自动驾驶汽车的梦想正在成为现实。一体化振动变送器将压电传感器和精密测量电路集成在一起，实现了传统“传感器+信号调理器”和“传感器+监测仪表”模式的振动测量系统的功能；适合构建经济型高精度振动测量系统。无线振动传感器基于无线技术的机器状态监测，具有振动测量及温度测量功能，操作简单，自动指示状态报警。应用于工业设备状态管理及监测控制系统；适合现场设备运行和维护人员监测设备状态，及时发现问题，保证设备正?？煽吭诵小?strong>设备故障诊断系统具有缓变信号（如温度、压力、转速、流量等）与动态信号（如振动信号）的数据融合处理功能；具有黑匣子记录功能；系统满足车辆振动冲击环境下的使用要求。在车辆中实现多种**的驾驶员辅助系统（ADAS），汽车行业对于完全自动驾驶的追求正在稳步推进。如今，几乎所有汽车经销商的新款车都配备了多个摄像头、雷达和无线振动传感器，可实现如辅助自动泊车、自动紧急制动、车道辅助行驶、司机疲劳驾驶警报等基于感知的各项功能。仪器长久以来一直支持汽车和计算机视觉应用。随着支持这两个领域的技术融合，开发具有高水平功能安全性、功效和性能的芯片尤为重要。JacintoTDAx处理器平台可帮助汽车OEM和一级供应商开发和实施ADAS应用的深度学习算法。一家汽车软件公司Momenta，*近在其新的感知系统中应用了仪器的异构TDAx处理器架构，以实现SAE L2-L4自主功能。在一个解决方案中将TDAx处理器架构、TIDL软件框架和Momenta的深度学习结合，使汽车制造商和一级供应商可以潜在提高网络效率，同时保持准确感知车道、车辆、行人和其他对象。摄像头的感应功能在如今的车辆驾驶中发挥着必不可少的作用。感知系统的功能与人体具有很大的相似性。摄像头或图像传感器充当车辆的眼睛，数据从图像传感器发送到主处理器即人的大脑，然后大脑使用各种算法来分析和解读数据。*后，发送控制转向、加速器或者制动的命令（类比向手和脚发出的指令）来做出各种行为。当今自动驾驶领域*热门的话题之一是深度学习，这是机器学习的一个子集。深度学习是一种计算方法，用于根据已经过大量数据训练的神经网络准确的分类和预测。神经网络是一组用于识别数据模式的算法。许多ADAS应用，如前置摄像头感知应用中，使用卷积神经网络（CNN）会比传统的计算机视觉方法更有效地执行对象检测和分类等任务。在下述示例中（图1），深度学习用于对车辆、道路、标志、行人和背景分类，并在输出中直观地将其区分。仪器的深度学习能力带领完成了大量资源的开发，如仪器深度学习（TIDL）软件框架。该框架简化了开发人员的算法培训、开发和移植过程。有关汽车深度学习的更多信息，请阅读我们的博客汽车中的AI：实践深度学习。在过去十年中，汽车感应已经从基本的后视摄像头演变为具有停车辅助功能的全3D环绕视图。与人类的能力随着大脑发展得以进化一样，ADAS技术也随着日益发展的硬件平台上的创新感知算法的演进而得以不断发展。