• 镜腿只有十四厘米,麦克风阵列为什么在 2.4 千赫以上就失效

    导读:智能眼镜上的麦克风阵列,两只麦之间的间距受镜腿长度限制,撑死七厘米。这个尺寸决定了空间混叠的起点在 2.45 千赫,而辅音的能量正好落在这条线以上。把间距拉开能救低频,却把可用带宽切掉一半;把间距缩小能救高频,低频又彻底没有指向性。这是一个由形态决定的死结。

  • 标定做到 0.1 像素,深度误差为什么还是按距离平方涨

    导读:深度相机的标定能把系统误差压到零点几个像素,可随机误差一点不动。飞行时间的相位噪声换算成距离要乘一个系数,而这个系数是固定的;噪声本身却随回波信噪比恶化。两件事相乘,误差就长成了距离的平方。

  • 传感器捕捉信号:物理世界到数字系统的感知桥梁

    传感器捕捉信号的完整过程,是一套将物理世界中不可直接量化的温度、压力、振动、光强、电流等非电物理量,精准转换为电信号并完成调理、提取、传输的全链路技术体系。

    智能应用
    2026-10-20
    传感器
  • 端侧推理跑几分钟就变慢,卡住的到底是哪一层

    导读:讨论端侧算力时,参数表上写的是 TOPS 和能跑多大的模型。真机跑起来,限制往往出现在另一个物理量上:外壳表面温度。对戴在脸上的设备,这个上限不是芯片结温的一百度,而是皮肤能接受的四十度出头。

    端侧AI
    2026-10-19
    AI 端侧AI
  • 电子皮肤为什么不能一行一行地读

    导读:把触觉铺满机器人全身,卡住的通常不是传感器本身。单点灵敏度和柔性封装这几年进步很快,真正拖住规模化的是读出:单元数一多,逐行扫描的时间就被拉长,串扰跟着上来,带宽也不够用。业界最近的三条路线,改的都是这个环节。

  • 物联网设备制造商如何用好 5G 蜂窝网络的新功能

    5G 的商用进程已从最初的增强移动宽带逐步扩展到物联网的广袤疆域。对于物联网设备制造商而言,5G 不再只是一个更快的连接标签,而是一套涵盖连接能力、网络架构与业务模式的全新基础设施。谁能率先吃透并落地这些新功能,谁就更有可能在智能表计、车联网、工业互联、资产追踪等赛道里建立起真正的竞争壁垒。

  • 预测性能量平衡控制凭借其 "先预测、后优化、再修正" 的闭环机制

    随着新能源渗透率的持续攀升与源荷双侧不确定性的显著加剧,传统电源分配网络正面临能量调度从 "以源定荷" 向 "以荷定源、多能协同" 转型的深刻变革。光伏、风电的间歇性出力,电动汽车的随机充放电,以及分布式储能的大规模接入,使得网络内的功率平衡问题不再是一个可以由单一调度中心事后修正的静态命题,而是一个需要实时滚动求解、前瞻性应对的动态过程。在这一背景下,预测性能量平衡控制凭借其 "先预测、后优化、再修正" 的闭环机制,逐渐成为保障分配网络安全、经济、可靠运行的核心技术路径。

  • 宽带天线:一副天线如何同时满足传统与 5G 无线物联网的双重需求

    物联网设备的联网需求正在发生深刻变化。传统物联网终端长期依赖 LoRa、NB-IoT、Zigbee、BLE 等协议,工作频率集中在 433MHz、868MHz、915MHz 等 sub-GHz 频段以及 2.4GHz ISM 频段,追求的是低功耗、远距离与低成本。而 5G 时代的物联网则引入了 5G NR、LTE-M 以及基于蜂窝网络的 NB-IoT 演进,工作频段横跨 700MHz 至 3.5GHz 的 Sub-6GHz 频段,并逐步向 24GHz 以上的毫米波延伸,强调高带宽、低时延与海量连接。一台设备往往需要同时兼顾两种体制:既要在 sub-GHz 上维持广覆盖的低速率上行,又要在 Sub-6GHz 乃至毫米波上提供大带宽数据链路。天线作为电磁信号的收发界面,成为制约这种多制式融合的关键瓶颈。宽带天线因此成为化解这一矛盾的工程答案。

  • 数据中心光模块技术发展需求分析

    当前 AI 大模型训练与推理所引发的算力需求爆发,正以前所未有的速度重塑数据中心的基础设施架构。作为连接 GPU 服务器、交换设备与存储系统的关键物理层器件,光模块的技术演进节奏被显著加快,其发展需求已从单纯追求速率提升,转向速率、功耗、可靠性、成本与生态协同的多维平衡。

  • 更高能量密度电容器:高压直流输电的破局关键

    随着 "双碳" 目标推进与大规模新能源并网,高压直流输电正从远距离大容量输电的主力走向柔性直流、海岛互联、海上风电送出等更广泛的应用场景。在换流站、直流断路器与滤波装置中,电容器承担着储能、滤波、阻尼与支撑电压的关键职能,其体积与性能直接影响整站的占地、成本与可靠性。近年来,围绕更高能量密度电容器的研发,正成为高压直流电力传输技术持续进步的重要突破口。

  • 无线加速计与温度传感器如何简化 IIoT 机器监控的部署

    在工业物联网(IIoT)的落地实践中,机器状态监控长期面临一个看似简单却难以跨越的障碍:部署成本。传统的振动与温度监测方案依赖有线布线,传感器必须通过屏蔽电缆连接到采集单元或网关,每增加一个测点,就要重新规划走线、开孔、焊接或加装端子,往往还需要停机改造,这在连续生产的产线、高架设备和异地设备上尤为棘手。无线加速计与无线温度传感器的组合,正在从测点布局、供电方式到数据上云全链条上,把 "部署" 这个最容易被低估的环节重新定义。

  • 机器人的惯量参数为什么不能照着图纸抄

    具身智能的控制,很依赖一个模型:机器人各个连杆的质量、质心位置和转动惯量。这些参数通常由机械设计给出,写在三维模型里,看上去是确定的。真到了控制环里,事情没那么简单。线缆、散热、紧固件、线束走向,都会让实际的质量分布和图纸上有偏差,而这些偏差会直接影响平衡和步态。

  • 4 比特量化之后,为什么总有那么几个通道把精度拽下来

    把大模型压到 4 比特,端侧才有机会跑起来。可每次压到 4 比特,都会撞上同一堵墙:权重看着还算正常,一到激活上,总有那么几个通道的数值比周围高出好几个数量级。这几个通道把量化区间整个撑大,别的通道就被压成了很小的台阶,精度自然掉下来。

  • 机器人力控为什么要跟自己的惯性较劲,阻抗带宽是被谁卡住的

    机器人要跟人协作、要抓鸡蛋、要拧螺丝,光会精确走到某个位置不够,还得能在接触的一瞬间把力收住。这种"碰到就软下来"的能力,靠的是阻抗控制。

  • 端侧多模态模型塞进手机,瓶颈不在算力在算子

    端侧大模型这两年在文字上已经跑通了。一到几亿参数的小模型,量化之后能在手机 CPU 和 NPU 上流畅出字。可用户真正想要的,是让手机"看懂"东西。拍张照问它是什么,指着屏幕问它怎么操作,给它一段视频让它总结。

    端侧AI
    2026-10-15
    手机 端侧AI
发布文章