全国智能车竞赛自第一届以来影响深远，竞赛过程包括理论设计、实际制作、整车调试、现场比赛等环节，要求学生组成团队，协同工作，初步体会一个工程性的研究开发项目从设计到实现的全过程。2018年8月份，摩尔吧第13届全国大学生“恩智浦”杯智能汽车竞赛现场直播，邀请北京科技大学智能汽车队第五届队员佟超为大家讲解，广受好评！那么，如何高效备战智能车竞赛呢？2019年5月份，摩尔吧将推出全新的智能车培训课程，邀请清华大学卓晴大大、北科大佟超以及恩智浦的工程师为大家讲解智能车竞赛的相关内容，愿大家在今年的智能车竞赛中取得理想的名次。直播主题：智能车竞赛创意组“步步为营”关键技术解析—基于i.MXRT1060的可编程视觉模块直播时间：2019/5/2020:00本期直播内容：1.模块整体介绍2.OpenMV功能简介2.使用python开发的特点与方法4.常见问题与解决5.交互式Q&A更多课程详情查看：https://www.moore8.com/special/livevideo/nxp-190520

MavicMini是大疆在10月底推出的一部重量仅有249克的无人机产品。折叠设计，使得体积进一步减小。甚至其收纳体积相对于部分大屏智能手机来说也差不了多少。大疆MavicMini又是如何做到如此小巧便携的尺寸？内部做了哪些改变？是否有减小电池容量？拆解信息电池改为可拆卸电池，通过卡扣固定在无人机中框上，可直接取下。电池容量：2400mAh。顶盖仅通过卡扣与中框固定，然而卡扣较紧，所以需小心撬开后取下。旋桨的收缩折叠通过金属件完成。螺旋桨电机电缆通过焊点与主板连接。云台与GPS板的接口处涂有大量点胶保护，GPS板通过四个橡胶垫固定在底部支撑件上，支撑件与电源管理板有螺丝固定。去掉电源管理板和GPS板后就正面部件就拆解完成。改从底盖下手，底盖同样通过卡扣固定。散热板与主板之间涂有大量散热硅脂。由思特威电子生产的避障传感器，固定在主板上。左右两侧为红外传感器收发装置。避障传感器厂商为思特威电子，型号为032GS，模组厂商为群光电子。前端两个旋桨电机与主板之间除了电机所用的一组电缆。另有一根同轴线，用于连接GPS天线。而GPS天线位于旋桨支撑件内。云台模块与主机的连接主要通过围绕着云台的一整根排线。排线的三个接口连接分别连接主板，GPS板以及云台模块。由于与各模块连接的BTB接口都已断开，云台模块就仅通过四角的橡胶垫固定在中框上。摄像头板连接器处涂有大量散热硅脂用于散热。摄像头板通过泡棉胶固定在云台内。云台1200万像素摄像头，光圈为F/2.8，五片式镜头。主板ic信息：主板正面主要IC（下图）:1：Qualcomm-快充芯片2：winbond-16MB闪存芯片3：NXP-微控制器芯片4：winbond-1Gb内存芯片主板背面主要IC（下图）:1：TI-电池充电控制芯片2：Atheros-2.4/5GHz双频WiFi芯片3：winbond-1Gb内存芯片4：Ambarella-视频处理芯片5：Toshiba-2GB闪存芯片6：Active-Semi-电源管理芯片GPS板背面主要IC（下图）:1：ublox-导航定位芯片总结整机大部分结构件都通过螺丝和卡扣进行固定，卡扣较紧。全新设计的旋桨，将两者直接用螺丝连接在转机上，节省空间的同时，让两个桨叶更灵活的合在一起。所有BTB接口处都有点胶用于保护。主板下都垫有散热板并涂有散热硅脂进行散热。为了缩小整体尺寸及重量，电池容量减少为2400mAh。（编：歆玥）最后，附赠一份遥控器的主板IC吧。遥控器主板正面主要IC（下图）:1：HDSC-FC32F030J8TA-微处理器芯片遥控器主板反面主要IC（下图）:1：TI-USB控制芯片2：ESMT-64MB内存芯片3：Atheros-WiFi芯片4：Skyworks-射频功率放大芯片5：Micron-64Mb闪存芯片来源：eWiseTech

在今天的视频中，将介绍如何将树莓派4B从标准1.5GHzCPU频率一直超频到2.1GHz，为确保获得安全且稳定的超频，视频中使用用了SeeedStudio推出出色的IceTowerRGB散热风扇，价格嘛，大概是2/5的树莓派4B。文章来源TechCraft

机甲战士终于来到了我们身边为了减轻重物搬运的压力，Sarcos机器人公司已经与达美航空公司开始进行合作。总部位于犹他州的机器人公司Sarcos正在开发一种机器人外骨骼，它将从根本上改变工地上的负重工作方式。正值CES的第一天，Sarcos宣布与达美航空公司(DeltaAirLines)合作，将他们的超级战衣带给航空人员。Sarcos的这款名为GuardianXO的套装本质上是一个工人穿的机器人。它使普通人能够用自然的身体运动举起并熟练地操作超过100磅的重物。多年来，电池的重量和容量限制了无缆全电动工业套装的潜力，但Sarcos的工程师们似乎已经用新颖的控制和电源管理技术解决了这个难题。我的最佳猜测是，宇航服是被动的，也就是说，它在静止时不消耗能量。这个简单的转变改变了机器人领域的游戏规则。多年来，笨重的机械手臂用大量的能量驱动关节来保持着单一的姿势。通过将耗电量降至几乎为零的情况下，利用最先进的电池和电源管理技术，Sarcos终于为普通人打造了一套毫无束缚的超级准备。为何说这是一个游戏规则的改变，想象一下这套装备不像一个动力辅助设备，更像一个叉车。通过承受这套服装和有效载荷的重量，外骨骼可以让员工在8小时内反复举起200磅的重量，而不会感到紧张或疲劳。最明显的应用是装载货物，这在航空业很常见。达美航空公司负责机场客户服务和货运的高级副总裁GarethJoyce表示:“我们应该感谢地球上最优秀的航空公司员工，来探索新兴技术是如何让我们的工作更安全、更容易的。”“这就是我们寻求与Sarcos合作的原因。”达美是第一家一线员工与Sarcos直接合作以确定GuardianXO的潜在操作用途的公司。去年11月，达美航空公司代表机场客户服务和货运部门参观了Sarcos的总部，了解它的运作情况，并探讨可穿戴机器人在日常工作中可能给他们带来的好处。GuardianXO被设计用于需要搬运和操作大型或笨拙物体的行业中，这些行业不容易通过标准的升降设备进行操作。达美依靠这件超级装备可以在货仓搬运货物、维修部件，或为地面支持设备提升重型机械和零件。达美航空计划于2020年第一季度在试点地区测试该技术，让员工有机会在真实环境中体验该技术，并就其功能提供额外的反馈。Sarcos首席执行官BenWolff表示:“我们寻找的是在技术应用方面明显处于领先地位的公司，它们有创新的历史，能够满足客户和员工的需求。达美航空是航空业的天然选择，在我们努力将这项技术用于商业部署的过程中，达美显然是很好的合作伙伴。”文章来源于网络

我们见到了AutelRobotics即将推出的8K无人机新品EVO2，其有望与大疆等厂家的竞品一战。尽管面临法规上的严格限制，但消费级无人机市场还是不可避免地迎来了爆发。对于发烧友来说，无人机可视作一项有趣的娱乐活动。此外，无人机能够为人们带来许多便利，比如为视频创作者提供独特的视角、或者帮助土地所有者调查其财产状况。AutelRobotics已结束EVO2的研发工作，并在CES2020上首次亮相。作为一款采用了可折叠设计的无人机，EVO2支持8K摄像、长时间的续航、以及较高的飞行速度。此外，AutelRobotics还提供了配备6K摄像头的Pro机型、以及装有FLIR热成像仪的Dual版本。在消费级无人机市场，大疆（DJI）占绝对的主导地位，但Parrot等厂家也不甘落于人后，纷纷推出了各自的竞品。至于AutelRobotics的EVO2，该机可选6K/8K机型，CMOS传感器为0.5英寸，最高支持8000×6000分辨率。EVO2Pro机型的分辨率较低，但拥有1英寸的CMOS传感器，辅以F2.8至F11光圈镜头，支持5472×3648分辨率和120Mbps的比特率。EVO2Dual机型配备了与EVO2标准款相同的摄像头，但加装了另一枚来自FLIR的热成像仪，可应对更多的使用场景。AutelRobotics为EVO2产品线添加了许多高级功能，包括12个计算机视觉传感器、一对声呐传感器、以及两个着陆灯。无人机可以45mph（72km/h）的速度飞行，单次续航可达40分钟。除了一次检测多达64个对象，它还支持障碍规避和抵抗8级风速。遗憾的是，该公司尚未公布售价和上市日期。文章来源于网络

Bot3Zen-PVSLAM深度学习模块可以集成在各种移动机器人上，以提供室内地图，定位和无轨自动导航。Bot3作为业内顶尖的企业，具有领先的机器视觉深度学习方案。BOT3的VSLAM技术能够帮助机器人实现3D全面性记忆思考。通常，传统的机器人只能2D作业，一旦被抬起来或搬动，就会迷失方向，而BOT3运用自己的专利3D技术，可以使机器人就算被搬动或者移动后，也能继续完成任务并准确地回到原点。该模块可用于家用机器人，例如：家用环境中的RVC（机器人真空吸尘器）和智能机器人，或工业机器人，例如：制造，产品组装，军事和国防，仓库，物料搬运中的AGV（自动导引车）等，以及医院，旅馆，饭店等中的服务机器人。文章来源于网络

荷兰半导体设备供应商ASML表示，无论有无美国发放的极紫外光光刻机（EUV）销售许可证，ASML都希望对华继续供应半导体设备，并希望2020年增加其产品在中国市场的销售份额。据了解，在EUV光刻机领域，ASML是全球唯一能生产EUV的企业，美国一直反对这家荷兰企业与中国的芯片制造公司有过多的生意往来。据路透社报道，稍早前特朗普政府展开“强大攻势”，阻止荷兰向中国出售芯片制造技术。美国国务卿迈克·蓬佩奥正在游说荷兰政府，同时白宫官员向荷兰首相分享了一份机密情报报告。此前并未报道的高规格做法，表明了白宫对阻止中国获得制造世界上最快微处理器所需机器的重视程度。这也显示了美国政府在试图单方面阻止先进技术流入中国方面，很大程度上还难以得逞。本文转载自网络

近日，华为商城上架了一款mBot编程机器人，支持HUAWEIHiLink，原价549元，限时特惠499元。作为入门级的STEAM教育机器人，mBot让机器人编程学习和教学变得简单有趣。mBot已进入“美国CSTAK-12CS标准”《用mBot学编程：玩转无人驾驶汽车》课程。mBot采用模块化设计，各电子模块与主板接口之间以颜色区分，匹配相应的颜色就能接线，只需一把螺丝刀就开始搭建。通过配套游戏化学习app，mBot将编程知识点设计成一个个游戏关卡，引导孩子编程遥控mBot通关游戏，不断解锁不同的知识点，循序渐进地掌握编程技能。mBot拥有丰富的传感器，加上4个扩展接口，可外接100多种电子模块，还可以搭配丰富的扩展包和DIY平台上500多种零件，搭出多种创意形态，并在搭建中学习电子、机械原理和知识。mBot与HUAWEIHiLink结合后，拥有了更加智能的操控方式，打开手机“华为智慧生活”APP，就能实现多种操控。通过华为AI音箱、华为语音助手还可以对mBot进行语音控制。

1月6日，据外媒报道，美国创业公司AgilityRobotics宣布其双足机器人Digit现已开售，这是一款可以应用在物流行业（包括上下楼梯）的双足机器人产品。Digit外观与一个成年人类似，可以借助自带传感器进行半自动导航，其手臂可以搬动18kg的箱子，该公司表示，Digit可以应用于多种行业，包括物流、仓储、工业环境等等。在官方公布的宣传视频中，Digit可以在无人干涉的环境下自行选定搬动箱子，随后在工作人员的操作下进行移动。公司CEO表示，Digit的价格尚未确定，但“低至6位数”（10-99万美元），每小时成本约合25美元。汽车公司福特已经先行购买了2部Digit用来与无人驾驶车辆组合测试，看看能否解决配送最后一公里的问题。该公司表示Digit首批出货仅有6台，2020年大致会有20-30台，2021年可能会翻一番。虽然Digit还面临着很多疑问，但AgilityRobotics还是走出了第一歩，成为了首家正式开售的双足机器人公司，如果真的得到大规模普及，相比快递小哥们的岗位可能就会受到影响了。文章来源于网络

