P+F接近开关该平台通过丰富的传感器、网络与控制设备，全面采集能源系统各要素数据，利用自身的大数据与AI能力，整合新能源设备、建筑环境、地理气象等多领域专业算法，全面分析系统产生的庞大数据，结合天气、温度、流量、热量、压力、管网热损失、建筑负荷特性、用户用能习惯等因素，实时形成多种优化控制策略，实现横向“水、电、热、冷、环境、天气、建筑特性、用能习惯”等多维智慧统筹，纵向“源-网-荷-储-用”智能联动，让能源系统在保障舒适安全的前提下，运行效率最高、节能降耗30%。

（P+F 电感式传感器 NBN12-18GM50-E0-V1-M1）

12 mm，非齐平,更远的工作距离,温度范围扩大
-40 ... +85 °C,密封性增强，防护等级
IP68 / IP69K,E1 型式批准

开关功能 : 常开 (NO)
输出类型 : NPN
额定工作距离 : 12 mm
安装 : 非齐平
输出极性 : DC
确保操作距离 : 0 ... 9,72 mm
驱动器件 : 软钢，如 1.0037、SR235JR（之前为 St37-2）
36 mm x 36 mm x 1 mm
衰减系数 rAl : 0,5
衰减系数 rCu : 0,45
衰减系数 r304 : 0,7
衰减系数 rBrass : 0,5
输出类型 : 3 线
工作电压 : 7 ... 30 V
开关频率 : 0 ... 1200 Hz
迟滞 : 典型值为 5%
反极性保护 : 反极性保护
短路保护 : 脉冲式
电压降 : ≤ 2 V
工作电流 : 0 ... 200 mA
断态电流 : 0 ... 0,5 mA 类型 4 µA 在 25 °C 时
空载电流 : ≤ 10 mA
可用前的时间延迟 : ≤ 100 ms
开关状态指示灯 : 黄色 LED
MTTFd : 1484 a
任务时间 (TM) : 20 a
诊断覆盖率 (DC) : 0 %
符合标准 :
UL 认证 : cULus 认证，一般用途，2 类电源
CCC 认证 : 额定电压 ≤ 36 V 时，产品不需要 CCC 认证/标记
E1 型式批准 : 10R-04
环境温度 : -40 ... 85 °C (-40 ... 185 °F)
存储温度 : -40 ... 85 °C (-40 ... 185 °F)
连接类型 : 连接器插头 M12 x 1 ， 3 针
外壳材料 : 黄铜，镀镍
感应面 : PBT
防护等级 : IP68 / IP69K
质量 : 40 g
供货范围 : 供货范围包含 2 颗自锁螺母

枣庄接近开关　　传感网一般都由大量的传感器节点组成，节点的数量可能达到成千上万，甚至更多。一方面，传感器节点分布在很大的地理区域内；另一方面，传感器节点部署很密集，在一个面积不是很大的空间内，密集部署了大量的传感器节点。

原装接近开关中科院东北地理所地理景观遥感研究团队充分考虑了这些因素，参照国际湿地公约的湿地定义，构建了适合于中国湿地特点的、面向中空间分辨率遥感影像的湿地分类系统，将中国湿地分为3个大类（内陆湿地、滨海湿地、人工湿地）14个二级类。并且通过覆盖全国范围的野外调查，并收集相关国家重大科研项目野外调查数据，构建了具备海量样点的湿地样本数据库。基于以上工作的基础上，研发了集成面向对象方法与多层次决策树的分类方法，并充分考虑了中国湿地类型分布的空间异质性设计了适用于不同地理区不同类型的遥感分类决策树，充分挖掘地面调查样本，实现了不同分类指标的阈值确定。并将该分类系统和方法应有于美国陆地资源卫星（Landsat）的最新传感器OLI影像数据，完成了2015年高精度中国国家尺度湿地分布信息提取（我们将此数据命名为CAS_Wetlands）。

P+F接近开关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。

枣庄接近开关从所涉及和应用的数据来看, 对地观测大数据具有鲜明的大数据“4V”特征. 对地观测不仅记录地球现状, 而且可以展现地球演变历史和预测未来发展, 数据体量十分巨大, 规模已达到EB级. 在数据类型上, 对地观测大数据包括文档、视频、图片和地理位置信息等, 涉及对地观测、科学模型、社会和经济等多种数据, 类型繁多. 对地观测大数据的数据来源多样, 不仅有大量的高分辨率遥感卫星数据, 基于有线或无线传感器的地基观测技术也迅速发展, 来自各种地基观测系统的数据量呈指数递增. 此外, 对地观测大数据处理系统具有对海量数据进行快速处理、实现数据到信息快速转化的能力, 能够为人类可持续发展面临的环境、灾害和生态等问题提供第一时间的信息服务支持[5,6].

原装接近开关为了获取精确信息，在监测区域通常部署大量传感器节点，可能达到成千上万，甚至更多。传感器网络的大规模性包括两方面的含义：一方面是传感器节点分布在很大的地理区域内，如在原始大森林采用传感器网络进行森林防火和环境监测，需要部署大量的传感器节点；另一方面，传感器节点部署很密集，在面积较小的空间内，密集部署了大量的传感器节点。

“传感器能让冷冰冰的设备产生‘智慧’，我们做的事是为万物赋灵。”任红军说，公司正围绕物联网产业，将感知传感器、智能终端、通信技术、地理信息和云计算、大数据等技术紧密结合，打造汉威云，建立完整的物联网产业链。

技术科研：从事粮食物流、加工工艺、检测及信息技术研究和产品开发、粮油高新技术成果转化。先后主持及参与了从“九五”至“十二五”多项国家重点科技支撑计划项目课题、子课题，农业成果转化资金项目、省部级科研课题，主持多项国家主管部门的软课题研究，开发定型了粮情测控系统、植物油罐区监控系统、储藏实验人工环境测控平台等，开发了国家粮食局粮食行政地理信息系统等多项GIS、办公OA 系统平台。研发的微波水分在线检测传感器等产品填补了国内自主产品行业空白。

在数据收集过程中，某些域空白现象是普遍存在的。不同传感器的设置和安装、不同的地理位置和不同的天气将导致完全不同的数据域。在大多数情况下, 在某一域内训练的3D目标检测器在其他域表现不佳。研究人员提出了许多技术来解决3D目标检测的域适配问题，例如利用源域和目标域的一致性，目标域的自训练等。然而，大多数方法只关注于解决一个特定的领域转移问题。设计一种能够普遍应用于3D目标检测中任何领域转移任务的域自适应方法将是一个有前途的研究方向。域自适应包括跨数据集的、跨天气的、跨传感器的、以及仿真到现实的域适应，具体参考下图及表。

LPWAN与传统标准相比具有许多优势。首先，由于它们以低得多的比特率传输信息，因此它们从设备消耗的功率更少。一次充电即可使传感器在LPWAN上存活数年。LPWAN还可以在广阔的地理区域内支持传感器，因为数据可以远距离传输。