- 综合排序
- 最热优先
- 最新优先
基于腾讯云 IoT Explorer 实现工业环境多参量传感器的高效接入与告警联动
作为开发者，我们常面临异构传感器协议不一、云端对接复杂、告警响应滞后等挑战。 本文将以一款支持 MQTT 协议的以太网多参量传感器（具备温湿度、TVOC、继电器输出等能力）为例，演示如何基于 腾讯云 IoT Explorer 快速构建端到端的物联感知系统。 一、设备端：标准化数据上报该类传感器通常支持通过 Web 配置启用 MQTT 客户端，并按固定格式（如 JSON）上报数据。 建议选择支持 本地缓存 的传感器（如具备 10 万条存储能力），并在设备固件中实现：网络断开时暂存数据；恢复后按时间戳补传；避免重复上报（通过 sequence ID 去重）。
19510编辑于 2026-01-16- 来自专栏Dechin的专栏
python3函数可变输入参量
技术背景 通常我们在python中定义一个函数的时候，需要给出明确的函数输入参量，比如对于一个数学函数 z=f(x,y) 就表示， z 是关于 x 和 y 的一个函数。 但是如果对于未知参量的函数，比如函数形式可以是 z=f(x,y) ，但也可以是 z=f(x,y,m,n,i,j,k) ，在不确定入参的时候，就可以采用python中的*args和**kwargs参数。 *args参数的使用方法 首先用一个例子来说明一下*args的基本用法，这个参量可以替代函数括号中的固定变量，从数据结构上说是一个可变长度的tuple： # test_args.py def fargs
1.5K30发布于 2021-05-21 - 来自专栏工程监测
多通道振弦传感器无线采集仪 多类型数字传感器独立发送协议
多通道振弦传感器无线采集仪 多类型数字传感器独立发送协议图片独立发送传感器数据时，每个传感器是一个独立的数据包，发送至预设的 TCP 服务器。 数据包字符串，结构说明如下：UDID>MDS+传感器类型码+第 x 个传感器>第 x 包/总 x 包>传感器数据，校验和字符，回车换行符例如： “ 861234567812345>MDS0B03>1/1 >1234DF\r\n”861234567812345： VS 设备唯一识别码MDS：固定字符串，表示本包数据是独立发送的多类型数字传感器数据0B： 16 进制 0x0B，即 10 进制的 11，表示本传感器的类型是 11（金码位移传感器）。 03： 16 进制 0x03，表示这包数据是本类型传感器中的第 3 个传感器。1/1：表示本传感器只有 1 包数据，这是第 1 包。
35230编辑于 2023-04-23 - 来自专栏联远智维
柔性传感器——多源信息融合
1642660881&vid=wxv_1660446409168355333&format_id=10002&support_redirect=0&mmversion=false 附1、非常欣赏本论文的表达形式：把传感器与具体的应用场景糅合起来 ，通过视频的方式，让大众能够直观了解到该传感器的价值~ 附2、认同多源信息融合是传感器发展的方向：将多种单功能传感器组合成一个网络，后续通过算法（分类算法、神经网络）解调，确定外界激励大小~ 附录：补充材料 附1、传感器基本原理？ 图a表述为传感器具体结构，主要包含：1、光学原理：通过光电二极管接收光强的变化确定外界激励，对拉伸、弯曲以及扭转多种变形模式敏感；2、微流体：通过测量电阻的变化，确定外界激励的形式，对拉伸和按压变形模式敏感 ；3、导电布：只对拉伸敏感；图b-d表述传感器实物图；图e表述三种传感器的测量原理；图f表述不同激励作用下多种传感器的相应规律； 上图表述信号处理过程：通过人工神经网络对信号进行学习，对外界激励模式进行解算
81220编辑于 2022-01-20 - 来自专栏半杯茶的小酒杯
Couresa多传感器融合代码实现
Tips: 代码可以配合自动驾驶定位算法(十五)-基于多传感器融合的状态估计(Multi-Sensors Fusion)进行阅读。 推荐阅读 自动驾驶定位算法(十五)-基于多传感器融合的状态估计(Multi-Sensors Fusion) 自动驾驶定位算法(十四)-递归贝叶斯滤波 自动驾驶定位算法(十三)-粒子滤波(Particle