2019年是人工智能的一年，“AI”收获了前所未有的声量。这一年，也是百度AI的一年，产业智能化加速推进，“AI”落地各行各业。作为人工智能领域领军者，百度不仅关注实验室里的人工智能技术的创新升级，更关注走出实验室的人工智能在各个产业领域的渗透落地。站在年关，回顾2019整年，百度AI大展拳脚，在农业、工业、金融、零售、交通等行业和领域落地生根，遍地开花，与各行各业上演着一出出有“AI”的故事。舌尖上的AI，百度赋能京东方植物工厂发力农业智能化老百姓的生活离不开吃，你有没有想过，你的一日三餐，可能也和AI有关。位于北京大兴区庞各庄的京东方植物工厂是一所占地面积达4160平方米的现代化农业种植基地。然而在实现植物工厂的精细化管理过程中，人和植物必须捆绑在一起，双方几乎寸步不离，这就对人的精力和专业度都提出了很高的要求。如何能把农业专家的经验快速地规模化复制，京东方植物工厂以及整个农业生产行业都在找寻破解的路径。京东方植物工厂选择寻求百度AI的帮助。借助百度AI技术的赋能，京东方植物工厂探索出AI植物工厂智能无土栽培解决方案。该方案，基于百度大脑视觉技术及深度学习算法，构建了无土栽培作物的克重识别模型，实现了对异常蔬菜生长状态的识别及报警的功能，同时还能够针对蔬菜生长进行状态预测，达成科学种植、提升产量的效果。此外还有，基于EasyDL目标检测模型的虫情智能预警、基于环境数据模型的大棚智能环控系统等，这些AI技术让水培农业进入可复制、可推广的数字化管理时代，也让我们的一日三餐与AI有了交集。百度AI的＂火眼金睛＂，赋能大恒图像打造质检＂中国方案＂既然连植物栽培都能用到AI，工业就更能被AI赋能了，尤其是在工业质检领域。“我们的质检要做的是在厚度仅十几毫米的电池隔膜上找出所有微小缺陷，如果没有检测出来，就很可能使得新能源汽车的电池在使用过程中出现问题，甚至自燃。”这不仅是大恒图像这家老牌高科技企业的担忧和职责，也同样是众多从事工业质检的企业面临的难点。传统的人眼检测已越来越难以满足精密的质检，那么谁还可以充当工业质检中的“火眼金睛”呢？大恒图像选择与百度合作，用AI充当检测电池隔膜的火眼金睛。大恒图像在了解到百度飞桨（PaddlePaddle）在工业质检领域的落地案例，以及面向工业级应用的端到端解决方案图像分割库（PaddleSeg）后，开始基于飞桨研发新能源汽车电池隔膜质检模型，最终研制出基于飞桨的产品外观质检模型研发与部署的质检一体机。如今，在大恒图像的车间里，这样的情景成为常态：一条设备流水线上正在检测着新能源汽车电池的重要组成部分——膜，基于百度飞桨的AI算法能实时发现超过30％以上传统机器质检不能发现的微小缺陷。此外，依靠AI，大恒图像获得了产业出海优势，让国际市场深刻体会到了工业制造的＂中国方案＂。“数字人”小浦诞生记，百度AI落地金融行业见识了AI的“火眼金睛”，不妨再体验一把AI化身员工为你办银行卡。这可不是什么科幻电影，其实这样的体验开始于以下这段对话。“Hi，数字人，欢迎你来参加我们的大会，你可以先介绍一下你自己吗？”“您好，初次见面，可以先叫我小浦。”这是百度创始人、董事长兼首席执行官李彦宏和金融数字人“小浦”，在2019百度AI开发者大会现场的对话，也是由百度智能云与浦发银行联合打造的业内首个“金融数字人”的首次公开亮相。这位“金融数字人”小浦，正是基于人工智能、感知技术、数据驱动等技术孕育而生。百度智能云全程参与了“数字人”模块系统集成、技术优化以及实施把控与支持，攻破种种难题，实现了虚拟人物绘制、数字人像AI驱动引擎、多模融合感知引擎，以及数字人对话与应用系统四大技术的创新，才让“数字人”从理想构想走进现实。小浦的诞生，为金融服务构造了一个具有智能感知、自然交互和精准分析决策能力的数字世界的“人”，将成为国内首个银行“虚拟员工”，为客户提供私人订制的服务，开启金融服务新模式。也许以后为你办卡的就是这位颜值爆棚、双商在线、拥有专业金融技能的数字人小浦了！百度AI进军气象，让“天意”不再难测天气预报在众多领域都发挥着重要作用，往大了说，人们根据天气安排农务、规避气象灾害；往小了说，每个人出门前是否需要带伞、添衣，都跟天气预报脱不了关系。而随着社会生产事项的增多、人们活动范围的扩大，传统天气预报的精确度已难以满足社会需求，同时受限于数学、物理学等学科发展，精准度提升迎来瓶颈。如何突破这一瓶颈？百度联合重庆市气象局共建的“智能天气”系统给出了答案—用AI预测天意。人工智能不需要数值预报所依赖的数学、热力学、动力学公式，只需要把以往天气数据放进AI模型里训练，就能发现数据的关联性，实现对未来的预判。可以说，人工智能与天气预报是“天作之合”。重庆气象局借助百度大数据、云计算、人工智能等技术，重构气象监测、预报、预警和气象服务等气象核心业务系统，联合共建了智能气象。自2018年重庆市气象局与百度智能云达成合作起，一年多的时间里双方取得了突出的成果：在天气预报上，0－2小时的“短临预报”准确率提升40％，2019年几次冰雹、雷暴大风强对流天气的预报命中率达到100％，同时气象预警信息的发布时间从2小时缩短到了9分钟，更精准有效地防灾救灾。智能小编上线码字，百度AI推动传媒变革2019年9月19日，这注定是一个值得被所有人类小编记住的日子。这一天，百度与人民日报联合成立“人工智能媒体实验室”，标志着AI小编正式上线“抢饭碗”。百度与人民日报联合成立的人工智能媒体实验室，将基于百度大脑的核心能力，支持与满足媒体工作中的关键操作性需求。利用百度成熟的语音、图像、自然语言处理、知识图谱等AI技术，为人民日报打造一个智能化“编辑团队”，辅助媒体的新闻生产，提升编辑的生产效率。“成立人工智能媒体实验室，就是要把人工智能技术在媒体全领域应用，从内容建设、算法推荐，扩大到智能化平台的搭建。“百度董事长兼CEO李彦宏表示，“相信人工智能与媒体的融合创新，将有助于权威媒体平台构建全媒体传播格局，不断提升传播力、引导力、公信力、影响力。”百度AI搞运营，赋能商场智慧零售栽培、质检、编辑……这也只是百度AI小试牛刀，其实神通广大的AI还能帮商超搞运营。随着电子商务的扩张发展，零售业已经存在的线下客流减少、购物体验同质化、地域限制明显等问题日渐凸显，如何在电子商务的围攻中站稳脚跟，杭州湖滨银泰in77商场显得尤为急切，利用人脸识别技术，优化零售运营已成为必需。通过使用百度人脸识别技术和人脸采集摄像头等技能，杭州湖滨银泰in77商场的运营效率得到极大的提升。同时借助百度AI技术还帮助商场后台进行实时的场内会员数据分析，为调整商场门店布局提供有力支撑。在使用过程中，实现了3900毫秒的人脸识别速度，准确率高达99．9％以上，轻松实现智能化的商场运营，大大降低了企业的运营成本。独占半边天，百度Apollo拿下全国150张路测牌照百度AI不止在产业领域落地开花，更是落地到人们的日常出行、家居、休闲娱乐等生活领域。不信你看，百度Apollo自动驾驶车队正向我们驶来。长沙45张、北京5张、武汉15张、沧州30张……南下北上，百度Apollo的版图持续扩大。截止目前，百度Apollo已取得自动驾驶路测牌照总数达150张，占国内全部获批自动驾驶路测牌照一半以上，其中80张牌照已经允许载人测试。150张自动驾驶牌照，拉开了百度Apollo自动驾驶开跑街头的序幕。序幕拉开，好戏开场。今年9月底，首批45辆百度Apollo与一汽红旗联合研发的“红旗EV”Robotaxi车队在长沙部分已开放测试路段，正式开始投入试运营。并向普通长沙市民开放试乘体验，登录Apollo官网即可申请成为种子用户，开始体验人生第一次的自动驾驶的出租车服务。未来出行，也许你招手打到的出租车，将是一辆自动驾驶车，带给你新的速度与激情。小度开启智能生活新篇章回到家庭生活场景，AI同样恭候多时。2019年，国内智能音箱出货量迎来大爆发，百度旗下人工智能助手—小度智能音箱以更智能的交互体验、更丰富的影音娱乐和更广泛的家居生态布局，始终占据行业头部地位。随着小度智能音箱进入千家万户，智能的家居生活正在上演。查天气、定闹钟、听音乐、问答百科，你只需开口，小度即刻应答；或者关灯、开加湿器、开空调，你无需动手，一声小度，都会给你安排的明明白白；又或儿童教育、作业辅导、远程看护，小度特有的儿童模式让家长更安心，孩子更开心。搞出饮茶新花样，国内首个“AI”茶馆落地如果AI走进人们的休闲娱乐中，又会给我们带来什么新花样呢？百度大脑联合老舍茶馆共同打造的国内首个“AI茶馆”，给我们展示了传统休闲方式的新花样。当AI技术与中国千年传统文化相遇，会碰撞出怎样的新奇体验？在借助百度EasyDL定制化训练和服务平台打造的“茗茶秋毫”体验区，你可与AI技术一同PK辨茶水平。此外，百度基于UNIT对话生成引擎制作了“无中声有”空间，让你可以在这里真切的感受到京城中颇具盛名的“吆喝文化”……在这家加了百度AI“Buff”的茶馆中，人们可以体验到服务周到的“AI小二”和“AI迎宾”、才气十足的“AI写诗”、聪慧过人的“AI辨茶”、京味儿十足的“AI吆喝”。用AI技术连接家和希望当AI走进生活，不止带来便捷，更带着温暖而来。百度于2016年底推出的“AI寻人”公益服务，借助人脸识别技术，通过搭建智能平台，让求助者更快地找回走失亲人。这意味着，只需用一部手机、一张照片，就可以快速进行AI寻人，帮助更多需要帮助的寻亲家庭。“DoBetter，科技为更好！”百度AI一直在行动。目前，百度已与民政部全国救助寻亲网、公安部打拐办、宝贝回家、中国反邪教网等多家机构建立合作，并推出“百度AI寻人”智能小程序，截至目前，已累计完成接近40万次人脸对比，成功帮助9000多个走失者与家庭重新团聚。AI寻人正在帮助更多走失的人重获家庭的温暖，也让更多人感受到AI的温度。回首过去，2019年，百度AI始终行进在路上，落地产业实践，赋能农业将专家经验数字化、赋能工业提高质检效率与精度、赋能金融开拓服务新模式；落地日常生活，出行更便捷、家居更智能、公益更有爱，AI落地各行各业，EveryoneCanAI。展望未来，2020年，百度AI将继续前行，助推AI工业化，引领产业智能化。

2020是如此科幻的年份，步入2020年，仿佛回到久违的未来。科技浪潮新十年开启，蓄势已久的智能革命将迎来颠覆性的技术变局。达摩院今天发布2020十大科技趋势，希望与你共同见证那些期待已久或从未料想的变化，并且循着技术演进的曲线，找到我们的来处和去向。趋势一、人工智能从感知智能向认知智能演进人工智能已经在“听、说、看”等感知智能领域已经达到或超越了人类水准，但在需要外部知识、逻辑推理或者领域迁移的认知智能领域还处于初级阶段。认知智能将从认知心理学、脑科学及人类社会历史中汲取灵感，并结合跨领域知识图谱、因果推理、持续学习等技术，建立稳定获取和表达知识的有效机制，让知识能够被机器理解和运用，实现从感知智能到认知智能的关键突破。趋势二、计算存储一体化突破AI算力瓶颈冯诺伊曼架构的存储和计算分离，已经不适合数据驱动的人工智能应用需求。频繁的数据搬运导致的算力瓶颈以及功耗瓶颈已经成为对更先进算法探索的限制因素。类似于脑神经结构的存内计算架构将数据存储单元和计算单元融合为一体，能显著减少数据搬运，极大提高计算并行度和能效。计算存储一体化在硬件架构方面的革新，将突破AI算力瓶颈。趋势三、工业互联网的超融合5G、IoT设备、云计算、边缘计算的迅速发展将推动工业互联网的超融合，实现工控系统、通信系统和信息化系统的智能化融合。制造企业将实现设备自动化、搬送自动化和排产自动化，进而实现柔性制造，同时工厂上下游制造产线能实时调整和协同。这将大幅提升工厂的生产效率及企业的盈利能力。对产值数十万亿乃至数百万亿的工业产业而言，提高5%-10%的效率，就会产生数万亿人民币的价值。趋势四、机器间大规模协作成为可能传统单体智能无法满足大规模智能设备的实时感知、决策。物联网协同感知技术、5G通信技术的发展将实现多个智能体之间的协同——机器彼此合作、相互竞争共同完成目标任务。多智能体协同带来的群体智能将进一步放大智能系统的价值：大规模智能交通灯调度将实现动态实时调整，仓储机器人协作完成货物分拣的高效协作，无人驾驶车可以感知全局路况，群体无人机协同将高效打通最后一公里配送。趋势五、模块化降低芯片设计门槛传统芯片设计模式无法高效应对快速迭代、定制化与碎片化的芯片需求。以RISC-V为代表的开放指令集及其相应的开源SoC芯片设计、高级抽象硬件描述语言和基于IP的模板化芯片设计方法，推动了芯片敏捷设计方法与开源芯片生态的快速发展。此外，基于芯粒（chiplet）的模块化设计方法用先进封装的方式将不同功能“芯片模块”封装在一起，可以跳过流片快速定制出一个符合应用需求的芯片，进一步加快了芯片的交付。趋势六、规模化生产级区块链应用将走入大众区块链BaaS(BlockchainasaService)服务将进一步降低企业应用区块链技术的门槛，专为区块链设计的端、云、链各类固化核心算法的硬件芯片等也将应运而生，实现物理世界资产与链上资产的锚定，进一步拓展价值互联网的边界、实现万链互联。未来将涌现大批创新区块链应用场景以及跨行业、跨生态的多维协作，日活千万以上的规模化生产级区块链应用将会走入大众。趋势七、量子计算进入攻坚期2019年“量子霸权”之争让量子计算在再次成为世界科技焦点。超导量子计算芯片的成果，增强了行业对超导路线及对大规模量子计算实现步伐的乐观预期。2020年量子计算领域将会经历投入进一步增大、竞争激化、产业化加速和生态更加丰富的阶段。作为两个最关键的技术里程碑，容错量子计算和演示实用量子优势将是量子计算实用化的转折点。未来几年内，真正达到其中任何一个都将是十分艰巨的任务，量子计算将进入技术攻坚期。趋势八、新材料推动半导体器件革新在摩尔定律放缓以及算力和存储需求爆发的双重压力下，以硅为主体的经典晶体管很难维持半导体产业的持续发展，各大半导体厂商对于3纳米以下的芯片走向都没有明确的答案。新材料将通过全新物理机制实现全新的逻辑、存储及互联概念和器件，推动半导体产业的革新。例如，拓扑绝缘体、二维超导材料等能够实现无损耗的电子和自旋输运，可以成为全新的高性能逻辑和互联器件的基础；新型磁性材料和新型阻变材料能够带来高性能磁性存储器如SOT-MRAM和阻变存储器。趋势九、保护数据隐私的AI技术将加速落地数据流通所产生的合规成本越来越高。使用AI技术保护数据隐私正在成为新的技术热点，其能够在保证各方数据安全和隐私的同时，联合使用方实现特定计算，解决数据孤岛以及数据共享可信程度低的问题，实现数据的价值。趋势十、云成为IT技术创新的中心随着云技术的深入发展，云已经远远超过IT基础设施的范畴，渐渐演变成所有IT技术创新的中心。云已经贯穿新型芯片、新型数据库、自驱动自适应的网络、大数据、AI、物联网、区块链、量子计算整个IT技术链路，同时又衍生了无服务器计算、云原生软件架构、软硬一体化设计、智能自动化运维等全新的技术模式，云正在重新定义IT的一切。广义的云，正在源源不断地将新的IT技术变成触手可及的服务，成为整个数字经济的基础设施。

