行业洞察 | 以智应变，跨维智能助力汽车行业“换挡提速”

新闻资讯

行业洞察 | 以智应变，跨维智能助力汽车行业“换挡提速”

作为工业文明的集大成者，汽车行业的成熟自动化生产线一直是各行各业学习的典范。然而，在成本压力、产品结构调整以及智能化、人工智能应用等内外因素的交织影响下，传统的生产方式正在面临新一轮的变革。

汽车零部件的工件上下料、定位装配等环节，对节拍、精度、稳定性的要求尤为苛刻。尽管工业机械臂的应用已相对成熟，但随着汽车行业供应链柔性化生产的需求日益提升，对视觉系统，尤其是3D视觉技术的应用提出了新的要求。

跨维智能依托自研的 DexVerse™ 具身智能引擎，打造了软硬一体的3D视觉引导解决方案，助力汽车行业“换挡提速”，迈向智能化快车道。

从CAD导入到模型训练的一键联通

在汽车零部件领域，传统的来料外观复杂多变，常规的视觉模板匹配方法难以满足需求。为解决这一问题，行业内多采用深度学习算法。然而，传统的深度学习路径往往需要从客户处借用产品进行数据采集，由人工搬运收集后，再返回厂家进行标注训练，最后将训练好的模型发给用户。

这种3D视觉方案面临数据获取难、采集和标注工作繁琐、人工成本高、周期长等痛点，少则两三天，多则一周，难以实现产品化和规模化应用，严重影响了汽车行业的效率。

基于此，跨维智能提供了更加高效便捷的解决方案。

通过利用CAD文件生成大量合成数据，在仿真空间中模拟产品在各种生产环境、各种产品数量下的各种姿态，并进行训练，无需进场采集/标注数据，仅提供 CAD 即可完成模型训练。当生成现场出现新的工件时，可通过引擎一键完成模型训练，实现了高效的新产品适配流程，真正做到以用户需求为基础、以行业痛点为导向，释放产业生产力。

汽车车门芯CAD模型导入

通过 DexVerse™ 生成的汽车车门芯训练数据

与传统AI+3D方法不同，跨维智能的解决方案支持直接导入CAD文件，一键实现深度学习模型的训练。在数据采集过程中，采用 DexVerse™ 合成数据，大幅提升了训练数据的收集效率。仿真环境下生成的数据几乎涵盖所有可能的工况，具备极高的多样性，从而使得模型的识别效果最优。此外，该模型具有广泛的通用性，适用于各种环境和应用场景，大大提高了后续同类型场景的复现效率。

抗干扰的“双眼”助推升级转型

除了数据采集、标注的困难外，汽车行业在使用3D视觉过程中，面临的另一个重大挑战是如何在强光环境下识别大量高反光件。

当前工业广泛使用结构光相机，但由于其技术原理的限制，在强光环境下，投射的编码图案容易被自然光淹没；同时，高反光工件的特性也导致传统结构光相机在这些场景中产生质量较差的点云，或需要较长的成像时间，严重影响了抓取精度和生产效率。

为了解决强光环境下的高反工件点云成像问题，跨维智能推出了Kingfisher双目立体智能相机。

与传统结构光相机的成像原理不同，Kingfisher相机无需主动投光，仅通过同时采集两组2D图像，并结合Sim2Real训练的点云重建模型，即可快速生成工件点云。即使在强烈的环境光下，该相机也能在0.5秒内重建出场景的三维点云。这从原理上避免了传统的结构光相机的成像限制，特别适用于室外强光、高反光件上下料等场景。

例如，在某大型汽配厂的外星轮抓取上料环节中，由于其汽车制造车间存在强光照环境，且外星轮表面为精加工，工艺处理后非常光亮并且有防锈油，这对3D视觉成像质量构成挑战，传统的结构光相机难以在成本、效率和精度之间取得平衡。而跨维智的Kingfisher双目立体智能相机，能够在强光下条件下，精准完成外星轮的高质量成像。整体项目视觉节拍可达5s，综合抓取精度小于 ±3mm ，抓取成功率大于99.9%。

目前，跨维智能 DexSense 高精度3D成像和感知设备系列，包Kingfisher双目立体智能相机、Xema北极鸥系列开源相机以及Sparrow 系列轻量化DLP单目结构光相机，均已在汽车及汽车零部件行业得到广泛应用。

除了汽车行业，跨维智能3D视觉引导抓取方案已经在家电、工业、物流等30+行业的半结构化场景中批量应用，在毫米级精度的抓取/操作任务下，其成功率超过99.9%。同时，跨维智能也正在将产品稳步落地于医疗、商业等更多半结构化及非结构化场景中，为全球客户的智能化进程添砖加瓦。