1012
随着以ChatGPT为代表的AI大模型技术的迅猛发展，人工智能正在颠覆各行各业，并带来巨大的技术提升，对传感器技术来说，也是如此。
目前，从华为、博世、基恩士等巨头到初创传感器企业，均在探索人工智能技术在智能传感器中的应用。
此前，来自以色列的初创企业Exodigo，宣布获得1.05亿美元（约合7.76亿人民币）的融资，本轮融资由风险投资机构Greenfield Partners和Zeev Ventures共同领投。
资料显示，Exodigo成立于2021年，短短两年就已获得三轮融资，融资金额超过1.3亿美元。
Exodigo为什么能获得资本青睐？答案在于其传感器+AI的革命性探测技术。
在城市中地下，各种天然气管道、自来水管、电缆以及其他可能导致泄漏、爆炸的埋藏障碍物密布，随着老化、年久失修，带来的安全风险剧增。
据Common Ground Alliance (CGA)测算，美国每年有数十万起因公用管线破损老化带来的事故，其损失超过了300亿美元。Exodigo也曾估算，公共事业公司每年在不必要的重型设备挖掘和探测性钻探上的花费，也超过了1000亿美元。与此同时，建筑环境几乎占了全球碳排放量的一半，这也使得解决地下问题有了经济和环境的双重需求。
因此，实现精确的、无侵入式的地下探测，绘制出详细的地下地图，对城市地下管廊系统的维护非常重要。
传统的地下地图依靠单个传感器和视觉提示来推断位置和线路路径，常常需要对地面进行破坏，同时线路不够准确。
那么，Exodigo怎么做呢？
Exodigo使用多个传感器融合收集地球物理数据，并将信号与人工智能（AI）融合在一起，显着提高地图绘制的准确性和效率，从而减少不必要的挖掘以节省成本、降低损失。
据Exodigo声称，该方法通常比传统方式能够多发现20-30%的公用事业线路，并能够将初步挖掘和钻探减少多达90%，因此施工人员只需要在必要时进行挖掘即可。
据官网介绍，Exodigo绘制地图主要有这些步骤：
Exodigo 使用最先进的传感器进行扫描，涵盖多个物理领域。这种方法弥补了单个传感器类型的局限性，并确保检测到所有埋藏的资产（无论材料和属性如何）。平均每 0.4 英寸（1 厘米）扫描一次采样，捕获的数据量是传统定位仪的 1000 倍。
这些先进传感器包括了多频磁电式传感器、磁性梯度计、电性模拟器、多频多通道探地雷达等。
同时，Exodigo以纵横交错的蛇形路径模式扫描整个区域，而非传统的“遵循路线”方法从现有记录和视觉提示（如沙井或消防栓）开始推断位置，这种方法消除了扫描过程中的人为错误和偏见，并最大限度地提高了我们收集的数据的完整性。
多传感器融合
在信号中添加高分辨率图像，以检测地下公用设施（例如沙井、消防栓等）的任何地上指标。这种融合创建了一个同步的、基于地理定位的、多感知维度的数据堆栈，使我们的人工智能能够构建精确的地下 3D 模型。
基于人工智能驱动的地图创建
将数据上传到云端进行分析后，Exodigo 的自研算法会根据现场采样的数据对所有可能的情况进行物理模拟，以找到对整个区域中检测到的物体位置的最佳预测。
Exodigo指出，其AI算法在实时数据库上进行训练，数据库包含过去完成的来自全球各地的数十个项目的 TB 级数据，数据库随着新数据的添加而不断发展。
Exodigo通过多传感器融合才是采集到的数据量是庞大的，如何分析这么庞大的数据？
Exodigo给出的方法就是自动化和AI，通过AI技术Exodigo分析比传统方法多几个数量级的数据，以发现与周围环境具有不同特征的地理现象，在过去，训练有素的地球物理学家可能需要几个月的时间才能从单个站点扫描中手动查看大量数据，而我们的算法可以在数小时内处理这些数据。
并且，使用AI可以减少过程中的人为错误，特别是在保持重复性任务的规则应用和质量保证方面的一致性。
然而，虽然AI可以解决大多数物体检测问题，但Exodigo也特别提到，其团队中仍然包含多维地球物理专家和土木工程师，他们会审查所有特殊情况，以保证每张地图的质量水平
可以看到，该革命性探测技术，基于多种先进传感器融合+AI技术，Exodigo成立的第二年，这项技术就荣获了《时代》杂志评选的2022年最佳创新之一，并入选“改变我们生活方式的200项发明”。
在示例方面，Exodigo给出了多个项目实用案例，譬如美国国家电网计划在纽约鹿特丹建设一个变电站，但缺乏选址地方的地下管廊布局情况。