每种计算方法都会招致一些安全挑战，机器学习(ML)也不例外。幸运的是，这一领域的人工智能(AI)的漏洞在相当大的程度上是可预测的。但遗憾的是，漏洞并不是很容易发现。当考虑到涉及庞大的数据量、这些数据的细粒度以及机器学习随着时间推移而成长和改进的事实时，其中就蕴涵着这些挑战。机器学习根据人类无法感知的模式处理数据，这既是优点又是漏洞。人工智能的每个领域都带来高效率、高质量和常常史无前例的创新。例如在制造过程中，人工智能使问题易于发现和纠正，基于人工智能的安全方法可以保护所涉及的过程。机器学习通过训练算法进行“学习”，确定某种情况的可能结果，同时通过深度学习（DL，人工智能的另一个子集），算法能够让软件自我训练以执行任务。在这种情况下，多层神经网络会接触到数百万的数据点，模拟人脑的能力来识别模式并对信息进行分类和澄清。机器学习中的漏洞回到当前的问题。机器学习是否为黑客攻击工业系统打开了方便之门？答案是，没有什么是万无一失的，尤其是快速发展的技术。也就是说，有些机器学习/深度学习系统设计精湛，有些则设计欠佳，因此有些系统比另一些系统更容易受到黑客攻击。Gartner预测，到2025年，机器学习将成为每种安全解决方案的一部分。与此同时，需要处理的安全漏洞则会倍增。这方面的有效例子包括，Google通过机器学习阻止了大约99%的垃圾邮件。据说，IBM的Watson在2017年阻止了针对温布尔登网球赛的2亿次网络攻击。机器学习算法在保护基于云的平台和分析可疑活动（包括登录和其他异常）方面发挥着重要作用。最常用的攻击模式是一种对抗技术，即试图通过恶意输入侵入模型，从而使模型出错。当新输入包含微妙但恶意制作的数据时，模型将表现不佳，但模型的统计性能可能不会受到损害。通过以下方式，也能对机器学习模型进行攻击：损害完整性是其中之一。如果机器学习模型没有过滤掉一个或多个反面案例，让反面案例潜入系统，那么就可能会被黑入。开展试探性攻击，通过输入记录值了解模型预测。诱发型攻击会改变训练数据和模型。传送到系统的输入记录可能有潜入的不当记录，也有可能有被阻止进入的有效记录。如果不当输入被放过，那就是完整性攻击；攻击者可以定期进入，系统可能会将不当输入标记为有效输入。当训练模型所用的数据是攻击者的数据，而有效输入被系统过滤掉时，发生的就是可用性攻击。在这种情况下，合法记录可能被删除。虽然犯罪活动确实在加大对机器学习的攻击力度，但这并不像听起来那么容易。幸运的是，在运用高级技术来增强安全性之前，可以从一些非常简单的地方着手保护系统。例如，系统软件如果已过时，且未下载可用补丁，就会更容易受到攻击。强大的凭据和多因素身份验证都很重要。此外，不能使用简单的用户名/密码，网络应采取更安全的措施。从何处着手为了帮助开发人工智能应用，有如下套件可用：SeeedTechnology的NVIDIAJetsonNano开发套件能满足深度学习、计算机视觉、GPU计算和多媒体处理之类AI工作负载的性能需求（图1）。它可以让用户针对图像分类、对象检测、分割、语音处理之类的应用运行AI框架和模型。最后，通过它可以简单地连接各种传感器以支持多样化的AI应用。图1：JetsonNano套件受SeeedTechnology的JetPack支持，其中包括用于AI应用的板级支持包、Linux操作系统、NVIDIACUDA、cuDNN和TensorRT软件库。（图片来源：Seeed）Adafruit和Digi-Key最近推出了BrainCraftEDGEBADGE嵌入式评估板（图2），它通过运行TensorFlowLite迷你版本的小型微控制器将机器学习扩展到边缘。这种信用卡大小的评估板（如图2所示）内置Microchip的ATSAMD51J19微控制器，带有512KB闪存和192KBRAM。该套件包括用于语音识别的内置麦克风输入，以及带有演示程序的Arduino库，用以识别各种单词对和手势。图2：此Supercon徽章也可以用作铭牌，利用CircuitPython进行编程。它是一种USB驱动器，不需要IDE即可显示名称、二维码或其他信息。（图片来源：Adafruit）最后，诸如STMicroelectronics的LSM6DOX之类高级传感器加上机器学习内核、有限状态机和高级数字功能，大大增强了该公司的STM32微处理器系列，使其能够满足AI功能的性能和精度要求。未来趋势如今已经有基于云的计算模型包括了通过认知计算、自动机器学习、机器学习模型管理、机器学习模型服务和基于GPU的计算提供的机器学习平台。但是，当考虑到机器学习和深度学习应用需要大量数据时，很明显，头条新闻充斥着越来越多的云黑客攻击事件。在将涉及AI/ML的敏感数据移至云端时，公司要谨慎对待。真正保护敏感数据所需的安全策略以及控制黑客入侵的方法，不一定像它们需要的那样值得信赖。物联网会产生令人难以置信的大量数据。启动AI、自动化、机器学习等所需的数据，尤其是在混合有遗留数据的情况下，绝对必须是适合应用的合适数据。以下是开发人员在实现AI/ML时应采取步骤简表：知晓并理解现有数据差距了解哪些工作流程将受到潜在AI项目的影响确保全公司接受既有的并经过沟通的最终计划，知晓每个人如何参与该过程抓住技术和机会，而不是着手削减成本从数据清理开始，检测、更正、删除损坏或不准确的记录总结人工智能和机器学习需要高质量的数据驱动算法和决策。人工智能、机器学习和深度学习可能会在某个时候对大多数公司的未来产生重大影响。机器学习算法已经成为检测基于文件的恶意软件和阻止恶意软件的主要方法。此外，算法还能判断哪些应用不安全，并将其与生产系统隔离。人工智能还被用于金融服务、医疗健康和保险中，以保护极其敏感的数据。的确，我们会迷惑于人工智能/机器学习的概念。若能充分发挥其潜力，它将是一个了不起的工具。实施前务必确保在公司内部已经有大量相关知识积累，或者让云或实施合作伙伴带领您顺利通过黑客雷区。

虽然在很多科幻电影中，全息投影几乎成了标配，主人公随便在空中一挥手，各种影像资料手到擒来。不过受到技术本身的限制，我们生活中真正的全息投影产品并没有几个。于是就有公司开始琢磨了，我们先搞个准全息总可以吧。于是就有人发明了一个准全息投影仪，他号称是世界上第一块桌面及全息显示方案。可以实现在空中绘画的功能，你就可以把空气当成画纸随意涂鸦。他就是Holovect。HolovectMkII是一个独立的激光立体显示系统，它适合安装在实验室的工作台或桌面上，并可以和3D打印机或者单个教学器械及宣传设备配套使用，其是第一个商用的激光类桌面，能够用光在空中绘制3D物体。Holovect成像不是全息图，而是投影到被修改的空气中的矢量图像（即）。这种区别是由于以下事实：全息图是包含关于物体的三维信息；然而，由于Holovect成像包含三维信息并且是空中自由浮动的对象，所以它们当然是全息的。它们是真正的3-D投影。那么它的工作原理是怎样的呢？原理很简单。在大多数情况下，当光在两种不同的媒介之间传播时，你会看到三种不同的效果：折射（弯曲）、反射或扩散。这种不同的效果取决于材料的不同“折射率”（RI）。这方面的典型例子就是海市蜃楼现象，当一部分空气具有和其周围环境不同的折射率时，会造成光线弯曲，然后以意想不到的方式反射出去，就会发生海市蜃楼，往往由于不同地区的温度或压强存在差异，所以也会发生这种情况。现在有了Holovect技术，我们知道了如何在空间箱形截面控制空气，然后精确修改特定区域内RI，来折射和反射激光束。这种修改引出了“反照率”概念，它被定义为在物体表面反射的入射光的比例，也是被修改的和未被修改的空气边界处的折射率。因此，通过同时控制激光束的目标和修改后的空气柱的位置，计算机可以在三维空间中的任何地方放置一个体积像素或体素的光。然后通过保持从物体A点到B点的激光束，绘制3D向量属性的线条有序排列，就形成了一个全息矢量图。HolovectMkII能够每秒绘制50次一个完整的图像。3D打印的提前可视化及应用在以前，HolovectMkII可用于STL格式的CAD模型可视化。这可以通过两种方式完成：导入STL文件并将其转换为矢量格式，或者直接可视化。第一种依据可视化，转换STL会形成立体线框投影，而直接将STL模型可视化可将模型切成层状，这可以理想地在打印前检查可能存在的制造误差和修改中空部分的内部结构。在进行长时间打印之前，这种预视容量能力通过节省时间和打印材料，提高了3D打印设计和制造效率。该技术还可以应用在其他方面。比如，通过3D扫描仪获取可视化3D数据或进行计算机断层扫描；商业上应用包括广告和品牌营销。

