随着物联网的出现，制造业的数字化（我们称之为工业4.0），以及我们经济和社会各个领域不断增加的数字化转型努力，随着智能传感器在各行各业的利用，传感器市场的发展速度更快。

事实上，在某种程度上，智能传感器是“真正的”物联网的基础。在物联网部署的这个阶段，许多人仍然关注所有这些物联网设备来定义物联网。物联网通常被视为一些连接的物联网设备网络，根据定义，其中包括智能传感器。好吧，这些设备是传感设备。

《网络物理系统和工业 4.0：实际应用和安全管理 (Cyber-physical Systems and Industry 4.0)》

因此，它们包含传感器和其他技术，可以测量某些东西并将测量的内容转换为数据，然后以不同的方式使用。应用程序的目的和上下文（例如，使用哪种连接技术）决定了需要哪些传感器以及所需的功能。

DRS 360 自动驾驶平台

鉴于如今与自动驾驶汽车相关的媒体报道和营销活动的泡沫化，很难解析和识别大趋势。以下是我对三个与自治相关的挑战的看法，以及原始数据传感器融合如何在解决这些挑战中发挥作用。

• V2X。对于自动驾驶车辆之间以及车辆与路边基础设施之间的可靠实时通信的最佳标准，一直存在争议。毫无疑问，有了更多信息，我们将能够做出更好的决策，但将使用哪种协议（DSRC、5G）是一个悬而未决的问题。从广义上讲，V2X 可以被认为是一种传感器数据，自动驾驶汽车上的计算平台需要集成来自 LiDAR、视觉和其他车载传感器的数据。对于 DRS360，我们将 V2X 视为另一种类型的传感器，具有相关信息，可以帮助我们提高决策质量。因此，我们的计划是最终能够将这些信息集成到我们的平台和环境模型中，而不管协议如何。

•深度学习。基于规则感知的方法可能无法完全扩展。另一种选择是使用深度学习算法或部署神经网络，可能会更好地近似人类如何看待和检测他们的环境。虽然自动驾驶汽车使用各种类型的传感器，但如今神经网络主要用于处理视觉传感器数据。我们相信有机会通过将神经网络应用于来自多种传感器模式的融合数据来提高性能。在技术目标中——确保这些类型的算法支持 ISO 26262 等安全标准，并开发用于验证和验证围绕这些算法构建的整体系统的程序。

•成本. 当今自动驾驶汽车设计中一些最流行的传感器技术——尤其是激光雷达部署——过于昂贵。这对自动驾驶汽车的快速、近期采用构成了障碍。传感器成本需要降低，最好的方法是创建固态传感器，去掉不必要的处理。另一种降低成本的方法是提供融合的原始数据环境图，以提高算法效率，进一步降低中央计算平台的处理要求。

当谈到自动驾驶汽车时，炒作周期肯定是如火如荼。尽管媒体泛滥，但市场仍有很大空间，主要是因为技术、监管、社会等方面挑战非常巨大。因此，我们需要更多的人和公司在这个领域工作。