作者
Madhura Tapse
Madhura Tapse于2023年加入恩智浦半导体，担任产品营销经理，专注于为工业4.0和工业自动化应用开发相关产品。在加入恩智浦之前，她曾在Maxim Integrated(现为Analog Devices)和Cypress Semiconductors担任应用工程师。她毕业于浦那大学，获得了电气工程学士学位，并在孟买印度理工学院获得了生物医学工程硕士学位。
传感器融合起点：NAFE如何推进更智能、更可靠的机器人技术
纵观全行业，机器人技术正在从“AI具身机器人”阶段，向“AI定义本体”阶段演进。在前一阶段，AI只是被添加到一个预定义的机械形态上；而在后一阶段，机器人的形态、驱动与感知方式，都是围绕AI的能力与需求来塑造的。
随着这一演进不断推进，一个朴素的真理再次浮现：一台能看见却无法感知的机器人，终将走向失败。真正的自主，并非始于高性能计算，而是始于传感器边缘。
现代机器人日益依赖AI级计算来处理高吞吐量的感知、推理与AI推理任务——这便是负责视觉、建图与规划的“机器人大脑”。然而，即便是最强大的图形处理单元(GPU)协议栈，仍然依赖对现实世界的精准、同步且可信的物理感知——包括振动、温度、压力/流量、电流/电压、重量、声音及位置信息——之后AI才能在此基础上进行推理或采取行动。
高性能计算可作为机器人的大脑，而传感器、边缘处理与本地AI则构成了它的神经系统与反射层，在感知、行动与自适应之间形成闭环。
物理AI架构是如何构成的
只有在架构层面，才能真正理解所有这些部件如何共同构成一个现代化物理AI机器人——每个部分都在一个思考、感知与运动合一的系统中各司其职。该解决方案提供以下能力：
- 传感与边缘调节：多模态传感器赋予机器人对运动、力、温度、声音和位置的感知能力。这些信息经过处理后，成为同步、高质量的数据，供系统用于状态估计、控制以及安全、自适应的行为
- 感知与AI：来自传感层的数据成为高性能计算的原材料，用于执行物体检测、姿态估计、立体深度计算、3D重建以及视觉同步定位与建图(SLAM)，从而形成高级智能闭环
- 控制与驱动： 高性能计算负责全局规划与感知，将高级运动目标发送到快速内环，使实时电机控制器能够闭合扭矩、速度和位置环路，从而确保每个关节的稳定、平滑且精准
- 数据与分析：边缘网关和云服务融合多种传感器趋势数据(光谱、热、电与位置信息)，支持基于状态的监测与预测性维护。
传感器融合从边缘开始。借助恩智浦联网模拟前端(NAFE)设计更智能的机器人与工业系统。
为什么要融合？为何选择现在？
一旦了解了架构各层之间的协同方式——传感为计算提供输入信息，计算指导控制——您就会明白融合为何如此重要。试想一台协作机械臂正在执行日常任务。在其关节深处，一个微小的2–3mA电流偏移与扭矩反馈中的缓慢热漂移同时存在。轴承早期磨损的迹象已经出现，却淹没在噪声之中。AI或许非常强大，但它只能基于自己信任的信号采取行动——而融合技术有助于从噪声中提取这些微弱线索，并将其转化为机器人能够响应的信息。
NAFE如何支持融合
在整个机器人领域，从单一传感器阈值向多传感器融合的转变，正在显著提升可靠性与自主性。针对机器人关节与电机健康的研究表明，融合温度、电流/电压、振动与位置反馈，能够显著提高异常检测的准确率——从而在传统限值触发之前，提前识别出齿隙、过载、热漂移或轴承磨损等早期征兆。在许多实际部署场景中，这种多模态融合可使意外停机与紧急维修事件减少30%–45%。
对于移动机器人与人形机器人平台而言，将本体感知信号(包括惯性测量单元(IMU)、扭矩传感器与编码器)与环境感知信号(视觉、深度、声音)进行持续融合，能够增强故障检测能力、导航稳健性以及安全反应行为。随着机器人团队大规模推进AI驱动的预测性维护项目，他们报告称维护工作量减少了约40%，任务层面的故障率降低了约50%。然而，这一转变只有在AI能够从机器人本体、动力系统及环境中获得丰富、连续的多传感器数据流时才能实现。
而这正是恩智浦解决方案的用武之地——因为融合技术只有在每一个信号都以干净、经过校准且对齐的方式进入系统时才能有效工作。NAFE正是为此而生，提供所需的感知基础。
向物理AI的转变已经在重塑领先平台的构建方式。恩智浦与英伟达的最新物理AI领域合作，突显了机器人全身对密集、实时感知日益增长的需求。尽管英伟达Holoscan与恩智浦边缘处理器提供了高性能计算层，但这些系统的可靠性最终取决于输入其中的传感器数据的质量。
这正是NAFE发挥基础性作用的环节——为人形机器人与移动机器人提供经过校准、同步且多模态的测量数据，以满足高完整性融合、运动控制及预测性维护需求。