无人机的应用场景越来越多，包括在紧急情况或灾难现场用作应急人员工具箱的一部分。例如，在巴黎圣母院火灾期间，无人机最初用来报告活跃火灾的规模、热量和范围。此外，它们还配备热成像能力，以搜索仍然困在里面的人员。后来，无人机又用于评估损坏情况。显然，这种应用要求以足够的分辨率透过烟雾和火焰等复杂条件去观察情况，挑战不小。为了应对这些挑战，在无人机上增加更多传感器是很诱人的想法，但设计人员需要始终意识到，无人机是由电池供电的，并且在许多情况下对成本很敏感。因此，设计人员需要在功能、成本、尺寸、重量和功耗(SWaP)之间取得微妙的平衡。当考虑给无人机设计增加传感器和成像设备时，找到这种平衡是主要目标。本文讨论设计人员向无人机添加传感器时需要考虑的架构权衡因素。其中应特别注意电源，电源可能会有磁性元件，这会增加重量并占用宝贵的空间。此外，本文将介绍一些供应商提供的合适电源和传感器解决方案，包括TexasInstruments、EfficientPowerConversion、AnalogDevices、BoschSensortec、STMicroelectronics和SparkFunElectronics。无人机架构设计考虑因素电源：设计人员一旦知道实现无人机最佳性能所要关注的重点方面，便可寻找方法来尽可能减小其物理尺寸和重量，首先是创建尽可能高效的电源。这将使得电源整体的尺寸和重量最小化，从而实现更小、更轻的无人机。由于采用电池供电，电源效率更高的无人机将能以更小的电池尺寸和重量工作。无人机电池的典型选择是可充电锂电池（Li-Ion或Li-Po型），特别是如果设计人员计划在降落或悬停于无线充电器上时为电池充电，或者计划在着陆时通过外部充电器充电。设计人员还可以使用标准的非充电电池作为电源，在电池用完后更换电池。选择DC/DC转换器时，由于转子电机产生的反电动势(BEMF)的高电压脉冲，设计人员需要使用宽输入范围的器件。当电机减速时，在单独的DC/DC转换为转子电机供电后，此BEMF将出现在DC/DC转换器的输入端。TexasInstruments的LM5161DC/DC电源转换器IC是无人机电源的上佳选择，因为当编程为断续导通模式(DCM)时，它提供严格稳压的降压输出，而无需任何其他外部反馈纹波注入电路。它还集成了高压侧和低压侧MOSFET，可节省电路板空间。为了提高可靠性，LM5161具有峰值和谷值限流电路，可防范过载情况。作为附加预防措施，欠压锁定(UVLO)电路可提供独立可调的输入欠压阈值和迟滞。无人机上很可能会有许多传感器，还有相关的传感器融合IC、主处理器和螺旋桨电机。这些都需要良好的电池控制系统。设计人员可以在他们选择的通常使用功率晶体管的电源架构中选择氮化镓(GaN)功率晶体管。GaN将有助于以最小的尺寸/基底面实现最佳的性能效率。无线电源-悬停时充电[理论探讨]：1、2、3这是理想的方式，因为当无人机着陆并关停以充电时以及再次起飞时，转子电机的启动和提升需从电池消耗大量电力。EfficientPowerConversion是研究悬停时无线充电的众多公司之一。一种电源选择可以是基于GaNFET的无线充电架构，例如EfficientPowerConversion的EPC2019。基于GaN的FET支持13.56兆赫(MHz)的开关频率，这是普通硅FET难以达到的。如此高的开关频率还能使电源磁性元件的尺寸和重量最小化。另外，GaN晶体管比硅器件小五到十倍，但能处理相同的功率水平。使用此类电源，无人机不必着陆，而是可以悬停在无线充电基座上充电。设计人员会发现，可使用很多评估/开发板来加快无线电源的上市时间。对于EPC2019GaNFET，EfficientPowerConversion通过EPC9513无线电源接收器开发板对其进行支持，使其可用于无人机内部。该开发板对设计人员很重要，因为它基于AirFuel标准，可确保经认证的无线设计可与全球其他无线充电产品互操作。设计人员可以向供应商索要演示板的Gerber文件，以便重新创建演示板的优化布局。太阳能：另一种电源选择是使用太阳能为无人机电池充电。对此而言，PowerFilmInc.的PT15-75太阳能电池是一个不错的选择。PT15-75可以与AnalogDevices的LT3652电池充电器IC一起使用，实现巧妙、紧凑的电池充电器设计（图1）。请记住，当面板连接到负载并提供电流时，实际上不存在开路电压(Voc)为输出的情况。图1：通过添加此2A太阳能电池充电器，设计人员可以创建可靠、高效的无人机电源；充电器中增加了热敏电阻RNTC以补偿最大功率水平下的太阳能电池（如PT15-75）温度系数。（图片来源：AnalogDevices）LT3652输入稳压环路还能够找到太阳能电池板的最大功率工作点，从而优化太阳功率转换的效率，以向电池提供最大输出功率。传感器：传感器既能增加无人机的可控性，又能提高其实用性。关于无人机控制，传感器可以支持自动水平模式、恒定高度模式或绕行特定物体或目标点的轨道模式。所有这些附加特性都依赖于高性能惯性测量单元(IMU)和大气压力传感器来实现最佳用户体验，并提高专用或商用无人机的可靠性。设计人员可能需要提高无人机性能，这就可能要用到输出信号漂移极低的陀螺仪，以确保无人机处于适当的方向、位置和平衡状态，尤其是在温度条件不断变化的情况下。这可以通过使用BoschSensortec的BMI160加速计和陀螺仪组合来实现，该组合是一个具有九轴传感器数据融合功能的小型低功耗IMU。尺寸为2.5x3.0毫米(mm)，高度为0.83mm；即使陀螺仪和加速计处于全面工作模式，功耗也仅为925微安(µA)。它采用1.71V至3.6V电源供电。作为BMI160的补充，带有温度传感器的数字气压传感器将有助于测量垂直速度、增强GPS导航并确定无人机的高度。为了保持精度，建议偶尔在海平面压力下校准气压计。BoschSensortec的BMP388气压和温度传感器IC是一个很好的例子，设计人员可以将其集成到架构中。此传感器模块的基底面仅有2x2mm2，高度为0.88mm，在1赫兹(Hz)时的功耗低至3.4µA，非常适合于电池供电。该器件的相对精度典型值为+/-8Pa，绝对精度典型值为+/-50Pa，有助于改善无人机的悬停和避障能力。为了检测多个轴上的运动，STMicroelectronics的ISM330DLCTRiNEMOIMU系统级封装(SiP)模块将加速计和陀螺仪与磁力计整合在一个单片六轴IC中。这种配置可使无人机在悬停时保持水平、垂直和旋转稳定性。对于专业级无人机摄影和3D成像之类的应用，需要六轴陀螺仪稳定性，而ISM330DLCTR可提供这种能力。陀螺仪测量并保持无人机方向。将三个加速计集成在一起时，每个加速计沿不同轴定向，故可确定无人机沿任意轴的运动程度。这样将能更好地收集有关无人机滚转、俯仰和偏航的信息，然后将这些信息反馈给无人机的比例积分微分(PID)控制器。磁力计测量地球北磁场的强度和方向，用以校正其轨迹。务必经常校准磁力计；电力线、电机以及电气设备发出的任何其他强磁场都可能对其造成影响。加速计会检测到由外力（例如强风）引起的无人机运动，并将其传递给PID控制器，然后由PID控制器调整电机以进行补偿。测距仪：降落、悬停以及测量与物体的距离无人机需要有良好的传感器才能安全着陆，在无线充电时悬停，并检测物体以避免运动时发生碰撞。这种测距可以使用声音或光。超声波测距仪检测：可以使用超声波传感器来提供无人机着陆、悬停和地面跟踪能力。无人机在着陆过程中，需要检测从无人机底部到着陆区域的距离。尽管GPS和气压计是该控制功能的一部分，但准确的距离感应是安全着陆的关键。超声波传感器还能帮助实现安全悬停和地面跟踪，这可能需要无人机以固定高度飞行。MaxBotix的MB1010-000超声波飞行时间(ToF)测距传感器板就是其中一种用于辅助着陆、悬停和天花板检测的测距传感器。了解ToF所有这些情况都需要使用ToF方法，它是指发射的超声波到达目标所花费的时间加上反射信号回传到无人机传感器的时间（图2和图3）。图2：对于无人机着陆、悬停或无线充电，设计人员需要了解ToF概念。（图片来源：TexasInstruments）图3：超声波ToF的三个阶段。初始发射的声音(1)、静默(2)和接收到的回声(3)，用于无人机设计中的精确测距。若理解此图，加上本文中讨论的评估板和传感器，可以帮助设计人员在实施本部分中的硬件建议时达到飞行稳定性、避免碰撞和最佳无线充电的目标。（图片来源：TexasInstruments）要计算从无人机到任何物体的距离，可使用下式：TexasInstruments提供的PGA460PSM-EVM超声波接近感应评估模块可缩短设计时间。LiDAR范围检测：另一种距离检测手段是利用脉冲激光进行光检测和测距(LiDAR)。从ToFLiDAR系统获得的信息可用于创建三维图像。LiDAR技术可提供高精度、高分辨率和大覆盖范围。设计人员可以选择光学激光测距传感器，例如SparkFunElectronics的SEN-14032，这是一种基于激光的光学测距传感器，测距范围为40m。该传感器需要通过I2C与外部微控制器相连接。此类LiDAR有两种主要架构：固态LiDAR和机动360°视野旋转LiDAR。两者原理相同，都是用激光发出一束光束。固态架构使用反射镜进行扫描，而扫描旋转盘架构使用由电机驱动的转盘。第三种类型的LiDAR称为闪光LiDAR，可同时发出许多短脉冲，使用摄像头芯片接收脉冲反射，然后测量ToF。闪光LiDAR具有非常高的分辨率，但测距范围限于约30米(m)。感测环境热像仪：无人机上的热像仪会检测物体和材料的热信号/温度，并将其显示为静止图像或视频。巴黎圣母院火灾的观察和跟踪便使用了热像仪。热像仪可以检测到微小的热量差异，有时甚至可以小到0.01˚C。无人机热成像应用的另一个重要领域是灾难恢复，例如在地震或严重飓风之后，可能会留下损坏或坍塌的结构，并有人员被困在里面（图4和图5）。图4：无人机首先会使用传统相机拍摄坍塌建筑物的图像，这是重要的一步。然后通过热像仪，无人机能够感测到被困在瓦砾中的人员的体温。（图片来源：IEEE4）图5：设计人员现在拥有了在灾难情况下定位和挽救生命的工具。此图片是消防员演习中使用DJI无人机拍摄的被困人员画面。（图片来源：IndustrialEquipmentNews/MenloFireUAS/Droneprogram，由AP提供）为了在无人机中集成热成像，有一种很好的入门方法，那就是使用FLIRLepton的500-0771-01微型热像仪之类的器件。该热像仪的光谱范围为800纳米(nm)至1400nm，场景动态范围为0˚至120˚C，标称功耗为150毫瓦(mW)（工作）、650mW（快门事件期间）和5mW（待机）。湿度、压力和温度检测：为了帮助确定大气条件，设计人员可以使用BoschSensortec的BME280，它是一种具有SPI接口的数字式湿度、压力和温度传感器。其集成度高，尺寸为2.5mmx2.5mmx0.93mm，休眠模式下的功耗仅为0.1µA，感测所有三个参数时的功耗最高为3.6µA。利用多传感器开发套件加快产品上市DA14585IOTMSENSOR是DialogSemiconductor出品的一款多传感器开发套件，使用了BoschSensortec的环境传感器和TDKInvensense的运动传感器。此套件对设计人员很重要，因为它是一个很好的试验平台，可供开发无人机检测传感器融合能力并加快产品上市。此套件有一个BME680低功耗气体、湿度、压力和温度传感器，另外还有加速计、陀螺仪和磁力计。通过DA14585IOTMSENSOR的传感器融合能力，设计人员将能了解如何使用此特性来获得更好的整体检测性能，同时延长无人机电池的使用寿命。结论无人机提出了异常困难的设计挑战，要求强大的功能和长飞行时间。同任何设计一样，必须知道设备将要执行的主要任务，才能制定计划来确保满足项目要求的架构是最佳的。

运动底盘是移动机器人的重要组成部分，不像激光雷达、IMU、麦克风、音响、摄像头这些通用部件可以直接买到，很难买到通用的底盘。一方面是因为底盘的尺寸结构和参数是要与具体机器人匹配的；另一方面是因为底盘包含软硬件整套解决方案，是很多机器人公司的核心技术，一般不会随便公开。出于强烈的求知欲与学习热情，我想自己DIY一整套两轮差分底盘，并且将完整的设计过程公开出去供大家学习。说干就干，本章节主要内容：1.STM32主控硬件设计2.stm32主控软件设计3.底盘通信协议4.底盘ROS驱动开发5.底盘PID控制参数整定6.底盘里程计标1.stm32主控硬件设计完整的stm32主控硬件包括：带霍尔编码器的直流减速电机、电机驱动、stm32单片机开发板等配件。1.1.带霍尔编码器的直流减速电机（图1）带霍尔编码器的直流减速电机要制作一台机器人底盘，需要一套完整的电机部件，就如图1中看到的一样，需要有轮胎、联轴器、减速箱、电机和编码器，具体选型可以参考这几个方面的因素：轮胎：直径越大，小车的越障能力越好，但会降低小车爬坡的马力；联轴器：选择跟轮胎与电机输出轴尺寸相匹配的型号；减速箱：减速比决定电机输出轴的扭矩，减速比越大，输出轴扭矩越大，但输出轴转速越慢；电机：一般是12V的电机，直流有刷简单易控制；编码器：一般为增量式正交编码器，编码线数根据实际需要精度进行选择。（图2）电机接线端口如图2，可以清楚的看到电机的接线端口，其实电路板上也是有丝印标注的。接线分为两类，一类是电机控制（电机线+、电机线-），另一类是编码器（编码器5V、编码器A相、编码器B相、编码器GND）。1.2.电机驱动电路（图3）TB6612FNG电机驱动了解了电机的构造知识后，就来介绍一下如何将电机驱动起来。如图3所示，TB6612FNG是很流行的一款电机驱动芯片，相比于传统的L298N效率上提升很多，而且体积大幅减小。TB6612FNG是双驱动，也就是可以驱动两个电机；TB6612FNG每通道输出最高1.2A的连续驱动电流，启动峰值电流达2A/3.2A（连续脉冲/单脉冲）；4种电机控制模式：正转/反转/制动/停止；PWM支持频率高达100kHz。（图4）TB6612FNG引脚定义TB6612FNG的引脚定义，如图4所示，引脚分为电源脚、控制输入脚、控制输出脚。VM：为电机驱动电压，根据实际电机额定电压选择，推荐使用12V供电；VCC：逻辑电源供电，推荐使用5V供电；STBY：待机/工作状态切换，低电平待机，高电平工作；PWMA：A端口电机PWM调速信号输入；AIN1和AIN2：A电机转向控制信号输入；PWMB：B端口电机PWM调速信号输入；BIN1和BIN2：B电机转向控制信号输入；AO1和AO2：A端口电机驱动信号输出；BO1和BO2：B端口电机驱动信号输出。（图5）TB6612FNG控制信号真值表最后，我们来看一下控制信号的逻辑真值表，如图5，输入由单片机IO口给定，再结合PWM信号，便可以实现对电机的正/反转和调速控制了。由于两路电机控制是一模一样的，所以另一路控制信号的逻辑真值表就不重复赘述了。1.3.霍尔正交编码器原理（图6）霍尔正交编码器原理如果两个信号相位相差90度，则这两个信号称为正交。由于两个信号相位相差90度，因此可以根据两个信号哪个先哪个后来判断方向。利用单片机的IO口对编码器的A、B相进行捕获，很容易得到电机的转速和转向。霍尔正交编码器原理，如图6。1.4.stm32单片机最小系统stm32单片机常用的型号是stm32f103，根据具体需求的Flash容量、RAM容量、IO口数量进行选择，下面是常用的一些型号参数对比，如图7。（图7）stm32f103系列单片机参数对比考虑到stm32主控只是用于两个电机的控制，资源开销不算大，需要用到的IO口也不是很多，定时器资源也不多，出于性价比考虑推荐stm32f103c8t6这个型号。（图8）stm32f103f103c8t6最小系统板如图8所示，stm32f103c8t6最小系统板比较简洁，控制两个电动机，只需要用两个IO口输出2路PWM分别给两个电机调速，用4个IO口分别控制两个电机的方向，另外4个IO口分别接两个电机的正交编码器输入，UART1与UART2跟上位机连接分别用于程序debug与上层指令控制。1.5.stm32主控硬件整体框图第一个版本的硬件电路是用飞线连接的各个模块，电路稳定性很差，而且外观极其丑陋。痛定思痛，决心老老实实设计电路板，把各模块集成到一个板子上，经过两次改板打样，终于成功了。如图9，板子简洁美观，而且接插端子布局合理，符合我一向严苛的标准。（图9）stm32主控电路板好了，有了这个电路板就好办多了。针对这个电路板，讲讲我的设计思路吧。首先需要设计一个电源系统，用于单片机供电、电机供电、外部设备供电，同时还要考虑电源反接、过压、短路等保护；然后需要设计一个stm32单片机最小系统电路；最后围绕stm32最小系统，需要设计电机驱动、UART转USB、编码器信号捕获这些外围电路，同时还要考虑电机堵转保护、电机对系统电源干扰等问题。逐一采坑之后，差不多就完成设计了。stm32主控硬件整体框图，如图10。（图10）stm32主控硬件整体框图

