P+F洗车机传感器本月度的新品方面，SICK发布新品安全激光扫描仪microScan3 Pro I/O；图尔克推出带IO-Link的抗冲击直线位移传感器；ABB 发布AC500 PLC新品 AC500-eCo V3；施耐德电气发布全新一代TeSys Deca系列电动机控制与保护产品；致力IDC碳中和，台达携手百度推出平湖直流锂电系统；汇川技术推出高速SCARA机器人。
（P+F 超声波传感器 UC4000-30GM-IU-V1-HA）
参数化接口，用于通过服务程序 ULTRA 3000 根据具体应用调整传感器设置,模拟电流和电压输出,可调声功率和灵敏度,温度补偿,已通过 UL 认证，可用于 Class I/Div 2 环境
感应范围 : 200 ... 4000 mm 调整范围 : 240 ... 4000 mm 死区 : 0 ... 200 mm 标准目标板 : 100 mm x 100 mm 换能器频率 : 大约 85 kHz 响应延迟 : 最短 145 ms
440 ms，出厂设置 绿色 LED : 常亮：通电
闪烁：待机模式或程序功能检测到物体 黄色 LED 1 : 常亮：物体在评估范围内
闪烁：程序功能 黄色 LED 2 : 常亮：在检测范围内有物体时
闪烁：程序功能 红色 LED : 常亮：温度/编程插头未连接
闪烁：发生故障或编程功能没有检测到物体 温度/示教连接器 : 温度补偿 ， 评估范围编程 ， 输出功能设置 工作电压 : 10 ... 30 V DC ，纹波 10 %SS 功耗 : ≤ 900 mW 接口类型 : RS 232， 9600 Bit/s ， 无奇偶校验，8 个数据位，1 个停止位 同步频率 : 输出类型 : 1 路电流输出 4 ...20 mA
1 路电压输出 0 ...10 V 分辨率 : 评估范围 [mm]/4000，但是 ≥ 0,35 mm 特性曲线的偏差 : ≤ 0,2 % 满量程值 重复精度 : ≤ 0,1 % 满量程值 负载阻抗 : 电流输出： ≤ 500 Ohm
电压输出： ≥ 1000 Ohm 温度影响 : ≤ 2 满量程值的 %（带温度补偿）
≤ 0.2%/K（无温度补偿） 符合标准 : 标准 : EN 60947-5-2 UL 认证 : CSA 认证 : CCC 认证 : 额定电压 ≤ 36 V 时，产品不需要 CCC 认证/标记 环境温度 : -25 ... 70 °C (-13 ... 158 °F) 存储温度 : -40 ... 85 °C (-40 ... 185 °F) 连接类型 : 缆线连接器 ， M12 x 1 ， 5 针 ， 4 线 外壳直径 : 35 mm 防护等级 : IP65 材料 : 注意 : 单个组件：UC-4000-30GM-IUR2-V15；V1-G-2M-PVC；ADAPT-ALUM*-M30X1/2 NPT/HB****
枣庄洗车机传感器其中，最为亮眼的莫过于AI按摩机器人了。AI按摩机器人是奥佳华的旗舰级产品，它的按摩手法源自众多国医推拿名家，是大师按摩手法的数字化转换，配合新一代4D无刷变频温感机芯，并在业界率先采用NIDEC无刷电机，搭载四核处理器，协同毫米级精度传感器，让按摩动作更加流畅细腻，刚柔并济之间，足不出户就可领略大师级推拿功力。
原厂洗车机传感器褚君浩院士讲述道：“智能时代的技术态势主要在五个方面：智能化分布式新能源系统;智能化复杂体系、物联网、智慧城市;机器人、传感器、人工智能;智能化制造技术、新材料;智能诊断修复技术。这五大方面已成为当下潮流所在，也成为我们科研人员潜心钻研的方向所在。”
P+F洗车机传感器创想智控：激光视觉传感器焊缝跟踪应用技术机器人的效率和质量最终都要体现在系统的集成应用。在工业4.0时代，系统的集成应用愈加重要，除了质量过硬的机器人本体研发外，还需要软件、传感器、工艺开发与应用等方面的开发配合。
