未來10年傳感器的4大趨勢：什么前景？
更新時間：2025-03-01 點擊次數：407次
傳感器的4大發展方向
自2000年起，MEMS智能傳感器開始進入人們的視野，大家對于傳感器形態上的變化有了性的認知。傳感器的尺寸及性能伴隨微機電技術的發展有了質的飛躍。
隨后在汽車及消費電子市場上大放異彩，形成了的傳感器及第二次發展浪潮。如今，第三次浪潮萬物聯網已經到來，它與傳感器之間的關系無需再多贅述，而汽車行業及消費電子領域對于傳感器發展的推動作用猶在。
因此，細心觀察這些行業中產品的發展軌跡，我們能夠看到：傳感器的發展遵循四個方向。
微型化是未來傳感器發展的必然趨勢之一。傳感器本質屬于半導體，遵循摩爾定律，在這之上，伴隨超越摩爾的多樣化發展路線。從生產及加工的角度上看，傳感器尺寸決定了原材料的使用率，傳感器微型化代表了生產成本的下降；從性能上看，微型傳感器的能耗得到大幅降低；從產品角度看，傳感器的縮小可以釋放更多空間，間接提升產品最終的用戶體驗。根據Yole Développement 的研究，MEMS 典型器件中，加速度計的封裝管腳從 2009 年的 3×5 mm2 縮小至 2018 年的 1.6×1.6 mm2，面積僅相當于之前的17%，而成本則是過去的十分之一。 傳感器柔性化的目的主要有三種：便攜、仿生、融合。便攜性主要基于柔性電子方向的發展。目的是改變電子器件剛性結構，使得產品設計上能夠有所突破，在外形上可以折疊卷曲，更加便于攜帶、使用。仿生方向是通過柔性傳感器來模擬人體皮膚，為機器人的感知進行賦能。生物融合則是針對人體來開展的傳感器研究。柔性材料可以更加貼合人體器官，在不被人體察覺的狀態下，對身體生物變量進行監測。目前大家能夠接觸到的傳感器柔性化例子除了各種“智能鞋墊、枕頭、床墊"之外，就數折疊屏手機代表性了。未來手機可能會越來越“軟"，像紙一樣折起來放在口袋，或者像隱形眼鏡一樣，戴在眼中。電源及電線的存在對于傳感器的應用環境限制很大。許多工業及醫療場景中復雜的機械及人體結構無法滿足傳感器電源及線路的排布。主流思想主要是解決無源這個問題。畢竟無源問題解決了，無線通訊只需要搭載WiFi或者藍牙模塊就行了（前提是電量能支持）。另外利用生物電、摩擦電等方式收集能量供于傳感器的發展線路也已存在，只是均停留在實驗室階段。傳感器融合在產業中的主要表現為：按照數據采集方式及傳感器技術結構，將同類別的傳感器進行硬件集成，并通過特定算法進行數據校正及優化，降低串擾。不同傳感器之間協同工作，性能互補，為用戶提供更豐富功能，賦予消費電子行業更大商業價值。可穿戴設備是消費電子市場中迭代非常明顯的一類產品。從外觀到功能的進化就可以清晰的看到傳感器融合的軌跡。不同種類的傳感器逐步增加、融合、協同工作使得電子設備的功能更豐富，更符合消費者需求。另一個明顯案例就是汽車電子中的視覺雷達融合。目前，大多數路面上行駛車輛內的ADAS功能都是獨立工作的，這意味著相應傳感器彼此之間幾乎不交換信息。然而，面對復雜環境僅僅依靠單一傳感器是不夠的。我們需要將不同種類的傳感信息融合在一起，來彌補各傳感器自身的缺點及不足。雷達視覺融合就是個傳感融合的典型例子。可見光譜范圍內工作的攝像頭在濃霧、下雨、強光或弱光情況下會失真。而雷達缺少成像傳感器所具有的高分辨率。兩者的結合則可在復雜環境下輸出更可靠的數據。投資機會的把握主要基于效率提升及未來市場空間這兩大方面來判斷。傳感器主要的作用在于信息的采集。傳感器的發展就是一個不斷提升信息采集效率的過程。因此，傳感器發展的每一次變革，必須是產出大于投入+耗損，才是有效的。