中国上海 - 2025年3 月 12日--安森美(onsemi,美国纳斯达克股票代号:ON)推出其首款实时、间接飞行时间 (iToF) 传感器Hyperlux™ ID 系列,可对快速移动物体进行高精度长距离测量和三维成像。
Hyperlux ID 系列采用安森美全新专有全局快门像素架构且自带存储,可以捕捉完整场景,同时实时进行深度测量。这种创新方法突破标准 iToF 传感器的局限性,实现最远 30 米的深度感知,是标准 iToF 传感器的四倍,而且外形尺寸更小。 此外,该传感器系列还能同时生成黑白图像和深度信息。 通过结合这两种输出,该传感器系列可以提供全面的环境视图,而无需为视觉和深度数据分别配置传感器。
因此,Hyperlux ID 系列实现了简化设计和业内领先的超深度感知能力,能在动态场景条件下工作以及捕捉快速移动物体,这在以前都是无法实现的。
随着自动化和机器人技术在工业领域的广泛应用,快速且高效地获取高精度深度信息对于提升在复杂环境中的生产效率和安全性变得至关重要。然而,到目前为止,iToF传感器由于测距范围有限、在恶劣光照条件下性能不佳且无法对移动物体计算深度,其应用受到了限制。
由于能够对移动物体和高分辨率图像进行精确测量,Hyperlux ID 系列将有助于减少错误和停机时间,优化制造系统的流程,从而降低运营成本。 此外,Hyperlux ID 系列还适用于面部识别、手势检测和 3D 视讯会议等消费应用场景。
Hyperlux ID 系列非常适合用于广泛的工业环境,例如:
• 自动化与机器人:通过检测物体以实现更好的导航和避障,从而提高工厂车间的安全性。
• 制造与质量控制:通过测量物体的体积和形状、检测缺陷,确保产品符合质量标准。
• 物流与物料处理:通过测量托盘和货物的位置、尺寸及货物比例,以优化仓储管理和运输流程。
• 农业与种植:通过测量植物高度、检测疾病以及优化灌溉和施肥过程,来监测作物生长和健康状况。
• 访问控制系统:为支付终端、家庭和商业入口系统等提供高精细、高准确度的面部识别。
Hyperlux ID 传感器系列融合了全局快门架构和iToF技术,实现精确且快速的深度感知。iToF技术通过测量从一个或多个垂直腔面发射激光器(VCSEL)发出的反射光的相移来感知深度。专有的像素架构使传感器能够在一次曝光中同时捕获并存储四种不同的光相位,即时捕捉完整场景并提高深度测量的准确性。此外,全局快门技术将所有传感器像素与VCSEL同步,从而显著减少来自其他光源的环境红外噪声。自带的深度处理功能还可输出实时结果,而无需昂贵的外部存储器和高性能处理器。
“Hyperlux ID 系列不仅具备比市场上其他iToF传感器更高的分辨率和更好的环境光抑制能力,其集成处理功能也给我们留下了深刻印象。该功能可高速生成深度、置信度和强度图,使其特别适合捕捉移动物体。” IDS Imaging Development Systems董事总经理Alexander Lewinsky表示,“得益于与安森美的紧密合作,我们能够非常迅速地开发并扩展我们的3D相机系列,推出了一款高性价比的飞行时间相机,大规模用于室内和室外应用。”
Hyperlux ID 系列包括120 万像素全局快门、3.5µm背照式(BSI)像素传感器。AF0130型号还自带处理功能,令集成更简单并降低系统成本。对于那些希望集成自有深度检测算法的客户可以选用AF0131,为他们的系统增加了更大的灵活性。
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。