基础传感器技术支持多种高级应用

随着人工智能和物理世界的交叉和自主技术的采用增加，人们可能会质疑机器及其目前脆弱的模型如何以人类的方式感知世界。借助传感器技术，例如在自动驾驶车辆中实施的技术，包括激光雷达、雷达和摄像头，机器开始收集实时数据，为决策提供信息并适应现实世界的场景。

传感器技术已经深入我们的日常生活，以至于我们可能低估了它们的影响。以恒温器为例：只需进行一些调整，这种基本的传感器技术就可以尽职尽责地将家庭和办公室保持在理想的温度，而无需太多人工干预。

然而，在背景中，恒温器依赖于双金属机械或电气传感器，这些传感器使用热膨胀来测量温度，然后操纵能够根据所需温度打开和关闭加热或空调的电路。这只是改善我们生活的传感器类型的一个小例子。

用于 AV 的激光雷达、雷达传感器

最近，汽车制造商一直在借助传感器推动全自动驾驶。一些公司专门制造激光雷达（光检测和测距）传感器以协助物体检测。

休斯飞机公司因在 1960 年代早期引入激光雷达技术而广受赞誉，该技术主要用于卫星跟踪，借助激光聚焦成像，工程师可以计算距离。

如今，许多公司正在采用直接飞行时间激光雷达传感器，该传感器使用激光发射光波脉冲，然后从周围环境和障碍物反弹。然后激光雷达测量这些脉冲返回所需的时间，从而确定传感器和物体之间的距离。激光雷达传感器还能够在光波撞击物体表面时创建物体表面的“地图”。

在现实世界的场景中，公司将激光雷达用于各种应用，使机器能够感知周围的世界，包括仓库管理、高级驾驶辅助系统、建筑项目、污染建模等。Mobileye 和戴姆勒等公司正在其自动驾驶原型中实施激光雷达技术。

例如，Mobileye 最新的 EyeQ Ultra SoC使用称为 XNN、PMA、VMP 和 MPC 的四类专有加速器，它们又依赖于两个传感子系统：一个仅用于摄像头的组件，另一个是雷达和激光雷达的组合。Mobileye 声称 EyeQ Ultra SoC 将实现自动驾驶 4 级，汽车工程师协会将其定义为在特定条件下无需人工干预即可执行所有驾驶功能的车辆。但是，如果不满足这些条件，则驾驶员必须控制车辆。

 

在现实世界场景中采用激光雷达的另一个例子是亚马逊的自主机器人：Bert、Kermit 和 Ernie。Bert 使用激光雷达技术在整个亚马逊仓库中引导它，避开其他自动驾驶机器人、工人和机械等障碍物。

制造商也在使用激光雷达来改善他们的物流链，依靠自主机器人来优化履行和配送流程。

机器人的 3D 视觉

在工业和汽车用例中采用激光雷达技术的成功有限。因此，工程师们意识到完全自主的机器是复杂的技术，需要更可靠的人工智能和机器学习算法。这就是 3D 视觉可以帮助推进自主性的地方。

3D 视觉通常在工厂自动化应用中实施，例如拾放机器人。这些机器依赖于 3D 快照传感器，使机器人能够从本质上检测物体，而不管其位置如何，这意味着它可以检测物体是平放、直立还是处于悬挂位置。

 

3D 扫描和检测开发商 LMI Technologies 创建了自己的 3D 传感器版本 Gocator 3,000，该传感器依赖于使用蓝光 LED 结构光的条纹投影，并结合多种 3D 测量工具和决策逻辑。结合的技术允许传感器通过走走停停的运动扫描和检查任何物体，从而实现质量控制检查和自动化组装。

3D 视觉还被用于处理激光雷达传感器收集的数据，以渲染它们扫描的环境的详细图像。3D 视觉计算机软件公司 Seoul Robotics 于 2021 年 1 月在美国发布了其首款 3D 视觉软件。该软件依赖于该公司基于 ML 的 SENSR 软件，使3D 传感器本质上成为物联网设备。这家韩国公司声称传感器可以分析和理解从车联网通信、交通安全技术、零售分析和智慧城市收集的 3D 激光雷达数据。

地理空间人工智能

一些观察家预测，基于位置的地理空间 AI 代表了 ML 的下一个重要步骤，允许机器收集实时地理数据来指导决策和预测分析。地理空间人工智能的用例包括物流、农业和基础设施。

地理空间人工智能结合空间科学、深度学习、数据挖掘和高性能计算来收集和分析机器网络收集的空间数据。地理空间 AI 还依赖用户数据来训练提供推理和预测能力的算法。

例如，Uber 和 Lyft 等拼车公司依靠地理空间人工智能应用程序根据客户提交的信息提供预计到达时间。Waze 和 Apple Maps 等 GPS 应用程序也依赖地理空间 AI，根据交通分析软件和用户输入，为驾驶员提供到达目的地的最快路线。地理空间人工智能也正在物流和供应链流程中实施，以使制造商能够获得及时的交付数据。

审核编辑 黄昊宇