而無法做到這點的創新和突破只能成為概念，投了就成了先烈。而未來市場的空間大小，也和效率的提升與否息息相關。新變革帶來效率的提升會降低成本提高產品的性價比，進而獲得更大的市場認同度，市場擴大帶動產能產生規模經濟效應進一步降低成本，進入良性循環。因此，我們圍繞這兩個核心思路去分析上文所提到的四個發展趨勢，來大膽判斷它們當中所蘊含的機會與風險。最直觀提升效率的發展趨勢就是傳感器微型化。提升原材料利用率及能源利用率將直接體現于產品的生產成本及能耗下降。傳感器的微型化，主要基于半導體工藝的發展。其中包含了芯片及電路設計、材料加工、制造、封裝測試等環節。對于創投機構而言，投資致力于將傳感器尺寸縮小并降低其成本及能耗的企業（同時保證其性能的穩定），大方向上是一定正確的。當然，其中的難度及門檻不言而喻。風險自然就是資本投入極大，且針對的傳感器種類未來存在不確定性。深度摩爾能走多遠，特征尺寸降無可降，量子隧穿產生漏電，最終只能另辟蹊徑的事情會不會攜帶這資本重來一次，一切都有可能。這是一個前景廣闊的投資方向，但現在卻未必是一個合適的投資時點。首先，柔性化的諸多技術如電子皮膚、表皮電子、腦機接口等還存在于實驗室階段，到商業轉化還需要很長一段時間。其次，傳感器柔性化短期內并不會顯著提升效率。現有技術在追求柔性化的道路上或多或少會犧牲成本控制、耐久度及性能等。雖然現在的折疊手機讓大家看到了手機形態的下一步方向，但其高昂的價格、耐久度及維修成本等問題造成了折疊手機還是炫富炫技的存在，而非生活必需品。同時，人們對于柔性化的認知程度與心理預期還不成熟。剛性結構=耐用，柔性結構=華而不實或者脆弱易壞，這類的思維還是占主導地位的。這同樣會給傳感器柔性化的道路帶來一定的阻力。耦合效率，或者說是能量轉遞效率是無源無線化發展道路上的難題。RFID技術是傳感器無源無線的成熟方案之一。通過電磁感應或反向散射的耦合方式將信號及能量遠程傳輸于傳感器與閱讀器之間。然而缺點也很明顯：能量傳輸效率過低；工作距離過遠會逸散嚴重；無法支持大功率傳感器工作；功率高了會有輻射。其他技術方案如：磁諧振供電、磁共振供電、反向散射供電等等，從能源利用率的角度上看，同樣存在效率不高的問題。當能源成本大幅下降，不考慮逸散的損耗時，無源無線方向的投資機會將真正成熟。傳感融合的概念很早就被提出，但它真正的發展趨勢是近期才開始的。我們首先要區分傳感融合（Sensor Fusion）與傳感器集成（Multisensor Integration）這兩個概念。· 傳感融合：對多個傳感器產生的原始數據進行整理、優化、融合并產生更全面的信息數據，進而傳輸給CPU進行決策。融合主體是數據。· 傳感器集成：多個傳感器硬件集成在設備中，各自獨立工作并將原始數據直接傳輸給處理器進行決策。融合主體是硬件。上文所講的兩個例子：計步器到智能手環以及汽車ADAS的發展就很好的展現了傳感器集成以及傳感融合在實際產品中的表現形式。從行業發展的角度可以說：市場需求推動了傳感器集成，而傳感器集成又推動了傳感融合的發展。回過頭來，傳感融合也為傳感器的進一步集成提供了軟硬件上的支撐。事實上，傳感器融合在硬件層面并不難實現，重點和難點都在算法上，具有較高的技術壁壘。傳感器的協同工作需要算法和算力支撐，而在之前，人們對于算法及人工智能方面的投入并不多。這種情況下，傳感器只能單獨工作，應用場景及信息采集的效率都受到很大限制。當算力提升后，傳感融合得到了硬件支撐，迎來了高速增長期。伴隨傳感器融合的優勢在數據采集效率上的逐步顯現，傳感器集成度將進一步上升，與傳感融合齊步發展，并推動整個行業的進步。