在AI大潮之下，很多事情都应用上了AI，包括无人自动驾驶、诊断疾病和寻找系外行星等等。前不久更有科学家以AI帮助学者破译古希腊文字。不过这些听上去距离我们都有点远，有点好高大上的感觉。而前不久在国外，终于有人以AI做了件比较接地气，或者说有趣的事情，那就是利用AI来分类乐高积木。当我们看到一堆积木时，只要能够看到一个完整的积木块，我们的大脑就会知道以后应该怎样从各个不同的角度或者不同的背景下识别出这些积木块，甚至连一两岁的小孩子在通过几次尝试后都会知道例如2×1红色积木块、4×1绿色积木块和那些小链子积木之间的差异。这个由大神DanielWest所设计的乐高分拣机原理就是如此。通过使用在Rebrickable等积木网站上的海量Lego积木3D模型，他可以对这个分拣机的AI神经网络进行数据训练。有了这些3D模型，只需要加上几张积木的实物图片就可以完成整个训练。那么大家猜猜这个乐高分拣机的部件是由甚么组成的呢?当然也是由它分拣的对象–乐高所组成啦！整个分拣机由1万多块乐高积木、6个乐高引擎以及9个伺服电机所组成。满载积木的输送带要分拣乐高积木的话，只需要把这些积木倒进漏斗中，分拣机通过一条输送带把积木从分拣箱中拖出来，并送进一个由乐高马达驱动振动平台上，以振动来防上积木堆在一起。乐高马达驱动的振动平台接下来摄影机会实时拍下这些积木的影像并传送到分拣机上的一个树莓派计算机上进行处理。处理过后的影像会发送到附近一部装有AI分拣程序的计算机上让其进行分析。在得到结果后反馈后，输送带上的不同小闸门会把积木引导到所属的箱子中。分拣机上的树莓派计算机其实DanielWest在几年前已经开始着手这个项目，并且希望在未来可以为此撰写一篇学术论文。目前他没有打算公布建造这个分拣机的方法，但是他愿意把所用的AI程序免费分享出去。可能会有人觉得把AI应用到这些看似没甚么用的方面是浪费时间，但说不定这可以启发出科学家的某些想法呢?

关于课程经历过挑战杯,电子大赛,飞思卡尔智能车大赛后,你是否在寻找下一个新挑战.?别迷茫了,这里有很适合你的挑战:魔方机器人！魔方机器人综合了机械设计,运动控制,硬件电路设计焊接组装,图像识别,神经网络算法,3D图形编程等,是一个不可多得的快速提高自身能力的挑战.目前国内魔方机器人仍在起步阶段,与国际选手相比落差还较大.不过这个现象被最近推出的一个机器人所打破,这台由我打造的四爪型魔方机器人,创造了比之前吉尼斯纪录创造者CubeStormerIII还要快,仅3秒出头就能还原魔方.常见的魔方机器人主要分两种形态,插轴型和机械爪型.由于插轴型的机器人,实际上需要对魔方进行改造,会破坏魔方本身的完整性.所以最终选择制作机械爪型的机器人,因为不改造魔方本身也是一个大的挑战,同时会把制作难度几何升级.制作魔方机器人与智能车的评价标准相近,越快速,越稳定,越好.里面就像打怪一样,有很多道坎,必须越过一道坎,才能冲刺新的速度,对于个人知识的积累有非常快速的提升。希望你也与我一样,有一颗愿意折腾,挑战权威的心,一起迈向未来……想要观看完整技术视频，请至：https://www.moore8.com/courses/2214

相信大家都对生活中的科技产品感兴趣，在学习工作中也想做点之间感兴趣的事情，无奈没有一个入门老师，或者说入门老师讲的太专业，买的教科书也太系统复杂，不能在两三天作出东西，兴趣很快消磨了。入门就要简单、但不能缩水，专业需要长时间积累、单需要师傅指导。本人从事电子电气专业十多年，从51单片机的protuse编程开始，参与各种比赛和项目研发，平时也有很多同事询问电子科技的入门知识，这些理论要将很久，我觉得直接教大家怎么做产品，穿插一些理论和方法，这样可以很快入门。想要观看完整技术视频，请至：https://www.moore8.com/courses/2140

博世SoundSee将深度学习与移动麦克风阵列相结合，以在ISS发生问题之前识别出问题我们都在电影中看到过这样的情节，比方说在一艘潜艇或宇宙飞船上，聪明“绝顶”的总工程师会突然表情肃穆地竖起耳朵，听着嗡嗡的背景声说“恩，有地方出了点问题”。博世希望通过教育一台计算机学会在现实生活中做到通过声音识别故障，他们一直到国际空间站中测试这个技术。考虑到通过非语音声音传输的数据量，人类在利用声音信息方面做得非常差。我们非常擅长在相对较短的时间范围内对声音（尤其是新出现的声音或者响亮的声音）做出反应，但是除此之外，我们的大脑还擅长将大多数已经持续进行了一段时间的声音归类为“背景音”，然后忽略掉它们。计算机具有具有我们人类通常都缺乏的耐心，似乎在这方面做得要好得多，但是，目前大多数声音算法开发人员的重点一直放在对离散声音事件（例如检测烟雾警报或玻璃被打破的智能家居设备）的处理上，对于长期持续的声音模式的使用很少。我们不是电影角色那样的“装逼犯”，为何也应该关心声音的模式是如何随时间变化的呢？原因很简单，因为我们的日常生活中充满着很多机器，它们通常会发出很大的噪音，同时又时不时地造成昂贵的损坏，那么我们应该关心的是，发出的声音中是否包含着机器即将损坏的序曲？举个例子吧，现在，我在听洗衣机发出的一些奇怪的声音，我并不是太清楚这些奇怪的声音是否表示洗衣机不正常，更重要的是，我并不知道洗衣机上次运行时是否也发出了相同的怪异声音，这样就很难发现问题了。反之，如果我能发现洗衣机和以前发出的奇怪声音不一样，那么这可能预示着我这台机器遇到了一个新出现的问题，这样我就可以通过廉价的预防性维护来解决这个问题，而不是靠发生故障后进行昂贵的维修来解决这个问题。博世这家德国公司制造的大量零件广泛应用在您的汽车、家用电器、电动工具、工业系统以及许多其它物品中，该公司正在试图弄清楚它们如何利用深度学习来识别并跟踪机器随时间推移产生的噪音。他们的想法是，通过识别声音中的细微变化，以在故障问题发生之前发出警告。有一个应用场景对这个技术很感兴趣：宇航员在国际空间站（ISS）的生命轨道中四处游荡，通过声音对即将引发的故障发出警报是一个很有用的功能。SoundSee定向麦克风阵列是博世为NASA的Astrobee机器人提供的有效负载，我们之前曾对此进行了广泛的介绍。Astrobee上个月刚刚在国际空间站上进行了首次自动飞行，在检查并校准机器人后，SoundSee将部署在Astrobee的一个模块化有效载荷舱中。安装完成后，它将执行各种任务，既可以在Astrobee开展业务时被动录制音频，也可以录制特定系统的针对性的音频。SoundSee的首要任务之一是对国际空间站进行声强检查，这是一项相当乏味的工作，宇航员目前每几个月就要花大约两个小时的时间来做这件事情。在理想情况下，博世的SoundSee和Astrobee机器人将能够自动执行这个任务。但是，更有趣的任务（尤其是对地球应用而言）是对设备的声音进行监控，监听环境控制和生命支持系统（ECLSS）以及带有隔振和稳定功能的跑步机（TVIS）等系统发出的噪音。SoundSee利用麦克风阵列记录的音频将被发送回博世公司，研究人员将使用深度音频分析技术过滤掉背景噪音以及机器人本身的噪音，以期能够分离出由特定系统产生的声音。通过使用在地球上的等效系统中训练的深度学习算法，博世希望SoundSee能够提供所监控系统的运行方式的“内部快照”，或者根据具体情况判定出系统无法正常工作，这时宇航员需要花费大量的时间进行维修。博世首席研究员兼SoundSee项目负责人SamDas解释说：“我们正在研究无需监督的异常检测算法，并且我们已经开发了一些基于深度学习的方法，可以检测机器运行特性的逐渐变化或突然变化。虽然SoundSee无法预测所有事情，但是它建立了一道防线，通过跟踪系统对正常动力模型的缓慢偏离，它能告诉我们，'嘿，您应该去检查一下了。当然，它给出的可能是一个错误的警报，但是这不会抹煞我们的系统接受训练以侦听可疑行为的意义。这些微妙的长期模式和变化可以为我们提供有关系统降级的令人惊讶的丰富信息。我们的最终目标是，能够在任何其他感测功能识别故障之前检测到它们。”Das说，你可以把SoundSee视为类似于一个通过训练样本来分析某人行走状况的视觉系统。首先，您需要按照正常的步行步态训练系统，然后，您将训练该系统识别出有人跌倒，最后，这个系统将能够识别出人被绊倒，慢慢地再识别出肌肉痉挛，最终的目标将是这样一个系统，它可以对您说：“您的一块肌肉看起来可能刚刚有些蠕动，您最好放松一下！”之所以将SoundSee系统放在移动机器人上，而不是使用固定的分布式麦克风阵列，是因为它能够将本地化的信息与音频数据结合起来，Das说，音频数据提供了更多有用的数据。Das说，“移动平台意味着您可以采集局部的声音来源。现在，我们可以融合来自不同地点的音频中的信息，沿着运动轨迹汇总这些信息，然后通过创建环境的声音图来进一步发挥作用。”这个概念也可以扩展到在地球端的操作上，Das认为，SoundSee技术在地球上的第一个潜在应用是充满了移动机器人的仓库环境。“该实验的许多功能可以立即应用在一个需要地面机器人四处走动的生产车间或仓库中，你可以为每台机器部署一套SoundSee，然后您就拥有了一个监控物理基础设施的虚拟检查器。”从长远来看，这种技术的应用领域很明显（汽车），尤其这个技术来自于全球最大的汽车零部件供应商-博世。您的汽车中可能会部署一个类似SoundSee的系统，该系统已经接受过算法培训，可以监控汽车的正常运转训，这将帮助预测维护需求，并准确识别出新出现的机械问题，几乎可以肯定的是，在您自己听不到声音之前或者通过其它方式发现问题之前，这个系统就能提前发现故障。“声音可以为您提供有关环境的更多信息，”Das说。“从房屋中的HVAC系统到汽车中的引擎，都可以通过音频的模式显示机器的运行状态及其功能运行状况。我们唯一要做的就是聆听。”版权声明：电路城原创编译，翻译自IEEE，转载请注明出处！