枣庄洗车机传感器早期的航空技术解决的是无人机能够飞行的问题，而20世纪80年代以来现代技术的发展为无人机更高的飞行性能、更好的可靠性提供了条件，其中：1）智能化：自主飞控技术、急剧攀升的计算机处理能力推动无人机向智能化发展，真正成为“会思考”的空中机器人；2）高速带宽：高速宽带网数据链实现无人机组网和互相连通，无人机编组、空地装备联合成为可能；3）更轻的材料和传感器：材料科学和微机电技术进一步减轻无人机平台重量、提高精确度；4）更强的续航能力：电池续航能力的大幅上升，以及新能源技术赋予无人机更长的飞行时间。
原厂洗车机传感器根据公司招股书引用的贝壳上市招股书数据，2019年贝壳的VR看房吸引了约4.2亿次线上观看，截至2020年6月30日的前三个月中，每天平均可促成约159,000个VR家庭展示。3D视觉传感器可有效提升服务机器人的智能化水平。
多智能体协同高精地图构建关键技术研究陈龙1, 刘坤华1, 周宝定2,3, 李清泉4,51. 中山大学计算机学院, 广东 广州 510006;2. 深圳大学土木与交通工程学院, 广东 深圳 518060;3. 深圳大学城市智慧交通与安全运维研究院, 广东 深圳 518060;4. 深圳大学广东省城市空间信息工程重点实验室, 广东 深圳 518060;5. 自然资源部大湾区地理环境监测重点实验室, 广东 深圳 518060基金项目：国家重点研发计划（2018YFB1305002）；广东省自然科学杰出青年基金（2021B1515020020）；国家自然科学基金（62006256；42171427）；广州市重点研发项目（202007050002）摘要：自动驾驶车辆的自动化驾驶程度越高，对高精地图的要求越高。智能化的高精地图能够为L5级别自动驾驶车辆提供所需地图数据，是未来高精地图发展的重要方向。基于目前高精地图的构建方法，本文首先提出多智能体协同高精地图构建的定义，分析其构建框架。然后，对多智能体数据采集路径规划、多源异构一体化数据融合与表达、道路场景认知、智能高精地图融合、智能高精地图更新等关键技术进行了研究，提出了可行的技术方案。最后，分析了其未来构建过程中存在的挑战。关键词：高精地图 路径规划 道路场景理解 多源异构数据处理 引文格式：陈龙, 刘坤华, 周宝定, 等. 多智能体协同高精地图构建关键技术研究[J]. 测绘学报，2021，50(11)：1447-1456. DOI: 10.11947/j.AGCS.2021.20210259CHEN Long, LIU Kunhua, ZHOU Baoding, et al. Key technologies of multi-agent collaborative high definition map construction[J]. Acta Geodaetica et Cartographica Sinica, 2021, 50(11): 1447-1456. DOI: 10.11947/j.AGCS.2021.20210259 阅读全文：http://xb.sinomaps.com/article/2021/1001-1595/2021-11-1447.htm引 言高精地图专为自动驾驶设计，是自动驾驶核心技术之一。它又被称为高分辨率地图，具有高精度的道路场景(车道线、交通标志、路沿等)、定位等信息，可以辅助自动驾驶过程中的感知、定位、路径规划、决策与控制，提高驾驶过程中的安全性。近年来，针对高精地图的研究可以分为以下3个研究方向：高精地图格式[1-2]、高精地图数据结构和高精地图制作方法。由于本文主要讨论高精地图的数据结构和制作方法，因此，对高精地图格式不做详细介绍。从高精地图数据逻辑方面分析，文献[3]对高精地图的静态图层数据逻辑结构进行了分析，认为高精地图应该包括：道路层、车道网络层、车道线层与交通标志层。文献[4]提出了路径导航车道级地图体系结构。由于静态地图不能保证行驶的安全，文献[5]提出局部动态地图的概念，首次将动态物的感知纳入地图范畴。