV422 8bits，在3840×2160（800M）分辨率下以30fps進行拍攝：3840 × 2160 × 16 / 8 ×30 / 1024^2 = 475MB/s，近500MB/s的帶寬需求，在搭載多個800M相機以及其他傳感器的情況下，一輛數采車可以輕易達到5TB/小時的落盤需求。</p><p><strong>因此能夠有效降低數采的存儲成本，減少數據挖掘的花費至關重要。</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。
展開 康謀應用 | 基于多傳感器融合的海洋數據采集系統
在海洋監測領域，基于無人艇能夠實現高效、實時、自動化的海洋數據采集，從而為海洋環境保護、資源開發等提供有力支持。其中，無人艇的控制算法訓練往往需要大量高質量的數據支持。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境適應等諸多挑戰，制約著無人艇技術的發展。
針對這些挑戰，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，能夠高效地采集和處理海洋環境中的多維度數據，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），能夠采集更全面、更精確的海洋環境數據。但這種系統也會進一步涉及時間同步、數據傳輸與存儲以及環境適應性等問題。
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、系統搭建
為了更好的感知無人艇周邊環境信息，對傳感器分布和方式進行了設計和調整，布局如下圖所示。
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 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 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
具體來說，從傳感器選型到數據落地，需以 “真實場景還原” 為核心，結合標準化與模塊化設計，才能系統性解決惡劣工況下的數據采集難題。
Tyrata推實時胎面磨損傳感器 輪胎磨損情況危險時發出信號
據外媒報道，輪胎傳感器和數據管理公司Tyrata在研發其IntelliTread TM實時胎面磨損傳感器上取得了里程碑式的成就。在各種OEM乘用車輪胎上進行測試之后，該傳感器的設計和操作都得到改善。IntelliTread傳感器利用無線信號追蹤胎面深度在毫米上的變化，當用作商用時且需要更換輪胎時，或報告有關胎面不均勻以及輪胎磨損情況危險的信息時，該傳感器會發出信號。
每年，僅在美國，與輪胎相關的事故就造成了數百人死亡，數千人受傷，很多此類事故都因磨損輪胎造成。但是，確定胎面深度的唯一常用方法就是手動測量輪胎，如在輪胎凹槽中夾著一個硬幣以確定深度。雖然集成式輪胎壓力傳感器提高了安全性，但是行業仍急需實時監控輪胎胎面厚度的方法。Tyrata的新技術可以監控、追蹤并預測輪胎使用壽命內的胎面磨損程度。IntelliTread傳感器使用安裝在輪胎內部的專有傳感器和電子技術確定胎面深度。當傳感器被施加電壓時，電信號會通過輪胎。當輪胎橡膠磨損時，信號會發生變化。傳感器電子設備會利用此類信號變化來確定輪胎胎面深度，然后可以無線傳輸數據，進行進一步分析并向消費者顯示。
輪胎是由多種性能迥異的原材料組成的復雜、異構的結構，因此測量胎面磨損情況非常具有挑戰性。電信號必須穿透大多數輪胎的核心鋼帶等輪胎所有層，而且對胎面幾毫米的深度變化都非常敏感。憑借傳感器在設計和操作方面的進步以及電子設備和包裝，Tyrata團隊現在已經在韓泰（Hankook）和凡士通（Firestone）鋼帶子午線輪胎等OEM乘用車輪胎上驗證了其技術。安裝在每個輪胎各個部分處的傳感器在每次胎面移除1毫米時，就會重復產生可預測的回應。隨著Tyrata實現其IntelliTread技術的商業化，這一技術突破促進了該傳感器向產品級包裝和車載集成測試發展。
展開 