在全球市场部门使用“人工智能”一词之前，它曾经使人联想到某种机器人。波士顿动力公司是机器人技术领域最著名的公司之一，这在很大程度上要归功于其正在运行的机器人的病毒视频。但是该公司并没有发表太多言论，因此我们抓住了机会在上周的WebSummit2019上与BostonDynamics首席执行官MarcRaibert坐下来。Raibert参加了会议，讨论了BostonDynamics当前关注的三种机器人，他按时间对它们进行了分类：今天(Spot)，明天(Handle)和未来(Atlas)。在我们的采访中，他还讨论了当前客户，潜在的应用程序，人工智能，模拟，当然还有那些病毒视频。今天：现货对于Raibert而言，“今天”指的是一段持续到明年左右的时间段。Spot是当今的“机器人”，因为它已经在交付给早期采用者。实际上，它只出货了大约六个星期。波士顿动力公司希望Spot成为平台-Raibert多次将其称为“机器人的Android”。Raibert说，重约60磅的Spot“不是最终用途的应用程序机器人”。用户可以添加硬件负载，也可以添加通过Spot的API与Spot交互的软件。实际上，Raibert参加WebSummit的主要目的是激发与会者开发Spot的硬件和软件。波士顿动力公司拥有用于Spot的机械臂，频谱收音机，相机和激光雷达，但其他公司也在开发自己的传感器。

使用3D打印和无刷电机制作的一个名为黑鸟双足机器人，从产品的完成度来讲，令人难以置信这是一个仅有两个人团队的作品。更重要的是等这个产品完全完成了，作者会将这个机器人的源代码都开源，方便更多志同道合的朋友学习或者改进。版权声明：电路城原创编译，翻译自Hackaday，转载请注明出处！

第1招.宏观认识-智能车硬件方案剖析第2招.智能车的嘴巴-UART串口的使用第3招.智能车的眼睛-TSL1401线性CCD的使用第4招.智能车的动力-PWM驱动双电机第5招.智能车的小脑--MMA7361加速度计与ENC03陀螺仪曲线融合第6招.智能车的测速仪-DMA计数编码器第7招.智能车的恒速-编码器PID控制算法第8招.智能车的互动-人机交互界面设计第9招.智能车的控制-平衡直立稳定版实现方法揭秘想要观看完整技术视频，请至：https://www.moore8.com/courses/1078

研究了从云到网络边缘的高性能处理是如何使物联网(物联网)蓬勃发展，从而为人工智能奠定了基础。博客文章中还有一个需要我们充分关注的方面：人工智能的进步与网络威胁的发展密切相关。每秒钟就会发现五种新的恶意软件变体。世界各地的组织每小时都会受到一百次以前未知的恶意软件攻击。每天都会有100万个新的恶意文件出现在连接的世界中。随着越来越多的设备和系统连接到网络上，网络犯罪已经对我们的技术资产--乃至整个社会的安全构成越来越大的威胁。机器学习被证明是一把双刃剑：虽然ML能够使工业级恶意软件检测程序更有效地工作，但它很快就会被坏角色用来增强攻击的进攻能力。事实上，一群来自阿姆斯特丹大学最近演示了这是如何工作的。在从cpu翻译旁路缓冲器(TLB)泄露信息的侧通道攻击中，白帽黑客使用新颖的机器学习技术来训练他们的攻击算法，并将其提升到一个新的性能水平。他们相信机器学习技术将提高未来侧通道攻击的质量。为了防止新的、有效的人工智能和ML技术的出现改变权力的平衡，我们必须把重点放在如何利用人工智能来提高系统的安全性和数据隐私。ML如何增加系统安全性基于ML的安全的一个很好的例子是异常检测，其中系统“检测”数据流中的异常行为或模式。这个过程在过去经常被应用于垃圾邮件和恶意软件的检测，但是机器学习可以被扩展到寻找系统中更微妙和复杂的异常行为。虽然监测和保护免受外部威胁对于有效的系统防御至关重要，但很少有组织意识到内部威胁。在一项调查中2016年埃森哲他们发现，三分之二的接受调查的组织成为从组织内部窃取数据的受害者。在这些情况下，91%的人报告说，他们没有有效的检测方法来识别这类威胁。机器学习可以极大地帮助开发有效的、实时的分析和异常检测能力，以检测和消除来自系统内部的基于用户的威胁。隐私保护机器学习在人工智能的数据提供者(无论是在培训阶段还是在推理阶段)不想提供不受保护的数据的应用程序是很容易识别的。随着新的欧盟通用数据保护条例(GDPR)自2018年5月25日起生效，任何处理欧盟公民数据的企业都必须保护隐私，而不遵守规定可能导致巨额罚款。在工业环境中，也有一些应用程序，在这些环境中，数据隐私对系统提供者至关重要。例如，在预测维护机器中，数据被用来确定在役设备的状态，以精确地预测应该在什么时候进行维护。此方法实现节省大量费用超过常规或基于时间的预防性维护，因为任务只在需要时执行，并且希望在系统故障之前执行。参与服务的机器所有者显然有意从生成的数据中获益，但是，他们也对不与使用同一台机器的竞争对手共享其数据非常感兴趣。这使维护服务提供商陷入困境。关键问题是：企业如何能够继续尊重隐私问题，同时仍然允许使用大数据来提升企业价值？使用同态加密，计算中使用的任何数据都保持加密形式，并且只对预期用户可见。计算结果--一旦解密--与应用于明文的相同计算结果相匹配。此外，NXP使用的基于属性的身份验证基于IBMResearch开发的身份混合器协议。它依赖于灵活的公钥(化名)和灵活的凭证的组合，允许用户只共享某个事务所需的信息，而不显示任何其他属性。好处是显而易见的：“互联网就像月球表面，它永远不会忘记一个脚印。有了身份混合器，我们就可以把它变成一个沙滩，经常冲走一切。“简.卡尼梅西、密码学家和身份混合器的共同发明者。攻击机器学习：训练时的攻击即使在ML的第一阶段，当训练数据被收集并输入到ML模型时，也会发生攻击。为了防止改变数据或操纵ML模型的结果，一个典型的应用程序是一个从用户发送的数据中训练出来的异常检测工具。如果用户故意发送不正确的输入来“毒害”训练数据，这可能导致机器学习模型在推理时性能差甚至失败。推理时的攻击：对抗性的例子在推理阶段还必须保证用户的隐私。当对私有或敏感数据进行推断时，这一点尤其重要。用户也可以是攻击者。作为攻击手段，用户可以使用所谓的对抗性示例。对抗性示例是一个有效的输入数据，它将导致机器学习模型对其进行错误解释。这种看似良性的攻击可能造成灾难性的后果，例如，如果我们想到在安全危急情况下的道路标志分类。在停车标志上贴上特制的贴纸，研究人员已经证明他们可以欺骗图像分类器误解或根本不识别符号。虽然这个标志在人眼看来是有规律的停车标志，但是机器学习模型却无法看到它本身。对抗性例子的概念并不新鲜。新发现的是其后果的严重性，比如在停车标志对抗性的例子中撞毁了一辆自动驾驶汽车。ml作为服务：IP保护机器学习模型的价值主要存在于相关的数据集中。培训数据的收集成本可能很高，或者很难获得。当机器学习作为一种服务提供时，用户只能访问模型的输入和输出。例如，对于图像分类器，用户提交图像并返回其类别。对于用户来说，为了避免为将来的使用付费，制作模型本身的副本可能很有诱惑力。一种可能的攻击是对所选择的输入数据进行查询，获取相应的输出，并对所获得的数据集进行训练，以获得一个功能等价的模型。为什么现在是时候检查你的防御机制了？在NXP，我们建造了一些世界上最先进的安全设备。我们在它们内部创建对抗措施，以保护它们免受广泛的逻辑和物理攻击，例如侧通道或模板攻击。黑客依靠人工智能从安全系统中提取机密和关键信息只是时间问题，因为这只会增强他们的“学习”能力。为了应对这些不断变化的威胁，人工智能的影响必须成为物联网系统安全的组成部分。如果人工智能机器学习模型的训练和推理不能成为未来对手的大门，则必须从一开始就考虑设计的安全性和设计原则的隐私性。幸运的是，人工智能领域应用从物联网安全学到的经验还不算太晚。如果我们在设计未来的基础设施和设备时牢记这一点，那么AIoT就有能力改变我们的生活。把未来的黑匣子变成光明的盒子是我们的责任。

毫米波技术如何为自主机器人提供边缘智能，使传感器能够做出实时决策，以减缓或停止机器人，并确保其在工业机器人应用中的持续性能。TI毫米波传感器可用于旨在帮助工业机器人避免碰撞的系统中，解决同人类和其他物体相互作用的机器人协同互动的关键问题。若边缘需要额外的机器学习处理，毫米波传感器可与工业级处理器（如Sitara™处理器）无缝协作，以提供额外智能。了解TI毫米波传感器和Sitara处理器如何实现智能机器人技术就像汽车先进的驾驶员辅助系统可使用毫米波进行环绕全景监控和障碍物探测一样，毫米波传感器有助于解决自动导引车（如物流机器人、运载工具、叉车和液压车）的类似挑战，如图1所示。图1：各种自动导引车3D点云探测具有三发射器和四接收器天线配置的毫米波传感器可在方位角和仰角平面上使用角度信息实现最大30m的3D物体探测，以便从高处探测物体。这对于叉车这样的车辆极其有用，因为它的传感器位于离地面较高的位置。单个传感器能够在120度视野范围内探测物体，从而最大限度地减少环绕监测系统所需的传感器数量。高分辨率、准确探测由于毫米波传感器在4GHz带宽下工作，因此可识别间隔4cm的单独物体，并在可能被漆黑、灰尘或物理屏障遮挡的区域中操作。这种高分辨率能力是必要的，以便传感器准确地计数和识别物体或人员，并实时触发适当动作，比如在碰撞之前停止机器人。除实时物体感测和避碰外，毫米波传感器还提供额外功能，以使智能工业机器人成为可能。地速和边缘探测TI毫米波技术通过多普勒频移提供亚毫米级精度和高分辨率，实现精确的地速感测，使传感器系统能够计算车辆的地面速度并探测地面边缘，例如车轮可能滑动的装卸凉台，以避免不可恢复的情况。透明物体探测TI毫米波传感器可以探测透明物体，如玻璃和塑料以及暗物，这可能对某些光基技术有所挑战。提高探测精度有助于避免与玻璃屏障或物体碰撞等潜在意外事故。符合SIL-2标准TI的60GHz毫米波传感器可帮助系统满足IEC安全完整性等级（SIL）-2标准，以便在人机交互密切时进行事件管理。在设计SIL-2认证系统时，工程师可直接使用TI毫米波传感器提供可能需要系统实施额外安全处理器系统或冗余传感器系统从而获得认证的功能。自主机器人中的TI毫米波传感器作为数字信号处理器的一部分，TI高度集成的毫米波雷达传感器具有先进的聚类和跟踪算法，可在边缘提供智能自治。图2所示为带有集成处理的TI毫米波芯片。图2：比较典型的前端传感器解决方案和可实现边缘智能的集成的TI毫米波传感器。由于TI毫米波传感器不受环境（雨、灰尘、烟雾）和照明条件的影响，且可通过塑料等材料感知，因此它们无需外部透镜、孔径或传感器表面就可有效探测机器人路径中的物体。更多边缘智能深度学习是机器学习的一个子集，在工业领域越来越受欢迎。TI提供硬件和软件支持，帮助设计人员为包括机器人技术在内的各种应用带来深度学习推理。对于发生智能传感器自带数据处理能力不足的应用，配备高达1.5GHz高性能Arm®Cortex®-A15内核以及双核C66x处理器的SitaraAm57x处理器系列能够运行深度学习推理和传统的机器视觉算法，可解决预测性维护和剩余使用寿命等应用的机器学习需求，或者基于超出现有功能的传感器输入做出决策。SitaraAM57x处理器为工业通信（EtherCAT、Profinet、时间敏感网络、Profibus、以太网/互联网协议）提供专用硬件，可用作机器人控制器的中央处理单元。总之，用于稳健物体探测的集成毫米波传感解决方案以及用于增强机器学习的Sitara处理器，为机械臂的区域扫描仪或自主机器人避撞提供了智能解决方案。请参阅我们的资源开始开发。