文献[6]提出不同驾驶级别的自动驾驶汽车需要依赖不同级别的高精地图；自动驾驶级别越高，对高精度地图的要求越高；指出L5级别自动驾驶汽车的需求为智能化的高精地图，即动态高精地图+分析数据的能力。从高精地图制作方法分析，目前的高精地图制作均面向L3或L4级别的自动驾驶，未对L5级别的自动驾驶地图进行研究。面向L3或L4级别自动驾驶高精地图的构建可以分为数据采集、制图与地图更新3个步骤。其中，数据采集方案[7]均为通过搭配多种传感器的自动驾驶车辆或全景移动测量系统进行数据采集。但是无论自动驾驶数据采集车辆还是全景移动测量系统，成本均太过昂贵，不能实现大规模的数据采集，影响高精地图的制图和地图更新；同时，目前制图算法多基于深度学习来实现图像理解、定位等，该类算法存在数据需求量大、可解释性差等问题。本文以智能化的高精地图为研究对象，提出多智能体协同高精地图构建定义与框架，并对其关键技术、构建过程中存在的挑战进行了分析，该框架的核心思想包括以下两点。(1) 将数据采集平台由自动驾驶车辆或全景移动测量系统扩展为机器人、自动驾驶车辆、无人机等多种类型的智能体。通过搭配相同或者不同类型传感器的、不同类型的多个智能体协同采集数据，既降低了采集设备的成本，又保证了数据采集速度。(2) 为保证高精地图的智能性、精度和地图更新速度，提出多智能协同高精地图的制作和更新框架。本文的主要内容包括：①提出了多智能体协同高精地图构建定义和框架；②分析了多智能体协同高精地图构建过程中的关键技术；③研究了其构建过程中存在的挑战。1 多智能体协同高精地图构建定义及框架多智能体协同高精地图构建指采用多个搭建相同或不同传感器(摄像机、激光雷达、GNSS、IMU等)、不同类型的智能体(自动驾驶车辆、机器人、无人机等)协同采集数据，并对数据进行处理，实现智能高精地图制作和更新的过程。依据多智能体协同高精地图构建定义，其具体构建框架如图 1所示。图 1 多智能体协同高精地图构建Fig. 1 Multi-agent collaborative high definition map construction图选项 (1) 多智能体数据采集：通过对多智能体进行路径规划，使其协同进行数据采集的过程。其中，如何令多智能体协同工作、规划多智能体数据采集路径，实现高效、高质量采集某区域的数据是该部分的重点和难点。(2) 数据一体化表达：由于不同的传感器具有不同的数据表达形式(数据内容、格式、特性、精度等)，为方便智能高精地图的制作，需要对多源异构数据进行一体化表达，得到三维地图。(3) 场景认知：智能化的高精地图具有理解静态物、半静态物、半动态物和动态物的能力，还具有解释数据(认知)的能力。而目前基于深度学习的场景感知方法要求大量训练数据，且模型泛化能力差、不具有可解释性。因此，智能化的高精地图构建需要发展对数据量要求小、模型泛化能力强、具有可解释性的场景认知方法。(4) 轨迹规划：轨迹规划用于表达虚拟道路和道路间的逻辑关系，并对自动驾驶车辆在各车道的可行驶轨迹进行规划，为自动驾驶车辆行驶过程中的导航提供强约束。(5) 地图融合：基于认知数据和轨迹数据将不同空间、时间、层次的数据高精度地融合成为一个完整的高精地图。(6) 矢量化表达：将形成的智能高精地图从俯视图角度进行矢量化表达，形成矢量地图，提供给自动驾驶车辆使用。(7) 地图更新：自动驾驶程度越高，对高精度地图的准确度要求越高。而由于现实生活中频繁的道路建设和维修，使地图不能保持现势性，进而不能为自动驾驶车辆提供准确信息。因此，智能化的高精地图需要具有较好的更新能力。2 多智能体协同高精地图构建关键技术2.1 多智能体数据采集路径规划多智能体数据采集路径规划，即多个单智能体信息交互，在共同完成某个区域数据采集的过程中，每个智能体的路径规划；其本质为多智能体路径规划。针对多智能体路径规划问题，传统的方法一般采用遗传算法[8]和蚁群算法[9]求解。然而，随着问题规模的增大、计算复杂度增加，传统方法不能高效地规划多智能体路径。近年来，随着深度学习的发展，涌现出众多基于深度强化学习的路径规划方法[10]，提高了规划的效率[11-12]。