隨著人工智能和物理世界的交叉和自主技術的采用增加，人們可能會質疑機器及其目前脆弱的模型如何以人類的方式感知世界。借助傳感器技術，例如在自動駕駛車輛中實施的技術，包括激光雷達、雷達和攝像頭，機器開始收集實時數據，為決策提供信息并適應現實世界的場景。

傳感器技術已經深入我們的日常生活，以至于我們可能低估了它們的影響。以恒溫器為例：只需進行一些調整，這種基本的傳感器技術就可以盡職盡責地將家庭和辦公室保持在理想的溫度，而無需太多人工干預。

然而，在背景中，恒溫器依賴于雙金屬機械或電氣傳感器，這些傳感器使用熱膨脹來測量溫度，然后操縱能夠根據所需溫度打開和關閉加熱或空調的電路。這只是改善我們生活的傳感器類型的一個小例子。

用于 AV 的激光雷達、雷達傳感器

最近，汽車制造商一直在借助傳感器推動全自動駕駛。一些公司專門制造激光雷達（光檢測和測距）傳感器以協助物體檢測。

休斯飛機公司因在 1960 年代早期引入激光雷達技術而廣受贊譽，該技術主要用于衛星跟蹤，借助激光聚焦成像，工程師可以計算距離。

如今，許多公司正在采用直接飛行時間激光雷達傳感器，該傳感器使用激光發射光波脈沖，然后從周圍環境和障礙物反彈。然后激光雷達測量這些脈沖返回所需的時間，從而確定傳感器和物體之間的距離。激光雷達傳感器還能夠在光波撞擊物體表面時創建物體表面的“地圖”。

在現實世界的場景中，公司將激光雷達用于各種應用，使機器能夠感知周圍的世界，包括倉庫管理、高級駕駛輔助系統、建筑項目、污染建模等。Mobileye 和戴姆勒等公司正在其自動駕駛原型中實施激光雷達技術。

例如，Mobileye 最新的 EyeQ Ultra SoC使用稱為 XNN、PMA、VMP 和 MPC 的四類專有加速器，它們又依賴于兩個傳感子系統：一個僅用于攝像頭的組件，另一個是雷達和激光雷達的組合。Mobileye 聲稱 EyeQ Ultra SoC 將實現自動駕駛 4 級，汽車工程師協會將其定義為在特定條件下無需人工干預即可執行所有駕駛功能的車輛。但是，如果不滿足這些條件，則駕駛員必須控制車輛。

在現實世界場景中采用激光雷達的另一個例子是亞馬遜的自主機器人：Bert、Kermit 和 Ernie。Bert 使用激光雷達技術在整個亞馬遜倉庫中引導它，避開其他自動駕駛機器人、工人和機械等障礙物。

制造商也在使用激光雷達來改善他們的物流鏈，依靠自主機器人來優化履行和配送流程。

機器人的 3D 視覺

在工業和汽車用例中采用激光雷達技術的成功有限。因此，工程師們意識到完全自主的機器是復雜的技術，需要更可靠的人工智能和機器學習算法。這就是 3D 視覺可以幫助推進自主性的地方。

3D 視覺通常在工廠自動化應用中實施，例如拾放機器人。這些機器依賴于 3D 快照傳感器，使機器人能夠從本質上檢測物體，而不管其位置如何，這意味著它可以檢測物體是平放、直立還是處于懸掛位置。

3D 掃描和檢測開發商 LMI Technologies 創建了自己的 3D 傳感器版本 Gocator 3,000，該傳感器依賴于使用藍光 LED 結構光的條紋投影，并結合多種 3D 測量工具和決策邏輯。結合的技術允許傳感器通過走走停停的運動掃描和檢查任何物體，從而實現質量控制檢查和自動化組裝。

3D 視覺還被用于處理激光雷達傳感器收集的數據，以渲染它們掃描的環境的詳細圖像。3D 視覺計算機軟件公司 Seoul Robotics 于 2021 年 1 月在美國發布了其首款 3D 視覺軟件。該軟件依賴于該公司基于 ML 的 SENSR 軟件，使3D 傳感器本質上成為物聯網設備。這家韓國公司聲稱傳感器可以分析和理解從車聯網通信、交通安全技術、零售分析和智慧城市收集的 3D 激光雷達數據。

地理空間人工智能

一些觀察家預測，基于位置的地理空間 AI 代表了 ML 的下一個重要步驟，允許機器收集實時地理數據來指導決策和預測分析。地理空間人工智能的用例包括物流、農業和基礎設施。

地理空間人工智能結合空間科學、深度學習、數據挖掘和高性能計算來收集和分析機器網絡收集的空間數據。地理空間 AI 還依賴用戶數據來訓練提供推理和預測能力的算法。

例如，Uber 和 Lyft 等拼車公司依靠地理空間人工智能應用程序根據客戶提交的信息提供預計到達時間。Waze 和 Apple Maps 等 GPS 應用程序也依賴地理空間 AI，根據交通分析軟件和用戶輸入，為駕駛員提供到達目的地的最快路線。地理空間人工智能也正在物流和供應鏈流程中實施，以使制造商能夠獲得及時的交付數據。

審核編輯 黃昊宇