傳感器融合系統需求預計將在未來5年內以約19.4%的復合年增長率增長，市場規模預計將從2017年的26.2億美元增長到2023年的75.8億美元。微型化的方向是成熟的投資時點，但早期投資機會不多。柔性化及無源無線化投資時點過早，還需等待。傳感融合方向處于產業的高速增長期，值得重點關注。傳感融合依舊是個很寬泛的大方向，僅僅一個方向不足以支撐我們對于該命題的投資策略。用它來回答“藍焱資本投什么"顯然是不夠的。因此，我們要更具體的去分析傳感融合這個領域成熟的機會與潛在的可能。傳感融合是個很典型的行業發展倒逼出的新概念。尤其是自動駕駛行業，傳感融合已經成為該行業的發展共識。但怎么做，諸多大廠還在不斷摸索。就拿汽車行業說事，目標融合的程度已經無法跟上自動駕駛發展的要求，隨著ASIC、FPGA等芯片算力的提升，SOC集成的MEMS傳感器逐漸成為自動駕駛汽車的主流配件，“原始數據融合"的可行性及重要性將逐漸顯現。不過目前，大部分傳感器融合應用的還是目標數據，而不是原始數據。而在傳統量產車型上，攝像頭和雷達甚至沒有達到目標數據的融合程度。目前，行業內主要的多傳感數據處理架構主要包括以下三種：1、分布式：將各獨立傳感器獲取的原始數據進行局部處理，然后將處理結果發送到數據融合中心進行智能優化組合，得到最終結果。優點是：對通信帶寬的分布式需求低，計算速度快，可靠性和連續性好。缺點是：跟蹤精度不夠。2、集中式：將采集到的原始數據直接傳輸到處理器進行融合處理，可以實現實時集成。優點：數據處理精度高，算法靈活，缺點：對處理器要求高，可靠性低，數據量大，難以實現。3、混合式：混合多傳感器信息融合框架（分布式+集中式），部分傳感器采用集中式融合，其余傳感器采用分布式融合。優點：混合融合框架具有較強的適應性，兼顧了集中式融合和分布式融合的優點，穩定性強。缺點：混合融合結構比前兩種融合方案更為復雜，增加了通信和計算成本。傳感融合的過程中，整個系統需要處理多參量的數據，甚至相互矛盾的信息。如何保證融合系統快速處理數據，過濾噪點和干擾，確保融合后的信息不會失真，誤報或堵塞處理器導致死機，是該行業發展的重要難點。講到這里，或許你會一頭霧水，到底什么是目標數據融合，什么是原始數據融合？為什么原始數據融合就厲害了？我還是用自動駕駛來舉個例子說明一下：自動駕駛需要用到多種傳感器，比如攝像頭、毫米波雷達、激光雷達以及超聲波雷達。不同傳感器的工作原理不同所以它們產生的數據類型也不一樣。如果車輛在自動駕駛過程中發現前面飄來一個塑料袋，攝像頭可能會識別出它是個塑料袋或者白色的皮球，甚至是白色的飛鳥（如果光線不好），而毫米波雷達很可能會認為它是個石頭或者相同尺寸的障礙物。這時候不同傳感器發出了截然相反的指令，攝像頭建議減速而雷達建議緊急制動。兩個互相沖突的指令必須引入第三個傳感器介入打破平衡，或根據系統預設優先級直接判定緊急制動。但無論哪一種方案，都不是自動駕駛的解決方案。因為復雜的邏輯判定流程會造成延遲以及算力的浪費，甚至不必要的執行動作，而這還僅僅是一個塑料袋。如果兩個塑料袋飄過來，就是兩倍的工作量。而原始數據融合則是所有傳感器直接描繪完整環境，事實運算并對每個像素進行動態信息標注。根據塑料袋的動態方式計算出它的重量，直接得到它是塑料袋這個答案，并配合做出相應駕駛動作。原始數據融合能夠在使用更少能源（和計算）的情況下，以更高的分辨率探測環境。當來自不同傳感器的所有原始數據在處理之前被混合在一起時，深度神經網絡(DNN)可以創建一個更完整的環境圖像。這里說一下行業中比較有代表性的公司方便大家理解傳感融合公司的產品模式和服務對象。