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
谷歌DeepMind等顶级机构联合研究揭示,当前12种主流AI安全防护系统在面对专业自适应攻击时几乎全部失效,成功率超过90%。研究团队通过强化学习、搜索算法和人类红队攻击等多种方法,系统性地突破了包括提示工程、对抗训练、输入过滤和秘密检测在内的各类防护技术,暴露了AI安全评估的根本缺陷。
西蒙弗雷泽大学和Adobe研究院联合开发的MultiCOIN技术,能够将两张静态图片转换为高质量的过渡视频。该技术支持轨迹、深度、文本和区域四种控制方式,可单独或组合使用。采用双分支架构和分阶段训练策略,在运动控制精度上比现有技术提升53%以上,为视频制作提供了前所未有的灵活性和精确度。
英国国王学院研究团队开发了潜在精炼解码(LRD)技术,解决了AI文本生成中的速度与准确性平衡难题。该方法通过两阶段设计模仿人类思考过程:先让AI在连续空间中"深思熟虑",保持多种可能性的混合状态,然后"果断行动",逐步确定答案。实验显示,LRD在编程和数学推理任务中准确性提升最高6.3个百分点,生成速度提升最高10.6倍,为AI并行文本生成开辟了新路径。
清华大学团队开发的ViSurf是一种创新的大型视觉语言模型训练方法,巧妙融合了督导式学习和强化学习的优势。该方法通过将标准答案整合到强化学习过程中,让AI既能从正确答案中学习又能保持自主推理能力。实验显示ViSurf在多个视觉任务上显著超越传统方法,特别是在处理模型知识盲区时表现突出,同时有效避免了灾难性遗忘问题,为AI训练提供了更高效稳定的新范式。