但是，现有的算法在进行多智能体路径规划时，通常将问题抽象为多旅行商问题[13-14]，多旅行商问题不考虑场景的复杂性与动态性。而在多智能体数据采集时，场景的复杂性与动态性是影响数据采集效率和通信效率的重要因素之一，不可以被忽略。为解决此问题，本文建立适用于多智能体协同建图的路径规划模型。集中学习和分散执行是一种多智能体协同策略。集中学习指通过应用集中的方法训练一组智能体，从而减轻智能体间通信负担。分散执行指智能体可以在其局部观测优势的基础上分散执行[15]，这种体系在通信受限的情况对于保持多智能体间的信息高效交互意义重大[16]。文献[17]基于集中学习分散执行框架，提出了一种集中式专家监督多智能体强化学习算法，该算法采用DAgger算法获得单智能体分散执行策略，可以在较低的样本复杂度下训练分散执行多智能体策略。文献[18]将集中和分散的思想应用到主从多智能体架构中，主智能体处理来自从智能体的信息；从智能体接受主智能体消息，并结合自身信息来执行动作，显著降低了多智能体系统的通信负担。实际上，集中学习分散执行策略已成为多智能体系统协同的标准框架[19]。为了实现多智能体间信息交互与协同路径规划，本文提出采用“集中学习和分散执行”结合“多智能体强化学习”的多智能体协同路径规划模型，如图 2所示，以集中式深度学习模型学习多智能体全局路径规划，以分散式执行实现多智能体间高效信息交互，充分利用二者在信息处理与信息交互方面的优势。即：首先，基于深度强化学习算法分析单一智能体的观测和行为，学习建图环境状态更新信息；其次，通过深度神经网络，集中学习智能体之间的沟通和协同方法；最后，基于网络结构，实现智能体之间的交互及协同规划，从而完成基于集中学习分散处理的多智能体路径规划方案。图 2 集中学习分散执行路径规划模型Fig. 2 Path planning model with centralized learning and decentralized execution图选项 具体来讲，各智能体向集中式学习模型发送建图环境状态更新信息，如场景随时间动态变化、与预测复杂度差异较大等；集中式学习模型将全部更新信息集中表达为图神经网络的形式，并基于该网络同步更新全局实时地图特征。更新后的全局特征发送至所有智能体，为多智能体路径规划提供一个新的全局视野。多智能体接收来自集中学习模型提取的全局地图特征，结合局部观测信息进行分布式规划得到新的执行策略。
此外，3D视觉感知的应用也能快速实现弯管三维外形的智能化高效在线测量检测，大幅提高生产制造效率、大幅降低人力和检具成本，最终基于云端数据的分析可以实现数据追溯、智能化的工艺优化。搭载 3D 视觉传感器后，工业机器人的功能和效率将得到大幅完善和提升。
世界传感器大会围绕MEMS与智能传感器技术、传感器材料先进技术、健康医疗与传感技术、分析检测与传感技术、智慧社会与传感技术、物联网与传感技术发展应用、流程工业与传感技术、先进传感系统与智能机器人、智慧农业与传感技术、机器视觉与传感技术等传感器热门话题，组织了10场专题分论坛。
自2008年留学回国后，李润伟带领团队筹建了浙江省第一个中国科学院重点实验室——中国科学院磁性材料与器件重点实验室，并成立了柔性/弹性磁电功能材料与器件研究室，重点围绕柔性磁电功能材料制备与物性研究、柔性/弹性磁电敏感材料与传感器技术，以及柔性阻变存储材料与器件展开研究工作，取得一系列开创性研究成果。团队研究成果分别荣获宁波市科学技术奖一等奖、中国电子学会科学技术二等奖并入选中国机器人行业十大科技进展，并有10项核心技术实现转移转化。此外，李润伟还积极构建磁性材料领域产、学、研深度融合体系平台，牵头建设了浙江省磁性材料与应用技术制造业创新中心以及宁波市磁性材料产业创新服务综合体，发起成立了磁产业技术创新联盟，与科技部科技人才中心联合建立了科技领军人才创新驱动中心，有力促进磁性材料领域基础研究、应用研究、成果转化有机衔接，提升磁性材料制造业创新能力升级。