1K00编辑于 2022-04-28 - 来自专栏联远智维
微动疲劳SWT参量计算
SWT-matlab程序 不管在低周疲劳还是高周疲劳，SWT是在裂纹萌生中最常用的一个参量。
68240编辑于 2022-01-20 - 来自专栏具身小站
多传感器融合的原理及步骤
x：表示ｋ 时刻载体的位姿参数 X：待估计的机器人运动参数 M：构建的地图中地标的集合 Z：机器人在移动过程中通过传感器对地标进行观测的集合 u：驱使机器人从x(k-1)到x(k)转移的控制量 U：在移动过程中所有控制量的集合 前端算法：从每一帧的传感器数据中提取出地标观测信息，并利用数据关联方法判断新一帧数据中的观测地标是首次观测到的新地标还是某一已经被观测到的旧地标，在激光雷达ＳＬＡＭ 系统中，广泛使用迭代最近点（ICP 多传感器标定 对异源传感器的精确标定是有效使用传感器测量信息的前提条件，对单个传感器的标定称为内参标定，而对不同传感器之间的相互关系的标定则称 为外参标定，外参标定一般包括时间同步和空间标定两个部分。 2.2 IMU和视觉相机的外参标定 不同的传感器时间响应不同，IMU和相机数据之间的时间差异标定，可以借助标定板以及设计高精度的同步硬件，也可以利用软件算法标定时间差异，实现对相机和IMU外参和传感器时间差异进行联合标定 多传感器融合 IMU测量的是载体运动的惯性信息，而相机和激光雷达都是对地标的测量，将惯性信息与地标信息进行有效融合是组合SLAM系统需要解决的重要问题 3.1 融合IMU和激光雷达 根据组合方式不同，可为松组合和紧组合两大类
60310编辑于 2025-12-17 - 来自专栏GiantPandaCV
基于多传感器的3DMot
通用性强，适配多种传感器组合方式：LiDAR+前置摄像头；LiDAR+多个非重叠摄像头；只有摄像头。 3.Method: 1，检测Detector 信息源：3D：多线激光雷达，产生3d检测框；2D：图像，产生2D检测框。 这两条线的信息可以不同时具备。 Fusion Fusion示意图 多摄像头时的策略： 对于每一个摄像头执行上述流程最终对于有多个2D结果匹配的3D结果取IoU最大的匹配。
1.6K20编辑于 2022-09-28 - 来自专栏工程监测
多通道振弦传感器无线采集仪如何外接数字传感器
多通道振弦传感器无线采集仪如何外接数字传感器 图片 数字传感器的数据接入逻辑 VS 设备支持在 RS485 接口外接数字传感器， 可进行单类型、多类型数字传感器接入。 单类型数字传感器：使用寄存器 DS_SENSOR(282)来设置单类型数字传感器的类型和数量（见下表）。 图片 多类型数字传感器：使用寄存器 MDS_EN(290)的低字节来设置多类型传感器的种类数量，设置为 0 时表示关闭多类型数字传感器功能。 数字传感器类型码和数量寄存器 DS_SENSOR/MDS01~08 高字节 数字传感器类型码 0：无外接数字传感器 1： 激光测距仪 2： 超声波测距传感器 3： 双轴测斜杆 5： 金坛双轴倾斜传感器 11：金码位移传感器，必须使用$ST11 指令设置传感器编码 12：纳微静力水准仪，地址必须从 0x81 开始 13： xxx 温湿度传感器，地址必须从 0x02 开始 14：三轴加速度传感器，地址必须从
36820编辑于 2023-04-20 - 来自专栏GIS与遥感开发平台
Google Earth Engine（地表参量计算）
Google Earth Engine（地表参量计算） 本期我们讲一下如何利用GEE对地表参量（以地表蒸散为例）进行计算。地表蒸散的计算不光会用到遥感数据还会用到一些气象数据。 本次我们讲了如何运用GEE对地表参量进行计算（地表蒸散）。下一期，我们将会讲到，如何利用经纬度提取数据并导出。
1.2K40编辑于 2022-04-29 - 来自专栏CNNer
【传感器融合】开源 | 恶劣天气（大雾）中的深度多模态传感器融合
Without Seeing Fog: Deep Multimodal Sensor Fusion in Unseen Adverse Weather 原文作者：Mario Bijelic 内容提要 多模态传感器流 为了解决这一挑战，我们提出了一种新型的多模式数据集，该数据集采集于北欧10000多公里的驾驶里程中。 尽管该数据集是第一个恶劣天气条件下的大型多模式数据集，具有10万标签，用于激光雷达、相机、雷达和门控近红外传感器，但由于极端天气非常罕见，它不利于训练。
