昱感微“多维像素”融合感知为汽车OEM厂商解锁全新价值

昱感微的多传感器融合方案将业界最复杂、最不确定的“多模态后融合算法问题”，在硬件前端转化为一个稳定、可靠的“标准化数据读取”，从而为汽车OEM厂商解锁全新价值。

昱感微超级摄像头模组在前端（模组内部）实时完成摄像头/雷达/红外的多模态目标与环境感知的精准“时空对齐”处理，将各传感器对应物理模态的目标与环境感知信息“以图像像素为单位”精准组合，最终以“多维像素”的数据格式输出。每个“多维像素”的感知维度包含目标与环境感知的“亮度、颜色、距离、相对速度、对应材质、热辐射（温度）”信息。

也就是说，昱感微在传感器数据最“原始”的阶段（光电转换后），于模组内部通过专用芯片（ASIC）完成时钟同步、坐标统一和像素级绑定。这相当于在“视网膜”层面就完成了信息整合，而非在大脑（域控制器）里拼凑模糊的印象。“多维像素”是以像素为单位的统一数据结构，它创造了高维向量像素：Pixel(x, y) = [亮度, 颜色, 距离, 速度, 材质, 温度…]。这不仅是一个技术实现，更是一种范式转换，让所有后续算法可以在一个统一、稠密的数据场上工作。

昱感微的多传感器融合方案绝非简单的传感器堆叠，而是一种颠覆性的“感知重构”。它的核心价值可以概括为：将业界最复杂、最不确定的“多模态后融合算法问题”，在硬件前端转化为一个稳定、可靠的“标准化数据读取”，从而为汽车OEM厂商解锁全新价值。

核心价值：为OEM提供“降维打击”式的解决方案

上方视频是直接把毫米波雷达对目标感知的点云输出经过“时空对齐”处理后直接映射到对应每帧图像上的视频；下方视频是我们搭配目标识别算法 - 采用低算力要求的YoLo开源通用算法（YoLo V8版本 – 基于网上开源系统公开的数据库完成的训练）做目标识别处理后的对应视频。在下方视频里大家可以清晰地看到我们基于YoLo V8算法利用图像与雷达点云信号经过“时空对齐”处理的“多维像素”数据把毫米波雷达的非目标点云数据（包含毫米波雷达信号的多径干扰数据、随机躁点数据……等）直接高效地滤除掉，同时将目标感知的有效信息（目标的语义识别、目标的对应距离&速度信息）都保留并实时检测出来。

下面视频截图中YoLo目标识别框里的目标距离（d:= xx m)和相对速度(s:= xx m/s)是直接取值于目标识别框里的毫米波雷达点云数据（对应点云数据的进一步过滤提取算法处理可以被极大简化）。“多维像素”的”时空对齐”处理，使能后续系统（域控处理器）算力不需要增加的情况下充分利用毫米波雷达点云信息来精确获取目标的距离和相对速度。

昱感微的“多维像素”融合感知方案本质上是在售卖“经过精炼的感知原油”，而非让汽车OEM厂商自己去开采和提炼杂乱的数据矿石。这使汽车OEM厂商能：

1. 快速落地高阶功能：大幅降低城市NOA、代客泊车等功能的开发门槛和验证时间。

2. 构建差异化体验：基于更丰富、可靠的感知数据，开发更智能、更拟人的驾驶策略。

3. 优化整车成本与架构：为未来更集中的电子电气架构铺平道路。

并且，“多维像素”技术是把摄像头图像数据作为其它传感器数据对接的基准坐标单位，汽车OEM厂商完全可以继续使用原有的研发投入获取的图像样本数据集，无需重新开始（过去研发投入的产出依然具有很高的复用价值）。“多维像素”模型可以使车厂的智能感知系统在原有的图像基础上更上一层楼。

“多维像素”方案代表了从“后融合”到“前融合”再到“感知原生融合”的深刻演进。它不仅是一项技术，更是推动整个行业向更高效、更安全发展的关键基础数据模型，有望成为下一代智能汽车感知系统的事实标准接口。