Exodigo 使用其推车平台通过多个传感器、摄像头图像和厘米级精度的 RTK GPS 扫描该区域，每英亩收集超过 500 GB 的数据，通过AI计算后生成3D可视化地下地图，避免了项目后期代价高昂的延误。
美国国家电网土木建设总监Mike Roberts评价“Exodigo在鹿特丹试点项目中取得了非常有希望的结果。这项技术看起来改变了我们的游戏规则，从项目开始、规划、设计和工程，一直到施工，这个领域都至关重要。该技术提供的能见度水平提高就像第一次戴上处方眼镜，对以前有限和模糊的东西获得清晰的视野。”
华为、博世、基恩士……头部企业探索传感器+人工智能
传感器+AI，Exodigo这家初创地下空间探测企业用其创新的技术做了示范，凭借该技术取得的成功，获得了投资者的青睐。
作为市场和新技术的引领者，越来越来多的头部企业在探索传感器技术中人工智能的应用。
譬如在今年5月份，华为在夏季全场景发布会中，推出AI 辅助康养传感器，瞄准智能家居中的智慧康养赛道。
AI 辅助康养传感器使用毫米波雷达技术，实现起居检测场景健康关怀，传感器支持跌倒、坠床、睡眠等事件检测，并且支持分级告警，将异常信息推送给家人，使家人得到及时守护。
华为拥有激光雷达、毫米波雷达的自研技术，该传感器技术主要为智能驾驶服务，并延伸到智能家居等领域。华为没有聊AI，但AI技术已经深度融入到华为的传感器产品中。
据传感器业内资深人士分析，用毫米波雷达检测人体存在和动作并不难，难在如何甄别各种动作事件，避免误判——譬如蹲下就不应该识别成跌倒，目前市场上部分毫米波雷达跌倒监测设备存在较大的误测情况。
显然，华为将该毫米波雷达命名为AI 辅助康养传感器，使用AI技术对毫米波雷达反馈的数据进行识别和判断，提升识别准确率——庞大的数据库和先进的AI模型也是华为的强项，许多传统传感器企业并不具备。
此前，在SensorShenzhen2024上，专家网编辑专访了Bosch Sensortec高级产品经理周良，此前博世已推出集成可编程AI系统的IMU单元BHI380，其深入分享了博世对AI技术在传感器中的应用：
“我们对AI的理解，就是说我们过去的传感器其实就是给客户提供一些原始的数据，比如说，以加速器和陀螺仪来讲，它可能输出的就是一个加速度信号或者一个角速度信号给到客户。但是从真正应用的角度来讲，客户可能需要把这些物理量变成它实际使用到的一些数据，那这里面需要一个算法的过程（来进行计算），在以前这个算法需要客户自己来开发，自己来做这方面的应用。
现在，我们的智能传感器，就是在传感器里面放入相当有计算力的一些计算单元。可以是一个外接的MCU，也可以是SoC，那它里面就能够跑我们博世自己开发的一些算法。这些算法能够实现本地运行，或者叫做边缘计算这套模式，让这个计算重新回到我们传感器的这边，来减少整个系统的功耗。然后同时也可以减少客户对算法开发的负担。
如果我们能够提供一些优质的算法，客户可能拿到这些产品就能直接去应用。他不需要再根据你的传感器，针对某个场景去开发重复的算法，这样产品开发效率就能提高，所以这个是我们在智能传感器领域做的一些探索。”
通过博世提供的集成在传感器中的AI算法模块，可以大大减轻下游用户的产品开发难度，提高产品研发效率——这意味着下游企业将能极大节约研发成本。
如果说博世作为消费电子传感器巨头，本身对AI等新技术更为敏锐，那么，工业传感器巨头基恩士推出的AI检测案例，则意味着在工业传感器等全产业，巨头们都在积极思考AI技术在传感器中的应用。
基恩士在其官方公众号中发布AI检测案例，文中指出“AI视觉检测在工业机动化领域也逐渐解决了人工检测成本高、稳定性差、检出率不达标等难题。”
通过基恩士先进的光电传感器配合AI算法，能够应对工业场景中更多未知场景的精密检测需求，譬如铸铝件的砂眼大小、树脂件的划痕长短等，是否符合质检要求。
结语
数据本身没有价值，只有将数据转化为可读易懂的信息，用于辅助决策，解决实际问题，那么数据才被赋予了价值。
未来，全面智能化时代到来，数以亿万计的传感器被使用，将产生海量的数据，如何从这些传感器数据中进行筛选，形成结论，帮助我们做出决策，才是这些传感器的价值。
在以往，许多时候传感器传回来的数据，需要人工进行分析，做出判断，大大降低传感器的利用率，面对海量的传感器数据如何快速做出判断？答案很显然——依赖于人工智能技术，对亿万传感器数据进行分析，做出合理的执行或者告警，这才是人工智能的价值。
显然，随着AI技术的进步，未来对海量传感器数据的处理，传感器+AI，感知数据加上大脑，才能有价值。
下载ECAD模型