1.5K30发布于 2021-11-26 - 来自专栏CreateAMind
雷达摄像头多传感器数据融合检测
Multi-View 3D Object Detection Network for Autonomous Driving Xiaozhi Chen, Huimin Ma, Ji Wan, Bo Li, Tian Xia
63010发布于 2018-07-24 - 来自专栏YoungGy
无损卡尔曼滤波UKF与多传感器融合
=0时w0=12(λ+na)w_0=\frac{1}{2 (\lambda+n_a)} 多传感器融合 下面，将通过lidar、radar跟踪小车的例子，讲解UKF如何应用于小车状态跟踪。 相关传感器信息及大体步骤可见扩展卡尔曼滤波EKF与多传感器融合。 示例 本文采用与扩展卡尔曼滤波EKF与多传感器融合相同的数据集，结果如下。
2.8K80发布于 2018-01-02 - 来自专栏人人都是极客
自动驾驶汽车传感器融合系统及多传感器数据融合算法浅析
传感器融合系统示例 传感器融合的复杂程度有所不同，并且数据的类型也不一样。两个基本的传感器融合示例是：a）后视摄像头加上超声波测距；b）前方摄像头加上多模式前置雷达——参见图2。 这里引出一个重要的概念：多传感器信息融合（information fusion）。各种不同的传感器，对应不同的工况环境和感知目标。 数据融合主要优势在于：充分利用不同时间与空间的多传感器数据资源，采用计算机技术按时间序列获得多传感器的观测数据，在一定准则下进行分析、综合、支配和使用。 一般地，多源传感器数据融合处理过程包括六个步骤，如下图所示。 图7：多源数据融合过程 利用多个传感器所获取的关于对象和环境全面、完整信息，主要体现在融合算法上。因此，多传感器系统的核心问题是选择合适的融合算法。
4.3K81发布于 2018-03-16 - 来自专栏工程监测
工程监测多通道振弦传感器无线采集仪 数字传感器起始通道分配
多通道振弦传感器无线采集仪 数字传感器起始通道分配图片寄存器 DS_CHNUM(299)用于设置读取到的数字传感器数据从哪个通道开始占用，默认为 1。 单个数字传感器占用的通道数量与具体的传感器类型有关，例如：每个激光测距仪会占用 1 个通道，而每个双轴倾斜传感器会占用 2 个通道，三轴加速度计会占用 3 个通道。 例如： DS_CHNUM=17;DS_SENSOR=0x0203;MDS_EN=0x0002;MDS01=0x0302;MDS02=0x0C03;表示数字传感器的数据从 CH17 开始占用，外接了单类型数字传感器激光测距仪 3 个+多类型数字传感器 2 类（第 1 类为双轴测斜杆 2 个，第 2 类为静力水准仪 3 个），共 8 个数字传感器，则通道分配见下表。 第 1 个静力水准仪 通道 24第 2 个静力水准仪 通道 25第 3 个静力水准仪 通道 26注意：当多类型数字传感器配置为独立发送时，不会占用通道寄存器 CHxx。
34410编辑于 2023-04-21 - 来自专栏机器人技术与系统Robot
多模感知：机器人灵巧手位置传感器
机器人的传感器分为内部传感器和外部传感器，一般来说，机器人的内部传感器用于感知自身的状态，机器人可以知道自身在任意时刻的位置、速度和驱动力等信息，机器人的外部传感器用于感知外部的状态信息，如距离，交互力 多模传感器将使得机器人与人交互，与环境交互的可能性大大增加，也必将助力机器人走进大家的生活中。 目前的位置传感器种类很多，主要分为： 电容式位置传感器； 光电式位移传感器； 电位计式位置传感器； 霍尔式位置传感器； 巨磁阻式位置传感器等。 1 电容式位置传感器 电容式位置传感器的测量头通常是电容器的一个极板，而另一个极板是物体的本身，当物体移向传感器时，物体和传感器间介电常数发生变化，等效电容随着变化，由此便可测量出物体的位置。 但即使在巨磁阻传感器应用中，永磁铁表面和巨磁阻传感器芯片表面的距离也通常大于1.5 mm，因为若这个距离太小，未知的磁场强度可能超出巨磁阻传感器工作范围而导致传感器信号失真，或者是过强而损坏传感器。