FiberGrid是一种用于机器人技术的廉价3D打印光学传感器框架。如果您不想花费数年时间学习电子产品，如何将传感器与微控制器和DSP接口，但您已准备好开始构建机器人行动，这个项目适合您！忘记RaspberryPI，arduino，PIC和其他MCU。有一种更简单，更便宜的方法可以为项目添加传感器。以便宜的塑料光纤价格为您的机器人添加数百个3D打印机械传感器。该项目的目标是将电子产品排除在外，让世界各地的十岁儿童和成年人在不购买昂贵组件和花时间学习电子产品的情况下制造复杂的设备。这个怎么运作光纤网格硬件由两部分组成：光源和带外壳的摄像头。它们通过廉价的塑料纤维连接到3D打印传感器。光源将光线照射在具有裸露光纤末端的网格上。光纤将光线传输到光阻传感器。剩下的光线被另一根光纤传送到相机外壳。在PC，笔记本电脑，平板电脑，手机，RaspberryPI上运行的相机软件或任何已经或可以与相机连接的相机软件都会将每个输入光纤的光线转换为一个值。您可以根据阻挡光的原理设计传感器。或者，LED可以放置在各个传感器内。在任何一种情况下，FiberGrid都能够感知机械传感器阻挡多少光线并为您提供软件价值。该软件如何工作FiberGrid软件有两个部分。FiberCal是一个校准程序，可以在摄像机的视野中查找光纤的中心和边界，并将它们保存到C++头文件（fiberinit.h）。其次是FiberGrid“驱动程序”。它包含编译期间的头文件，并提供用于读取传感器的简单API。两个程序都依赖OpenCV库来读取光纤束中的传感器值。驱动器和校准软件分开有两个原因。通过人类交互可以更精确地检测纤维。您可以通过单击手动更改阈值，光纤可视大小以及手动添加或删除光纤。如果您正确地使用硬件设备，光纤的位置永远不会改变。第二个原因是便携性。驱动程序可能用50行python代码编写或用C++重写而不使用OpenCV或用Basic或javascript编写，同时校准实用程序不需要更改。这里光纤网格校准实用程序（fc）检测网格中的3根光纤。左边的图像是其中一根纤维的特写。Git克隆。切换到目录并输入make。构建硬件并将其连接到您的计算机。运行fc（fiberCal）并按“s”生成fiberinit.h。使用fc滑块进行最佳光纤检测（光纤周围的绿色方块）。将fiberinit.h，fibergrid.h和fibergrid.cpp添加到项目中或运行ft（fibertest.cpp）。使用FiberGrid::read（）或FiberGrid::readNormalized（）来获取传感器值！运行项目以在调试屏幕上查看传感器值。注释掉FIBERGRID_DEBUG以禁用驱动程序调试屏幕。传感器如何工作您可以制作无数的传感器，以便与光纤网一起使用。纤维可以原样用作复眼。传感器可以3D打印，由纸板或吸管和口香糖制成。尝试将光纤模块中的一根光纤和相机中的另一根光纤放入空心咖啡搅拌器（吸管）或光纤包层的每一侧。在屏幕上观看凸轮时，将光纤推入或拉出或弯曲吸管。注意屏幕上一个点的亮度如何变化。你刚刚制作了第一个传感器。可以使用来自一次性3D电影院眼镜或旧显示器的一片平面偏振塑料（胶片）来制作旋转传感器。制作一个带有两个相对于彼此旋转的小块的传感器。当片的偏振为90度时，它们将阻挡来自发射器光纤的大量光。这就是3D模型包中的fibergrid_sensor1的工作原理。根据您的光纤，弯曲可能会散射光线并改变传感器值。为了弥补这一点，将两根光纤捆绑在一起传感器。一根光纤将通过一个使光线变暗的连接点连接到传感器，另一根光纤直接连接到发光光纤。该发射器光纤必须与发射器光纤捆绑到传感器。或者，LED可以直接放置在传感器内部，两个光纤由一个LED点亮。通过相对于第二光纤值变化调节传感器值，可以在软件中补偿由于光纤的物理变形引起的光强度的降低。制作位置传感器很容易。测量力更难。以下是能想到的：找到坚固但柔顺的半透明matherial/3D打印机灯丝。刚性反光材料，可在弯曲时改变以一定角度反射的光线量。液压/气动/机械称重传感器，间接改变光纤的位置。目标是使其具有一定的线性，要求尽可能小的位移并在良好的温度范围内保持稳定。16个连接器网格，插入3根光纤和13个分流器。护罩安装在栅格和相机周围。相机向前滑动以防止其移动。用螺栓将相机固定在“工作台”上。看着网格的相机在顶行删除了4个插头来源：hackaday.io电路城原创内容，未经允许，不得转载！板卡评测合作邮箱：yanfen.mo@supplyframe.cn

成像对于许多机器人应用至关重要，能让机器人执行基本任务，躲避障碍物，进行导航以及确保基本安全。显然，提供成像的方式是采用低成本视频摄像头，或者再好点，使用两个摄像头实现立体视野和深度感知。但后者存在一些缺点。使用双摄像头实现三维成像会增加功耗和空间需求，同时也会使外形尺寸和制造工艺变得复杂，并且增加成本。由于三维成像是从基本“协助”单元到自主驾驶车辆应用的主流，因此设计人员需要比简单添加更多摄像头更好的替代方案。为此，设计人员正在越来越多地使用替代方案，这些方案在封装、成本、功耗、数据缩减和整体性能方面存在优势。这些替代方案中就有飞行时间(ToF)成像系统（通常又称为光探测和测距，或称作LIDAR）。这些成像系统可采用红外(IR)成像（通常称为热成像）作为辅助手段。从IR谈起红外电磁波的波长比可见光谱红端的电磁波更长；IR波段的波长通常被认为在700nm(0.7μm)到1mm(1000μm)之间。简单的说，这些波长表示物体的热辐射。通过恰当的IR成像系统，此IR“热图”被转换为可见光图像，通常含有添加的伪色，以突出相对温度（图1）。注意，该IR成像不同于IR传感。感测是一种用于检测，或者甚至是测量热源的非接触方法，例如人员经过作为报警系统一部分的被动红外(PIR)传感器，或者监测到管道过热；没有类似图像的细节或者图像分辨率。为何使用IR来替代，或者用于补充传统的可见光成像？有多个理由：当感兴趣的物体融入到背景中，无论是故意隐藏或只是巧合，这时IR就能发挥其价值IR能帮助定位视野中的人员或温血动物在寻找造成局部发热的常见故障时，如过热的管道、蒸汽管路、阴燃火灾或电器故障等，IR也可非常有用现在，由于高集成度、高性能元件的出现，并且这些元件具有易于使用的接口，使得实施IR成像子系统大为简化。例如，FLIRSystems,Inc.的LeptonIR摄像头（图2）。该器件的尺寸约为10×12×6mm，集成了定焦镜头组、适用于8-14μmIR的80×60像素长波红外(LWIR)微测传感器阵列、以及信号处理电子元件。通过使用行业标准MIPI和SPI视频接口，以及类似双线I2C的串行控制接口，使得互连大大简化（图3）。除了尺寸小巧、易于使用，Lepton单元还具有高性能，成像快（不超过0.5秒），且热灵敏度低于50mK。工作功率也较低，为150mW（典型）。这样的产品得益于用户的实践经验，因此FLIR为摄像头模块提供分线板，它兼容基于ARM的评估板和RaspberryPi（图4）。这款25mm×24mm的电路板需要3V到5.5V单电源供电，带有25MHz系统时钟、用于其他低噪电源轨的内部LDO、标准互连接头，以及用于Lepton模块自身的32引脚Molex排针。ToF的兴起热图像对于许多应用都很有用，但却不能满足这些应用的全部要求，此时就需要通常采用3D技术的可见光成像系统。显而易见，这就需要采用标准的视频摄像头。现在许多厂商都提供这样的摄像头，并且提供许多不同的分辨率、光灵敏度、尺寸和接口选择。若需要立体成像，则使用一对摄像头。尽管热成像已问世数十年，但相比如今的成像装置，其性能欠佳、成本和功率消耗较高，而ToF技术则相对较新。20世纪90年代，此项技术首先作为学术概念被提出，然而能让它切实可行的基本元件和处理能力直到过去十年才出现。ToF通常是许多应用的首选成像方法，包括自主驾驶车辆（自动驾驶汽车），并且已经进行数百英里的实际道路测试。（在架构方面，智能或自主车辆属于轮式机器人系统，带有传感器、算法和定义的动作，只是角度不同。）相比传统成像摄像头，ToF方法实际上具有一些明显优势（讨论如下）。工作方式：传统摄像头成像的工作原理通常被工程设计人员所理解，比较直观，而ToF则了解的人不多，并且更多依赖于通过方程和感测到的光子实现。此项技术包括两个关键元件：一个精确控制和调制式光源（固态激光或LED，通常在850μm近IR范围下工作，因此肉眼不可见）、一个用于“查看”由来自成像场景的发射光线反射的像素阵列。要完全了解ToF原理，需要明白定义其工作原理的方程式，且要考虑一些不可避免的错误来源，然后对其进行补偿。整体ToF过程可通过两种方式完成：光源以低占空比脉冲重复，或者由连续正弦波或方波源进行调制。若使用脉冲模式，反射的光能通过两个异相窗采样，这些采样值用于计算到目标的距离。若使用连续模式，传感器每次测量时取四个采样值，每个采样值偏置90⁰，这样便可计算照射和反射之间的相位角以及距离。ToF序列和计算的输出是表示成像区域的点数据集合，术语“点云”由此而来。[1]相对利弊：使用一个或两个摄像头的传统成像，还是使用ToF方法，需要根据应用的具体情况进行判断。对于基本的检测和缺陷识别，假设物体已知并且目标在照明受控的环境中经过特征提取/对比，那么提供二维图像的单摄像头通常是最佳选择。但是，若照明发生变化，ToF可能会更好，因为它受到环境光线变化的影响较小。对于使用两个传统摄像头的三维成像，需要以机械和安装问题为起点从多方面考虑并做出决定。即使这些都不是问题，处理图像的系统也必须采用功能强大的算法，以解决“对应”问题，即将一个摄像头中场景中的点和另一个摄像头中场景中的相同点匹配。这样做需要大量颜色或灰阶变化，深度准确性通常由于成像场景的不均匀表面而受到限制。相比之下，ToF系统受到机械问题、照明与对比度问题的影响较小，不需要三维结果的图像对应匹配。鉴于具有响应快、处理大范围客观特征的能力，以及生成的点云的本质，ToF系统非常适合于在自主驾驶车辆中将手势、面部或身体姿势转换为命令，以及捕捉周围环境。然而，由于许多基础成像摄像头已成为市面上的常见设备，因此使用传统的单个或两个摄像头配置的解决方案成本更低。实现：ToF系统有五个主要的功能块：光源：生成精确定时的光源脉冲的元件光学器件：对焦传感器上的光线对焦镜头；可能还带有光学带通滤波器，以降低环境光线的“噪声"图像传感器：用于捕捉从被照射场景反射回的光线管理电子元件：控制发光单元和图像传感器，并使其同步计算单元和接口：根据发出光线与返回光线的时间差以及感测到的光子计算距离选择光发射器和成像传感器是配置ToF系统的第一步。发射器选择包括二极管，如VishayVSMY1850X01，这是一种专用于高速运行的850μmIR器件。该器件支持由100mA驱动的10纳秒上升和下降时间，使其适合脉冲模式。传感器或像素阵列是ToF系统的核心，现在已能作为更大、集成度更高的设备的一部分提供，如TexasInstrumentsOPT8241飞行时间传感器/控制器IC（图6）。如简化型框图（图7）所示，该器件包括传感器源（上述项目3）、控制电子元件（项目4），并且可向诸如OPT9221飞行时间控制器等协同处理器提供数字化反射数据，处理器可利用数字化传感器的数据计算深度数据。OPT9221还具备各种校正功能，包括抗锯齿、非线性补偿和温度补偿。正如设计用于不仅能够捕捉场景，还能以一致、有用的方式进行的任何视频系统一样，ToF软件的设计并不繁琐。TI提供详细的用户指南[2]、估算工具，以便设计人员评估性能和参数的相互作用，如深度分辨率、二维分辨率（像素量）、距离范围、帧率、视场(FoV)、环境光和物体的反射率。结论机器人系统的设计人员始终面临如何提供细节清晰的“周围环境感测”的挑战。幸运的是，如今的设计人员可以采用高性能、功能强大、相对低成本的技术，包括红外成像、传统视频摄像头、甚至基于飞行时间原理的LIDAR。因此，由于它们的整体功耗较低，许多全套设计采用这些方法的组合，以克服任何单一技术的缺陷，从而提供更全面的多维度图片。

本期物联网机器人,采用nodemcu开发板，主要涉及环境搭建、基本网络知识、服务器webServer知识、web控制、机器人舵机控制、服务器搭建、APP开发、传感器物联等知识；课堂采用由浅入深，项目制；首先让学习者具备做项目的应有的基本技能：环境搭建、硬件控制、web开发；然后逐渐深入学习并体验web控制，APP控制、服务器搭建；最后进行项目实战，远程控制机器人，远程智能家居等；想观看完整技术视频，请至：https://www.moore8.com/courses/2351

