本文摘要：尽管传感器融合的概念早已明确提出了，但直到最近我们才开始确实看见实际的规模应用于。事实上，传感器融合早已很快发展沦为一种热门趋势，从发源的智能手机和便携式设备，现在开始扩展到普遍的物联网传感器、新一代自动驾驶汽车以及无人机的环境感官应用于。 这种爆炸式快速增长带给了机遇，当然也明确提出了许多挑战，不仅是纯粹的技术挑战，还牵涉到隐私、安全性以及对未来基础设施发展的更加普遍影响。

尽管传感器融合的概念早已明确提出了，但直到最近我们才开始确实看见实际的规模应用于。事实上，传感器融合早已很快发展沦为一种热门趋势，从发源的智能手机和便携式设备，现在开始扩展到普遍的物联网传感器、新一代自动驾驶汽车以及无人机的环境感官应用于。

这种爆炸式快速增长带给了机遇，当然也明确提出了许多挑战，不仅是纯粹的技术挑战，还牵涉到隐私、安全性以及对未来基础设施发展的更加普遍影响。传感器融合的定义比较非常简单，本质上是一种智能统合一系列传感器数据的软件，然后利用统合结果来提升性能，可以是用于完全相同或类似于类型的传感器阵列来构建极高精度的测量，也可以通过统合有所不同类型的传感器输出来构建更加简单的功能。

消费电子领域市场需求仅次于传感器融合的潜在应用于十分普遍，产业分析师十分寄予厚望。据麦姆斯咨询报导，传感器融合系统市场需求预计将在未来5年内以大约19.4%的填充年增长率（CAGR）快速增长，市场规模预计将从2017年的26.2亿美元快速增长到2023年的75.8亿美元。

2016年，北美地区是传感器融合市场仅次于的生产基地，市场份额相似32.84%，而欧洲地区的市场份额也多达了31.51%。虽然传感器融合的传统用例更加偏向于工业应用于，但近年客户群再次发生了根本性改变。

2016年， 54.86%的传感器融合系统市场需求源于消费电子行业。传感器融合构建情境感官传感器中枢（一种包括MCU的软硬件融合解决方案）日益增长的实用性，推展了消费电子产业的极大市场需求。与显软件的“传感器融合”忽略，传感器中枢为特定的一组传感器构建了特定的传感器融合算法，牵涉到普遍的传感器类型及算法。基于硬件的传感器中枢减低了系统CPU的沉重负担，这对于从智能手机到可穿着设备的现代设备十分简单。

实质上，减少CPU阻抗可以缩短电池寿命并增加热量，这两者都是可穿着设备和智能手机设计师面对的关键挑战。例如，谷歌（Google）发售了安卓（Android）传感器中枢，目的必要相连生物识别传感器、加速度计和陀螺仪等智能手机传感器。其运营谷歌自定义算法的微型处理器，可以独立国家理解手势和活动，需要消耗主CPU的资源。

目前为止，这种传感器中枢早已构建在无数的安卓和苹果iPhone手机中，作为高通（Qualcomm）Snapdragon芯片组的一部分，也早已转入了大量的可穿着设备和智能家居设备，在这些用例中，电池寿命都是至关重要的。自动驾驶应用于恩智浦（NXP）汽车传感器融合系统传感器融合的另一个主要市场是汽车产业，例如汽车以防撞击系统，其中可以用于各种有所不同的传感器，还包括压力传感器、加速度计、陀螺仪和超声波传感器等。

如果传感器人组超过了阈值，则可以自动继续执行适当的号召（例如启动涉及的安全气囊）。大多数目前的Level 3级自动驾驶车辆，依赖传感器融合将激光雷达与红外线摄像头、红外照相机、超声波传感器和雷达阵列等传感器构建在一起。

这些传感器每秒需要产生低约数千万个点，出于显著的安全性原因，这些点必须实时处理。自动驾驶产业的目标是逐步向人类驾驶员对话较少的Level 4级和Level 5级（在Level 5级时显然不必须）发展，对传感器、传感器融合硬件/软件以及处理器的可靠性拒绝大大提升，这拒绝比智能手机和可穿着设备更高的水平。很似乎，智能手表遇上故障自己重新启动，跟高速公路上Level 5级自动驾驶汽车的防撞击系统截然不同。整个系统的可靠性是一项很简单的挑战，因为传感器融合在获取更加慢、更加有效地的环境变量监测时，也意味著来自单个传感器的非正常输出可能会启动时安全性系统，这就必须汽车设计人员在系统的所有部分都保证有效地输出和校验。

也许，传感器融合对未来自动驾驶最重要的优势是所获取的校验环境感官，利用各种有所不同的传感技术理解它们所处的环境。例如自动驾驶横向应用于中的激光雷达和雷达系统，以及无人机系统中的压力传感器，在GPS信号不可信的情况下是飞行中掌控和定位的最重要工具。智慧城市应用于这种传感器融合的派生环境在物联网和智能家居/智慧城市的发展中尤为重要。

这些联网的无数“绝望”传感器一旦顺利融合，就可以建构到城市规模的号召系统中。如果家庭数据以可辨识的方式用于，那么当然不会不存在隐私和安全性问题，以及城市范围系统不存在的更加普遍的公共安全问题。不过，设计用作城市空气污染（例如苯和颗粒物）监测的早期测试网络，通过车载系统、建筑构建和专用监测站建构，需要自动收到警报、纾缓交通流量，早已表明出有极大的应用于前景。

例如，2018年7月发动的一项监测伦敦污染水平的计划，统合了污染最相当严重地区的100个相同传感器和两辆经过类似改装成的谷歌街景汽车，一起跟踪伦敦街头的污染水平。这两辆谷歌街景汽车间隔30米就不会搜集一次空气质量读数，以通过一年内的积累数据来标记伦敦污染的“热点区域”。人工智能助力传感器融合当然，除了在各种实施方案中从各种传感器中萃取简单数据的挑战，还有许多其它挑战，特别是在是可信地号召环境变化的挑战，其中任何一个都有可能减少数据搜集过程中的设备误差、噪声以及缺失。

数年前，光滑地处置这些误差完全是不有可能已完成的任务，但随着比较经济的机器学习和人工智能（AI）工具的蓬勃发展，传感器融合所带给的确实潜力呈现出了指数级快速增长。当然，人工智能技术应用于的前景更为喜人，为传感器供应商和设计师建构了新的用例，从而打造出了新的市场。

短期内，人工智能和传感器融合可以通过强化的本地数据处理来使安全性风险最小化，从而明显减少安全性传输、处置和存储异地个体数据的拒绝。这有可能沦为一个至关重要的价值反映，减少商业风险和间接成本，并为最终用户获取更加明晰的利益。很似乎，未来我们不会看见更加多的网络传感器映射我们的车辆、家庭和城市。为这些很快收缩的数据流加到情境，构建确实传感器融合的必要性将不会显得更为严峻。

一旦构建融合，这些数据将赋能现有应用于并打开全新的服务，从面向消费者的身体健康和休闲娱乐娱乐，到提升供应链管理效率，以及更加慢、更加便利、污染较少的运输网络。

本文来源：南宫28圈官网-www.kubernetek.com