飞行汽车的赛道已经打开、马斯克高调发布了可将人类从体力劳动中解放出来的人形机器人……更智能化的产品引领的未来呼啸而来。这得益于人工智能、大数据等新兴技术的融合发展。与此同时,智能家居、自动驾驶在从最初的萌芽到即将成熟落地的过程中,似乎都不约而走向“技术融合”的道路。传感器之间的融合让L3以上高阶自动驾驶成为可能,人工智能与物联网的融合,让物联网的细分应用加速落地,人工智能与传感器的融合催生更智能化的传感器。

跨界合作与技术融合是当前整个电子行业发展的趋势与机遇所在,2021慕尼黑华南电子展重磅推出“跨界融合”产业关键词,届时将汇聚业界具有影响力的展商,共同展示应用相关的解决方案,与单一展品结合,激发行业创新灵感。

多传感器融合,自动驾驶发展的必由之路

随着自动驾驶向L3及以上高阶自动驾驶迈进,对前端感知的需求不断提升。自动驾驶感知层解决方案主要有以特斯拉为代表的视觉系和以Waymo为代表的雷达系。视觉系解决方案主要以摄像头为主导,配合毫米波雷达、超声波雷达等元件完成感知任务;激光雷达系解决方案以激光雷达为核心,配合摄像头、毫米波雷达、超声波传感器等元件达到感知目的。

视觉路线更加考验人工智能和机器学习能力,雷达路线在激光雷达上的成本支出较高。但两种路线的共同点是,都需要传感器融合,即摄像头与激光雷达/毫米波雷达/超声波雷达的融合。

摄像头可以采集到车辆、行人和红绿灯等环境信息。超声波雷达可用于倒车预警防撞、自动泊车APA等领域。毫米波雷达具有探测距离远、探测性能稳定、环境适用性高的特点。针对远距小障碍物,毫米波雷达的角分辨率不够,摄像头对远端的通用障碍物识别不够,而这种场景下激光雷达就可能及时识别。但它们也有各自的局限性,摄像头的精度容易受雨雪等恶劣天气影响,超声波雷达的探测结果易受温度影响,且探测距离较短,通常只有数米。毫米波雷达在识别物体属性,以及道路交通指示牌等方面,表现较差。激光雷达的最主要挑战则是成本高昂、工艺复杂。

由于摄像头、雷达本身的局限性,采用取长补短的传感器融合方法非常必要。传感器融合就是将多个传感器获取的数据、信息集中在一起综合分析以便更加准确可靠地描述外界环境,从而提高系统决策的正确性。

多传感器的数据融合包括多传感器的空间融合以及时间上的同步。传感器安装于汽车车身的不同位置,每个传感器定义了自己的坐标系,为了获得被测对象的一致性描述,需将不同的坐标系转换到统一的坐标系上。点云数据和图像数据的空间融合模型涉及的坐标系包括世界坐标系、激光雷达坐标系、相机坐标系、图像坐标系和像素坐标系。空间融合的主要工作是求取雷达坐标系、摄像头坐标系、图像物理坐标系、图像像素坐标系之间的转换矩阵。然而由于不同传感器的工作频率不同,数据采集无法同步,因此还需要根据工作频率的关系进行多传感器时间上的融合,通常做法是将各传感器数据统一到扫描周期较长的一个传感器数据上。

人工智能重新定义AIoT下半场

物联网曾在快速发展一段时期后,又因为高度碎片应用遇到瓶颈。随着人工智能、5G等新兴技术的推动,不少业界人士认为,技术升级与融合将赋能物联网进一步发展。

根据IoT Analytics研究,2020年全球物联网连接数超117亿个,首次超过非物联网连接数,并在过去十年里保持着30.8%的年复合增长率,远超总连接数的9.4%年复合增长率。(Ps:非物联网连接主要来自人与人的通信设备,包括手机、电脑等,其中多数为智能手机)。

伴随着物联网连接数的高速增长,未来百亿级别数量的设备联网将产生的海量数据分析需求。人工智能通过分析、处理历史数据和实时数据,可以对用户习惯进行更精准地预测。而对于人工智能行业来说,至关重要的数据也只有物联网能够源源不断的提供,通过物联网持续不断提供的海量数据可以让人工智能不断训练算法。

人工智能与物联网的融合及在实际中的应用,广义上来讲就是AIoT。人工智能与物联网相结合,通过物联网产生、收集海量的数据存储于设备终端、边缘端或者云端,再通过机器学习对数据进行智能化分析,以实现万物数据化、万物智联化。

如果说AIoT的上半场更侧重于硬件的品类以及数量,搭建物联网基本应用场景,下半场就是人工智能算法与智能化的比拼,为了让场景更完善更智能,对系统、平台、软件的要求越来越高。人工智能平台、人工智能芯片的加入,推动AIoT的应用更加智能化。

以AIoT应用的主战场之一视频监控为例,以人脸识别技术为主的人工智能技术发挥方案了较大作用,可以大幅提高识别的准确率。在初期,人脸识别技术只有人工智能却没有互联,被单点用于单一安防产品上实施布控报警、黑名单、白名单报警等基本功能,能力范围非常受限。后来各大厂家开始致力于将人工智能与物联网技术结合,向场景化应用推动并形成完整的解决方案。

集成人工智能,让传感器智能化走向快车道

传感器的赛道内卷非常严重,除了要求更精准、更小尺寸,更低功耗,更高集成度。现在正在朝着集成人工智能的方向发展。

传感器行业龙头企业博世去年底率先发布集成人工智能的自学习运动传感器BHI260AP,该传感器使可穿戴和耳穿戴设备制造商能够通过传感器中的自学习人工智能软件,提供高度个性化的健身追踪。它能识别和适应各种动作,并学习任何基于重复、循环动作的新健身活动。由于人工智能在传感器内部运行,即终端人工智能,因此无需连接到云端,甚至无需智能手机。这样可以保持数据的私密性,既能够持续追踪和分析活动,又无需连接互联网或与手机绑定。终端人工智能还可最大限度降低延迟和功耗,这意味着用户可以在设备上获得快速、实时的反馈并延长充电间隔。

事实上,以深度学习为基础的新一代人工智能技术,由于其本身非常依赖于行业数据,与数据源头——传感器行业有着天然的连接。

人工智能可以为从各种传感器传输出来的大量数据流,提供详细而精确的分析,从而识别各种活动模式,比如识别行走、跑步、坐姿、睡眠、游泳等姿势,从而提供交互式理解和进行智能预测。

在这个智能化的时代,各种技术的交叉融合无处不在。区块链和物联网碰撞,诞生了“物链网”,旨在通过提升分布式数据的安全性、可靠性、可追溯性,来提升信息的流通性,以及让价值有序的在人与人、物与物、人与物之间的流动。由于边缘计算解决了在边缘资源中云计算应用的应用问题,成为了云计算在未来发展中的重要支撑,边缘计算与云计算势必彼此融合,生成边云协同。还有什么技术融合的案例,欢迎来评论区畅所欲言。

慕尼黑展览(上海)有限公司

上海市浦东新区世纪大道1788-1800号陆家嘴金控广场T1塔楼11层

邮编 200120

电话: +86 21 2020 5500
传真: +86 21 2020 5688
info@mm-sh.com