在過去的十年中,光學傳感任務變得更加苛刻。因此,構建可集成在芯片上以支持智能手機、自動駕駛汽車、機器人和無人機中的移動應用的小型化、廉價傳感器變得至關重要。此外,算法在傳感中發(fā)揮著越來越重要的作用,許多最近的發(fā)展都利用了機器學習算法。
在《科學》雜志的一篇新論文中,電氣工程夏豐年教授實驗室的研究人員介紹了一個新概念,他們稱之為幾何光學深度傳感。這一概念利用了設備技術、凝聚態(tài)物理和深度學習方面的創(chuàng)新,有可能從面向硬件的方法轉向面向軟件的方法。
該論文是與德克薩斯大學、以色列巴伊蘭大學和奧地利維也納科技大學的合作者共同撰寫的。在這個新概念中,“幾何”表示傳感器輸出由多元素數據組成,可以將其視為高維向量空間中的點。“深度”突出了深度神經網絡在該傳感方案中的關鍵作用。
ShaofanYuan,前博士。夏實驗室的學生和該論文的共同主要作者指出,傳統(tǒng)的光學傳感需要多個光學設備才能完全捕獲光束的未知特性。其中包括用于測量光的強度、偏振、波長和空間分布的不同設備。所有這些設備加起來構成了一個龐大而昂貴的系統(tǒng)。
袁說:“過去,人們?yōu)槭构鈱W傳感設備變得緊湊和多功能做出了很多努力,先進的機器學習算法加速了使用小型化設備的光學傳感解決方案,”他補充說,未來的光學傳感技術將是一個高度交叉的領域。“該領域將受益于設備結構的創(chuàng)新、新興光學和光電現象的演示以及機器學習算法的進步。”
馬超博士Xia實驗室的學生和該論文的另一位共同主要作者指出,設備可重構性是使用單個設備實現復雜光學傳感的關鍵。
“可以在不同狀態(tài)下運行的單個可重構設備對于生成多元素光響應數據至關重要,有時以隱式方式捕獲光的多種未知特性,然后可以使用機器學習算法來解釋數據,”Ma說。
該方案涉及使用可重構傳感器和深度神經網絡進行信息編碼/解碼過程。也就是說,網絡已經用已知的光屬性進行了訓練,并且可以從可重構傳感器的多元素輸出中提取正確的信息。Xia指出,它解釋多元素光響應的方式與圖像識別程序的方式很相似。
“如果你想讓它識別圖像,無論是狗、貓、人還是汽車,你都可以收集大量包含已知信息的照片,然后對其進行訓練,”他說。“那我們只要給神經網絡一個未知的數字,它就會告訴你。這里使用了類似的想法。”
研究人員指出,該方案的基本原理不僅適用于光,還適用于其他領域——例如,感應磁場。夏說,他和他的合作者目前正在研究潛在的應用。一種可能性是使用這種集成傳感設備使自動駕駛汽車更安全。
標簽:
免責聲明:本文由用戶上傳,如有侵權請聯系刪除!