AI 赋能光学测距传感器，精度更高
Leuze 采用现代人工智能 (AI) 方法，显著提升了光学测距传感器的测量精度。该创新技术可在传感器运行期间无需额外计算资源的情况下，将测量不确定性降低一半。所有的计算工作均在生产阶段完成。所开发的这套方法论为新一代精密光学测距传感器的诞生奠定了基础。
距离测量的挑战：物体表面的影响
光学测距传感器可通过飞行时间 (TOF) 技术，发射光并测量反射光返回所需的时间，从而测定物体距离。
TOF 测距传感器通过发射光并记录反射信号的返回时间来测量距离。
该过程通过发射短光脉冲，并接收从物体反射回来的信号来实现。距离是通过计算光脉冲的传播时间，即从发射到检测到返回信号的时间）得出。物体表面的反射率会影响电子接收信号的振幅和波形。这会导致信号检测时间的变化和脉冲宽度的不同。浅色表面会产生更强、脉宽更宽且更早被检测到的信号，而深色表面则会导致信号更弱、脉宽更窄且检测时间更晚。
也就是说，返回信号的强弱会根据物体表面的明暗等情况而变化。这可能导致测量误差。
反射光信号的强度因物体表面的亮度而异
先前的解决方案：计算模型
直至近期，此类误差的纠正一直采用经典的数学模型：模型会针对许多不同的表面和距离计算出一个校正值，然后在后续测量中自动应用。该模型基于“多项式函数”。
新的解决方案：由 AI 执行校正
Leuze 现采用神经网络（一种人工智能形式）取代了固定的公式。它利用样本数据学习亮度和表面纹理对测量的影响，从而能够更精确地校正测量值。
采用神经网络校正后与目标距离的偏差
采用 5 阶多项式校正后与目标距离的偏差。阶段
神经网络的优势
- 可灵活适应不同的传感器类型和表面
- 即使是面对剧烈波动的 3D 曲线特性，也能从真实数据中获得更好的学习效果
- 提供更为精确的结果
背景技术 – 简要说明
在生产过程中，会针对明亮、深色和不同纹理的表面以及不同的距离采集大量的测量值。这些测量值被传送至生产设备的控制系统。生产设备中的神经网络据此计算出传感器所需的校正值。传感器在后续运行期间无需额外的计算能力——因为 AI 已经“学习”了全部内容。
结果： 更少误差，更高可靠性
测试表明，通过基于 AI 的校准，新方法可将系统性测量误差（即测量结果对表面和距离的依赖性）降低一半以上。这意味着即使在复杂表面上，传感器的测量也更为可靠。
测距传感器在内部物流中的应用：为确保托盘之间具备规定距离，必须精确确定穿梭车和存入托盘之间的距离，而不受限于表面、颜色或角度。
需要精确测量的应用：提取托盘时，必须精准确定托盘与载货台端面的距离，以便及时停止向前运动。
优势概览
- 测量误差更少 – 结果更可靠
- 运行期间无额外计算负载
- 可灵活用于不同材料
- 面向未来 – 采用现代 AI 技术
总结
Leuze 通过运用人工智能，将光学测距传感器的精度提升至全新高度。客户将受益于更稳健、更精确的测量，且在运行期间无需任何额外操作。智能校准与高效使用的结合使该解决方案成为严苛工业应用的理想之选。