5G连接和人类远程投影呈现可以帮助自动驾驶汽车更安全更灵活。人工智能浪潮推动着自主驾驶汽车不断向着更高的等级迈进，在向Level5进军的征程中，一直有两个挑战悬而未决。第一，如何处理可能会在现实世界中随机地发生的各种奇怪的异常情况；第二，现实世界中的人类存在大量的伪随机行为，如何面对他们，并与他们有效地交互？关于这两类问题，科学家们已经给出了一些潜在的解决方案。第一种是扩大对自主驾驶系统经验范围之外的长尾情况的覆盖，这可能涉及到远程的人类介入，暂时接管对汽车控制。而且，通过合适的硬件，人类可以解决自主驾驶系统和远程投影的人同时和汽车进行交互的挑战。汽车和人之间的互动从来都是一件棘手的麻烦事。在某种程度上对人类进行建模是可行的，而且，自动驾驶汽车可以以相当合理的准确度预测人类在人行道上的走动轨迹。让事情变得复杂的事当人类和司机互动时的情形，一个典型的例子是人在通过人行横道时的情形，行人将和汽车司机进行目光接触，以确保司机看到了自己，在那种只可意会不可言传的眼神交流中，行人可以判断自己是否可以安全地穿过马路。但是如果驾驶员的座驾上没有人类的话，就需要通过其它方式进行交互，这就是为什么Drive.ai这样的系统在其自动驾驶汽车上安装了LED显示屏以便通过文本和图表进行消息提示的原因所在。但是，这种方式过于机械化，真正强大的解决方案需要显得更加人性化，韩国高等科学技术研究院（KAIST）的研究员未来学家IlhanBae认为，通过远程投影和自动驾驶相结合，是实现汽车和行人人性化的交互的有效方法。当然，这种方法多少显得有些诡异，但是它是处理随机出现的异常事件以及和行人进行有效交互的潜在有效方法。借助5G连接，可以在车顶上的360摄像头和远程用户之间实现高清流媒体的传输，而且，只要车内的投影仪亮度足够，即使在强光的直射下，车外的行人也可以看到投影图像。KAIST的研究人员表示，这种系统对于亚洲国家来说尤其具有独特的价值。因为，大部分亚洲国家的驾驶环境比较糟糕，经常拥堵而且很混乱，这种驾驶场景与欧美国家自动驾驶汽车的舒适驾驶场景大不相同。所以，在这些地方，驾驶员之间的沟通、驾驶员和车外行人之间的沟通对于安全驾驶尤其起着更为重要的作用。KAIST的研究人员表示，除了通信之外，这种远程投影还赋予了汽车不同的“角色”，远程用户的身份提供了额外的价值。根据Bae的说法，“当这辆汽车和一名警察远程链接起来时，这部车就编程了一辆警车，当一名保险调查员和它链接起来时，它就摇身一变，成了保险公司的一辆车。当一名记者和它链接起来时，它又阿里阿里巴巴变，变成了一辆新闻采访报道车。”万物皆有价码，这种远程投影的汽车需要付出一定的代价。一方面，你失去了完全自主驾驶的一些好处（不用人类驾驶员的操作），另一方面，汽车不能脱离移动连接，即，它只能行驶在可以行驶的区域内。实际上，这个系统可能实用性非常大，作为一种在必要时需要人类有效接管自动驾驶汽车的方式，这种远程投影的方式不需要有人坐到驾驶座上，可以在当前的自动驾驶技术无能为力的地方以最灵活的方式提供更安全更灵活的驾驶。

无线信号就像一道光那样，碰到某些物体和表面会被反射回来，人体自然也不例外。不同的材料会对无线信号产生不同的影响，无线信号被人体反射回来后会发生特别的变化。麻省理工学院计算机科学和人工智能实验室（CSAIL）的研究人员利用这个特性设计了一种无线运动跟踪系统，可以捕捉人体对无线信号的反射，并收集健康和行为数据。这个被称为Marko的系统向空间广播射频信号，该信号从运动中的人身上反射回来后发生了特定的变化，然后通过一个专门设计的算法分析这种信号反射，并将它与某个个体关联起来，也就是说，Marko仅根据无线信号就能把不同的人区分开来。此外，该系统可以监视被测人在某个确定数字规格化的空间内的移动。将收集到的运动信息和其它相关数据相结合，便可以推测出个人行为、人与环境之间的关系。您可以在下面这个视频中了解Marko的工作原理。为了测试和演示，麻省理工学院团队对一名经常因为某些不明的原因变得焦躁不安的痴呆症患者进行了监测。这个测试在一个辅助生活设施内进行，事先得到了患者家属和护理人员的许可。经过一个多月的测试，研究人员最终得出了以下结论：“一个多月以来，Marko测量了患者在自己独立的活动空间中来回踱步的情形，据悉，来回踱步是一种激动的表现。通过将踱步次数的增加时刻与该病患的访客日志对照，我们发现，病人在家人来探访后的几天中都变得更为激动。这种测试结果表明，Marko可以提供一种新的被动跟踪家中患者健康情况的手段。”这个系统部署在一个固定的目标空间中，持续发送射频信号，根据反射回来的信号创建一个垂直坐标系和水平坐标系下的地图，个体标记为亮斑点，标示其在三维空间中的位置。水平坐标系定义人的一般位置，垂直坐标系确定身高和建筑物等特征。通过分析人在移动状态下反射回来的射频报文（以每秒三十帧的频率），该系统可以生成被称为“小轨迹”的用户短时运动轨迹。为了分隔出不同的个体并处理它们的运动信息，研究人员使用了一种被称为“卷积神经网络”的技术，这是一种通常用在图像识别应用中的机器学习模型。该团队实现了一个过滤器，在每个人身体周围标记一个小圆圈，当人体移动时，系统可以过滤到小圆圈外面的信号，从而降低了数据量。该信号结合圆圈内的信号、运动轨迹，将特定的射频反射和特定的个体关联起来。在Marko发挥作用之前，系统需要首先收集目标对象的信息。被测人需要佩戴低功耗的加速度传感器，该传感器在被反射的RF信号中标记上被测人的身份信息，第一步，系统生成一个个单独的“小轨迹”，然后，通过算法将特定的加速度特征与运动特征匹配到一起。用户走起来时，测量的加速度信息会随着用户每迈一步振荡一次，被测人静止不动时，加速度变成一种扁平线。系统确定加速度数据和小轨迹之间的最佳匹配一致性，并将这些小轨迹标记到该被测对象上。通过这种方式，系统能够分辨出哪些反射信号对应于哪个特定的被测对象。在收集了第一次的原始数据后，被测对象就不需要再佩戴传感器了。Marko系统足够高效，能够以高达95%的准确度标记出正确的个体身份。这个系统最重要的潜在应用场景也许是在医疗保健机构中。Marko可以被动地监控患者与家人、医生和护理人员之间的互动，判断病患是否按时接受了药物治疗等等。除了医疗保健应用外，它还可以收集家庭动态、日常作息、睡眠习惯等数据。Marko是一种比摄像监控系统更为舒适也更为实惠的解决方案，它能提供更大的隐私性，并专注在特定区域和时间段内的运动、睡眠和交互行为模式上。尽管在隐私性上存在优势，团队也特别指出“确保技术不会被滥用以侵犯个人隐私的重要性”。因为麻省理工学院CSAIL实验室是在国防部项目的基础上成立的，而且现在还一直接受国防部的资金支持，很明显，Marko也可以被用在军事用途和反恐行动中。在这些情形下，普通老百姓必须清楚，他们的隐私可能会受到一定程度的损害。这项有趣的发明已经发表在了CHI计算系统大会的会议论文集中。

随着自动驾驶车辆即将来临，开发其软件和硬件的艺术和工艺仍然难以实现。这并不奇怪：毕竟这个领域还处于起步阶段。设计一个强大的系统涉及最先进的软件和（可能）危险和昂贵的硬件的紧密合作。因此，入门栏设置得非常高，仅适用于拥有大量资源的公司，例如Alphabet'sWaymo。我相信，对于想要尝试它的人来说，可以使用这种技术的近似值，就像使用VR和GoogleCardboard一样。该项目的重点是建造一个低成本的DIY机器人汽车，具有先进的传感器，驱动和连接。目标是允许任何人在这个小型机器人上实施尖端机器人和自动驾驶汽车算法。作为一名软件工程师，我经常理所当然地认为我工作的领域的民主化和开放性。我常常忽略了最先进技术的奇迹，只需在Github上公开，一些终端命令远离在我的桌面上工作。幸运的是，自动驾驶汽车领域似乎正朝着这个方向迈出了一步。有针对该主题感兴趣的人提供MOOC和免费在线资料。但是，他们仍然缺乏硬件平台，学习者可以安全快速地评估他们的想法。我们现在最好的希望是模拟器。我相信，对于想要尝试它的人来说，可以使用这种技术的近似值，就像使用VR和GoogleCardboard一样。你能猜出这是怎么回事吗？我提议的平台与GoogleCardboard不同。原则保持不变：低成本（或由您可能已拥有的东西制成），无需专业知识即可开始使用。我一直致力于基于智能手机的遥控车，它可以重复使用所有现代设备上的传感器（GPS，指南针，加速度计，灯光），连接和高分辨率相机。设计机器人有3个主要组件：3D打印机箱机器人的主体基本上是一个先进的智能手机壳。由于手机水平放置，通常相机会看天花板，这不是很有用。因此，在相机顶部有一个镜子，以45度角放置，这样机器人就可以向前看。机箱上放置了许多有源组件。汽车由一个通过一系列减速齿轮连接到后轴的无刷电机驱动。甲旋转编码器被连接到马达的轴上。转向由位于机箱前部的小型伺服控制。车载电子产品为了控制致动器和读取遥测数据，在底盘上安装了少量电子元件。主电路板基于出色的NRF52SOC。它提供蓝牙LE无线电与手机通信。伺服由芯片直接控制，但电机需要额外的电子速度控制器（ESC）。软件为了简化开发，软件分为计算机和手机应用程序。目标是让应用程序尽可能简单，只实现最基本的连接。这使得应用程序不在迭代开发循环中，由于更强大的硬件和机器人软件可用性（例如ROS），这在计算机上要快得多。缺点是机器人必须始终连接到计算机（通过WiFi），并且在读取传感器时会引入一些延迟。由于现代智能手机的视频处理和连接功能，延迟降至最低-相机图像平均延迟80ms，传输转向命令和接收本地WiFi遥测时不可察觉的延迟。通过委托给车载电子设备的实时控制，可以从舒适的10Hz+环路控制机器人。得益于各种可用的传感器，该车可用于实现多种机器人和自驱动算法-通过将加速度计，指南针，编码器和GPS数据融合到使用计算机视觉（或机器学习）进行导航的强大定位。来源：Hackaday.io

能够对患者的肌肉活动进行追踪监视，并将数据反应出来以供用药参考的“膏药”大小的机器人已经被顺利开发的研究论文于2014年3月30日发表在了科学杂志《自然.纳米技术》（NatureNanotechnology）上。图片说明：研究人员为了证明只有2毫米的纳米电子“膏药”多么轻盈而将其与羽毛进行落下对比试验。虽说现在医学界已经发明出了用于检测患有癫痫和帕金森疾病造成的“运动障碍”并进行监视的随身穿戴式机器，但是这些机器有个致命的缺点就是缺乏柔软性。这给患者的生活以及病情的分析造成不便。而此次由韩国和美国组成的国际研究小组共同开发的、可以贴在皮肤上使用的最新技术成果乍一看会给人感觉像是一块“膏药”。但其实实在在是使用了新型“纳米技术”来检测患者行动的机器人。由于这个机器是由原子及分子大小的微小原材料制作的，所以很好地解决了传统普通材料难以弯曲的问题。这个“膏药型”机器人可以在完全不影响患者的情况下手机和保存医疗数据，并将这一数据源源不断地提供给机器以此来分析和对症下药选择合适的药剂。这样技术的开发过去一直是科学家长年的梦想。在此之前，类似这样机器的开发受到了诸多的困难挑战和限制：搭载和储存机器提供的数据需要一个容量极大的电子记忆装置、耗电量高、通过皮肤给药的作用并不存在等理论干扰。对病人活动进行监视不仅仅能有效追踪了解病情的最新发展，还有利于提高治疗效果。但是由于过去的机器均是坚硬的电子物体，因此非常容易坏掉，所以根本不适合贴在皮肤上使用。将来将完全实现“无线”但是此次研究小组采用了纳米技术来解决了这一问题，开发出了厚度仅为为1毫米、伸缩自如灵活的机器。根据论文显示，现在这一发明虽说仍然处在试作品测试阶段，但是其多层的超薄纳米薄膜和纳米粒子构成是其独一无二的强大竞争优势。研究小组在论文的重点总结陈述中表示：“研究小组使用了纳米硅运动传感器薄膜以及无挥发性记忆卡、以及用热致动器将纳米金打入、添加了药剂的二氧化硅颗粒。”论文表示，将其贴到患者的手腕部位就能够测定和记录肌肉的活动情况。当内部的极薄的加热器感应到数据之后就会加热，将装在纳米粒子中的药剂释放出来。纳米硅运动传感器薄膜中的温度感应器会在这个过程中仔细检测皮肤温度以防给药期间造成皮肤灼伤。“这个纳米硅运动传感器薄膜客服了之前开发出来的可穿戴设备的缺陷，能够提高规范性、数据以及临床诊断的准确性和有效性。这是其开发出来的最大意义所在。”论文的执笔者们说道。韩国.纳米粒子研究中心（CenterforNanoparticleResearch）的Dae-HyeongKim表示，这一机器在现阶段还需要与外部电脑的微处理器进行连接。可以将其利用手表搭载并利用细小的电缆与机器进行连接。在接受AFP记者采访时还表示，将来目标是让其能够实现完全独立自动化，“将来预计将开发出无线版的商品”。相关阅读：全球十大实用智能机器人Rex：机器人的大脑不仅仅是玩具：用机器人生产的多旋翼直升机Flexbot[图]每秒7.8英寸日本研发用于桥梁检测的BIREM爬墙机器人[图]德大学研究人员正在打造能够像蜜蜂一样“思考”的小机器人[图]8秒摘一枚草莓日本公司展示售价$5万的采摘机器人可双脚行走、用手抓物的树莓派机器人“RAPIRO”亮相用Intel微电脑做的机器人

通过pcDuino连接linkerjoystick，摇杆控制舵机摄像头。这个应用的简单思路就是先通过pcDuino的AD口读取模拟信号，再软件模拟脉冲信号，驱动舵机运动。所以我需要先写出舵机摄像头的驱动程序代码，在pcDuino上编译运行成功后，这样才可以实现软件模拟脉冲信号，驱动舵机的运动。这里是pcDuino连接实物后的操作效果pcDuino上控制视频监控机器人：