以色列的初創公司VAYAVISION就是一家提供自動駕駛車輛原始數據融合和感知軟件解決方案的供應商，2018年10月這家公司拿到了800萬美元的融資（投資方包括三菱HFJ金融、LG電子等），該公司2019年5月于EcoMotion智能交通峰會上展示了其的自動駕駛環境感知軟件VAYADrive 2.0。該軟件對距離傳感器進行稀疏采樣，并將距離信息分配給高分辨率相機圖像中的每個像素。這使得自動駕駛汽車能夠接收到關于物體大小和形狀的關鍵信息，能夠將道路上的每一個小障礙物分開，并準確地定義道路上的車輛、人和其他物體的形狀。VAYADrive2.0架構為汽車廠商提供了一個可行的選擇，以替代市場上常見的‘目標級對象融合’模型的不足。這對提高檢測精度、降低從L1-L3升級過程中的高誤報率至關重要。類似企業在有許多，國內也有很優秀的初創公司在各自的細分領域深耕著。例如傲酷雷達（Oculii）通過融合水平俯仰雷達及點速度原始數據，在創了車載4D（X,Y,Z和速度）高清點云成像毫米波雷達，用類似激光點云的成像方式，對距離300米內的移動和靜止目標高清成像，媲美低線數激光雷達。不過，點云的增多勢必也造成算力負擔的加大。在電腦主機下跑數據進行融合，和實際車中進行運算還是有區別的。從實驗室轉入商業應用面對消費者，不僅存在硬件上的諸多挑戰，還有行業生態是否成熟，是否能夠兼容配套等相關問題。其他公司由于字數原因，就不在這里過多列舉。除了自動駕駛外，還有哪些場景需要傳感融合的引入呢？它們的存在背后是否存在著全新的市場等待創新企業去挖掘？在回答這個問題時，我們首先需要判斷，傳感融合的加入，能否對整體行業效率進行提升。上文我們總結了，傳感融合主要提升的是信息采集和信息處理效率。那么這個場景就必須是圍繞或者側重信息數據的（先不去管目標信息和原始信息那么高深的程度）。通過兩個維度來做分析：特定產業中設備的傳感器數量及數據精確度。我們發現有的場景對傳感融合的需求非常迫切，有些則只是錦上添花。列舉幾個高速發展的熱點產業，根據它們的產品特性在上圖中進行排列。通過排列分析可以發現：復雜環境下，如動態或開放場景中工作的設備需要安裝更多的傳感器，來滿足外界信息采集的多樣性及全面性；執行復雜任務的設備，如高精度任務或需自主進行行為判斷的工作，對于數據的精確性要求很高。所以，除了自動駕駛外，無人機以及服務機器人對于傳感融合的需求會同樣強烈，甚至隨著細分場景中各自工作的復雜度及自動化程度提升，這一需求會更加突出。（環境感知的融合運算不僅可以用于自動駕駛）如果從行業的成熟度去判斷，我們可以把行業的發展按照時間來分成三個階段。階段是行業的萌芽期。產品受限于當前技術或研發初衷只是為了解決具體需求。這個階段企業在軟硬件的投入都不會多，整個行業都在摸索突破口和想象空間。第二階段是高速發展期。平臺和生態已經搭建完成，民眾對于這個行業的認知程度非常高。行業逐步形成龍頭態勢，產品通過競爭不斷打磨外觀及成本。這個時候算法占到主導地位，傳感器受到空間設計或成本等因素依舊保持舊有形態，甚至在算法的上進行縮減。第三階段則是行業轉型升級，配合需求驅動，產生性的產品或服務迭代。傳統汽車向自動駕駛過渡就屬于第二階段邁向第三階段的典型例子。而服務型機器人和無人機還在不斷尋找自身的突破。科技產業的進步，都是基于現有技術的發展，而現有技術的優劣勢，就決定了產業未來的發展方向和前景。在當天傳感器技術的缺點下，微型化、無源無線化、柔性化、傳感融合等趨勢，是毋庸置疑的，但在實現這些技術的過程中，不同技術方案中存在著非常明顯的差異。
本文來自藍炎資本