2.6K2012发布于 2021-03-17 - 来自专栏工程监测
多通道振弦传感器无线采发仪VS-BOX 接口定义-传感器接口
多通道振弦传感器无线采发仪VS-BOX 接口定义-传感器接口图片VS-Box 是以振弦、温度传感信号为主的多通道无线采发仪，并可扩展其它模拟（电流、电压、电阻）信号和数字信号（ RS485、 RS232 ）传感器通道，内置电池，可外接太阳能电池板。 图片传感器接口上有两排8组接口，最高支持32通道传感器连接。 连接振弦传感器：以其中一组为例，1 V+ 振弦线圈正极，2 V-振弦线圈负极，3 T+振弦温度正极，4 T-振弦温度负极（传感器厂家振弦温度一般不分正负，但建议区分正负极连接更好）5 连接大地。 当设备型号振弦传感器接入数量大于 16 时， T+和 T-用于连接振弦线圈（不再用于测量温度）。
62530编辑于 2022-10-11 - 来自专栏YoungGy
扩展卡尔曼滤波EKF与多传感器融合
本文将简要介绍EKF，并介绍其在无人驾驶多传感器融合上的应用。 ? KF与EKF 本文假定读者已熟悉KF，若不熟悉请参考卡尔曼滤波简介。 多传感器融合 lidar与radar 本文将以汽车跟踪为例，目标是知道汽车时刻的状态 [图片] 。已知的传感器有lidar、radar。 lidar：笛卡尔坐标系。可检测到位置，没有速度信息。 [图片] R表示了测量值的不确定度，一般由传感器的厂家提供，这里lidar参考如下： [图片] radar radar使用了EKF。 ，这里radar参考如下： [图片] 传感器融合实例 多传感器融合的示例如下，需要注意的有： lidar和radar的预测部分是完全相同的 lidar和radar的参数更新部分是不同的，不同的原因是不同传感器收到的测量值是不同的 多传感器融合的效果如下图所示，红点和蓝点分别表示radar和lidar的测量位置，绿点代表了EKF经过多传感器融合后获取到的测量位置，取得了较低的RMSE。 ?
3.7K81发布于 2018-01-05 - 来自专栏3D视觉从入门到精通
解读基于多传感器融合的卡尔曼滤波算法
来源丨牛喀网 编辑丨传感器专家网 卡尔曼滤波器是传感器融合工程师用于自动驾驶汽车的工具。想象一下，你有一个雷达传感器，告诉你另一辆车距离15米，一个激光传感器说车辆距离20米。 为了以后更好的工程实践应用卡尔曼滤波算法，今天小编带领着大家了解卡尔曼滤波算法的理论，及其在自动驾驶多传感器融合算法中的应用。 ー 1 ー 什么是卡尔曼滤波？ 我们将这种不确定性（例如：传感器噪声）用协方差 表示，该分布的均值就是我们读取到的传感器数据，称之为：传感器噪 现在我们有了两个高斯分布，一个是在预测值附近，一个是在传感器读数附近。 你可能会问——为什么我们需要这么多的传感器？ 这是因为每种传感器提供了追踪物体所需要的不同精度和类型的信息，尤其是在不同天气条件下。 同样的，不像激光雷达传感器，雷达可以提供目标的速度和方位。雷达数据也是计算密集型的，因为一束激光发射非常多包含每个独立的激光点的范围的数据，它使得你必须理解你的算法。
3.6K10发布于 2020-12-31 - 来自专栏工程监测
谐振式传感器是如何产生异常谐振（共振），该怎么解决？
谐振式传感器是如何产生异常谐振（共振），该怎么解决？利用谐振元件把被测参量转换为频率信号的传感器，又称频率式传感器。 当被测参量发生变化时，振动元件的固有振动频率随之改变，通过相应的测量电路，就可得到与被测参量成一定关系的电信号。 按谐振元件的不同，谐振式传感器可分为振弦式、振筒式、振梁式、振膜式和压电谐振式等（见振弦式传感器、振筒式传感器、振梁式传感器、振膜式传感器、石英晶体谐振式传感器）。 振弦传感器产生异常谐振（共振），振弦采集模块运算出来的共振周期比正常的大三倍（如读取到的共振频率6000多hz）。 图片如果正好是3倍频率，就是钢弦谐振了。 有时改变一下激励方法、激励能量大小，也能让谐振消失，遇到的谐振，在传感器自由状态时比较多，传感器安装过程中因为传感器会受到一定的作用力，谐振就会消失。
72320编辑于 2022-08-18
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号