NAFE如何在机器人与工业边缘推动传感器融合
NAFE专为融合工作流程而设计，它提供确定性、低噪声、多模态的测量数据，结合共享激励、同步Δ-Σ转换与内置诊断功能，为融合算法提供经过校准、时序一致的数据基础。在这场融合驱动的转型中，两款强大的恩智浦组件处于核心地位：
- NAFE13388：一款8通道、软件可配置的输入器件
- NAFE33352：一款单通道、软件可配置的I/O器件，配备两个辅助通用输入
这些器件经过精心设计，具有极高的通用性，支持广泛的模拟输入与输出信号——包括0–5V、0–10V、±5V、±10V、0–20mA、4–20mA、±20mA等——同时提供高精度(0.01%)与高分辨率(高达24位)，实现同类产品中最出色的测量性能。
专为融合而创建的多输入硬件结构
机器人和预测性维护需要捕获多种传感模态。NAFE的多通道架构提供了一个统一的模拟前端(AFE)，能够以严格控制的多路复用方式对振动、温度、压力/流量、电流/电压、声音与位置信号进行采样。其出色的通道间隔离能力与共享时钟Δ-Σ架构，提升了通道间的相关性，并避免了可能降低传感器融合精度的时序偏差或失配误差。
高精度揭示早期故障特征
最有力的预测指标往往十分微弱——恒定负载下定子温度的轻微上升、轴承频谱包络中微弱的边带、或者逆变器电流中微小的相位偏移。机器人电机融合研究证实，这些微妙的多信号模式(温度+电压+位置)具有巨大的预测价值。NAFE的高精度转换与低底噪将这些微弱的前兆信号从噪声中剥离出来，使AI和滤波算法能够更早地检测到它们。
内置诊断功能，守护融合管道
融合假设每个通道都值得信赖。借助NAFE、开路/短路检测、超范围标志以及校准/健康检查功能，可防止受损通道干扰融合决策。这对于在保持高早期灵敏度的同时维持低误报率至关重要——而这正是实现AI驱动预测性维护项目所报告的停机时间与成本改善的关键。
出厂校准，支撑规模化部署
预测性维护面向整个设备群的问题。出厂校准减少了现场调试的工作量，提高了设备间的一致性，并增强了跨资产的比较能力。对于独立于传感器的预测性维护平台而言，这正是加速现有系统部署所亟需的条件。
当这些能力汇聚一体时，融合技术在大规模应用中变得更加切实可行，超越了理论层面的实现。这正是NAFE越来越多地被用于以下高ROI边缘场景的原因：
- 装配机器人与协作机器人：融合关节振动、电机电流、变速箱声音与温度数据，可提前发现齿隙、润滑失效或轴承磨损的早期迹象。多模态融合能够在运动精度受到影响之前，捕捉到细微的交叉信号退化特征。
- 物料搬运系统(传送带、风扇和泵等支持机器人运行的设备)：通过融合振动频谱、超声波空化信号、气流/压力以及电流谐波，自动判别不平衡、错位、松动或流通受阻等问题。融合后的数据在降低误报率的同时，也提高了旋转设备故障根因判断的清晰度。
- 工业电力电子设备与驱动器(机器人运动系统)：在为机械臂、龙门架、传送带及自主机械供电的同时，融合逆变器电流/电压谐波、温升与安装点振动数据，可检测绝缘老化、轴承磨损或扭矩纹波问题。早期检测能够防止运动不稳定性问题扩散，避免影响机器人单元的整体性能。
- 移动机器人与自主移动机器人(AMR) (面向机器人群的边缘网关)：利用基于NAFE的边缘网关，在充电或维护间隔期间捕获轮毂电机电流、变速箱振动、编码器漂移与热特征数据，从而持续监测整个AMR群的健康状态，减少停机时间，确保安全、可靠的机器人导航与任务执行。
无论是机械臂、AMR，还是维持自动化单元运行的运动子系统，这些应用场景都有一个共同的要求——干净、同步、多模态的传感器数据，能够捕捉新出现故障的机械与电气特征。而这正是NAFE生态合作体系旨在交付的能力。
将NAFE应用于机器人实际工作
NAFE系列涵盖精密Δ-Σ AFE、高压工业版本以及支持HART的型号，提供了一个统一的、确定性测量架构，可从原型设计平稳扩展至量产阶段。
借助NAFE通用传感模块(USM)评估板、参考设计以及即用型图形用户界面(GUI)，团队可以快速部署传感器，并实时可视化展示机器人健康监测与导航级信号处理所需的高完整性融合数据。对于正在探索机器人领域预测性维护、多传感器融合或群级可靠性的开发人员而言，评估NAFE器件或通用输入模块(UIM)套件，是亲身体验其测量质量与集成简便性的最快途径。
NAFE：恩智浦面向机器人的传感器融合解决方案
传感器融合已成为机器人与工业维护领域的标配，原因在于：它优于单一传感器监测，不仅提高了准确性，还显著减少了停机时间与成本。恩智浦的NAFE提供了一个高保真、多输入、经过校准且诊断功能丰富的模拟前端，以可信赖的信号为智能系统提供支持——并且能够在规模化部署、跨设备群及长期运行中稳定实现。