熱門搜尋 :
隨著各種能力與功能部署到當代汽車平台的成長速度越來越快，新增功能包括先進駕駛輔助系統(ADAS)、自動駕駛(AD)與升級的車載資訊娛樂系統(IVI)，汽車製造商正面對著一個轉型至軟體定義的未來。
智慧儀表是透過某種通訊網路記錄和報告公用事業服務使用消耗的電子設備，例如電、氣、水以及冷暖氣等。本文將探討智慧計量的基礎知識以及伴隨的一些好處和挑戰。
物聯網因應各類不同場景，促使多種低功耗廣域網路(LPWA)標準陸續興起，成本、低功耗和智慧化特性是諸多企業考量因素，而在近年技術發展之下，ZETA也應運而生，提供企業更多元選擇。
隨著汽車製造商競相開發聯網和自動駕駛解決方案，下一代汽車需要對傳統汽車體系架構進行大刀闊斧的更新與改造。體系架構方面的一個重要挑戰來自於車內通訊和車對萬物(V2X)通訊的限制。車中需要內建的聯網子系統越來越多，布線長度和總體成本所帶來的挑戰，迫使汽車製造商尋找未來可行的替代體系架構。
O-RAN目的在推動無線產業社群(Wireless Community)轉型、開闢新無線設備通道和推動創新，以履行3GPP關於5G的承諾。
隨著GPS的普及，定位已成為無線設備的重要功能之一。如今消費者期望實現微定位，這反過來促使無線技術針對微定位的要求進行調整，推動定位精度不斷提升。
雲端運算和物聯網的發展，以及行動裝置在日常技術中的普及，都使得創新且高效的資料中心(Data Center)比以往更加重要。要確保當今日益複雜資料中心敏捷、適應性強、具分布性、高效和智慧化，已成為這個時代的挑戰。然而，要在高溫和高速運行的未來架構中實現並保持最高水準的精度和性能，就必須仔細考慮經常受到低估但卻非常關鍵的測試領域。
藍牙互通性(Bluetooth Interoperability)是物聯網裝置的基本特性。在這個領域具有不同作業系統、軟體和硬體組合的智慧型手機可達成千上萬台。
本文協助開發使用矽光電倍增器(SiPM)的光學雷射雷達(LiDAR)系統。下文包含了以下資訊：直接飛行時間(ToF)測距儀的雷射發射器、計時和光學參數的設計和實現，以及詳細分析將SiPM整合到此類系統中時必須考慮的關鍵層面。
支援全新精準定位功能的無線技術正不斷擴展應用範例，其中包括需要更高等級安全性的例子。例如，在汽車產業，需要在汽車和遙控鑰匙之間進行安全的身分驗證。
超寬頻(UWB)是一種射頻無線技術，可以增強先進駕駛輔助系統(ADAS)和聯網自動駕駛汽車(CAV)的感測器套件功能。導入超寬頻技術可避免致命性的碰撞，確保實施可靠的車聯網(V2X)連接，進而挽救更多的生命。
隨著物聯網不斷革新，機器視覺、人工智慧(AI)、機器學習(ML)、深度學習(DL)和無線感測器等技術之進步，正加速工業4.0時代的到來，智慧製造已成未來趨勢，可加速產業效率並降低總體成本。
現場可編程閘陣列(FPGA)與類比數位轉換器(ADC)輸出的介面是一項常見的工程設計挑戰。
網路邊緣裝置和新興應用可將大量原始資料轉化為即時決策參考。本文介紹整合現成的人工智慧(AI)/機器學習(ML)工具、IP核心、硬體平台、參考設計以及客製化設計服務，如何協助將網路邊緣裝置和應用快速推向市場。
5G網路技術在蜂巢網路行動營運商和LTE專用網路環境中的推廣力度不斷加大。5G新空中介面(New Radio, NR)採用分時雙工(Time Devision Duplex)技術，這項技術要求所有新空中介面部署相對於使用世界協調時間(UTC)全球導航衛星系統(GNSS)的授時源保持相位對齊，並確保準確度在+/-1.5μs範圍內。
汽車產業近來的技術創新速度令人驚嘆。汽車電動化歷經了20年的線性發展，最近2到3年則開始呈現指數級的爆炸成長。
許多通訊系統、量測儀器和訊號擷取系統，需要同時透過多個類比數位轉換器(ADC)對類比輸入訊號進行採樣。由於這些輸入訊號各自有不同的延遲，所以必須對輸入的採樣資料做同步處理。為滿足低電壓數位訊號(LVDS)和並行輸出ADC的需要，延遲不一致的問題，對系統設計人員而言是一個難題。
術語「軟體定義硬體(Software-defined Hardware)」，往往指將應用映射至FPGA，進而透過軟體創建運行時可重配置硬體。軟體定義硬體旨在實現特定演算法或運算的運行時效率最大化，是使用固定的馮紐曼運算架構的CPU和GPU，或是成本高、同樣功能不可變的ASIC的替代產品。因此，針對機器人的軟體定義硬體，應被理解成能夠透過軟體重新程式設計和適配的運行時可重配置機器人硬體。
在嵌入式設計中實現安全功能似乎是一項艱巨的任務，因此專門提供安全功能的微控制器(MCU)應運而生，它們能夠在嵌入式設計之初實現安全功能。因為毫無疑問的開發人員需要一種新型的嵌入式解決方案來保護物聯網(IoT)應用的安全。
人工神經網路(ANN)在機器學習和深度學習中占了重要的一部分，從由少數神經元組成的早期網路，到具有數千億參數(例如GPT-3)的新型網路，儘管ANN取得了顯著的成功，但人們仍然能從生物系統中學習，因為這些系統已經發展出各種驚人的解決方案，來解決人工智慧工程師所面臨的挑戰。
Featured Videos
Upcoming Events
Hot Keywords
本站使用cookie及相關技術分析來改善使用者體驗。瞭解更多