昨天!人工智能自动驾驶新芯片!电子科技大学Nature Sensor:像鸟一样选择性失明,机器学习赋能的宽光谱自适应带阻探测

眩光、激光束和LED光源等不可预测的光污染，对自动驾驶和人形机器人中的机器视觉系统构成了重大挑战，而这些系统的可靠性对于安全性和效率至关重要。在此，我们引入了一种基于机器学习的可调带阻光电探测器，它结合了仿生视觉感知策略与由偏压控制工作点动态定义的带阻中心波长。增量学习框架内的深度学习模型将入射光谱特征映射到最优电压设置，使系统能够在快速变化的光照下实现连续自校准。这种基于机器学习的可调带阻光电探测器覆盖可见光到红外范围，在目标信号与干扰信号之间实现了约43 dB的消光比。在模拟的严重光污染自动驾驶场景中，该系统将多目标识别准确率从传统宽带光电探测器的约60%提高到92%以上，实现了在不受控和光污染环境中的鲁棒运行。

2026年7月1日，相关研究成果以Tunable band-stop photodetection with machine learning-enabled broadband spectral adaptation为题发表在国际顶级期刊Nature Sensors上，新加坡国立大学仇成伟教授、电子科技大学王军教授、张丽教授为论文共同通讯作者。

自动驾驶和人形机器人等技术的快速进步正在迎来具身智能时代，机器必须与动态环境无缝交互。机器视觉作为关键的感知组件，直接影响智能体有效参与其周围环境的能力。然而，不可预测的光干扰严重损害了成像质量、目标感知精度和视觉传感器的鲁棒性。传统视觉系统主要遵循加法感知范式，其中有用信息通过累积光谱输入来构建。CMOS图像传感器不加区分地捕获来自目标和干扰的信号，在这种挑战下难以维持图像质量并支持实时决策。即使是最先进的光谱可重构探测器也缺乏缓解这些不可预测挑战所需的光谱敏捷性和智能适应机制。无论是通过光谱滤波还是后处理来减轻干扰的尝试，都不可避免地引入了信号保留、噪声抑制和计算效率之间的基本权衡。这突显了开发具有智能适应性的光谱可重构探测器的必要性，以应对动态光干扰环境，从而在各种不可预测的挑战性光照场景中确保可靠和鲁棒的性能。

大自然通过鸟类提供了一个令人信服的解决方案，其视网膜锥细胞被赋予了彩色油滴，主要分为透明型、无色型、黄色型和红色型，为高对比度信号提取提供了一个进化模型。这些油滴含有选择性吸收特定波长的色素，降低了从背景照明中捕获光子的概率，同时增强了剩余光谱中目标信号的显著性。例如，在虎皮鹦鹉中，富含玉米黄质的黄色型油滴在445 nm附近表现出吸收峰，有效吸收紫外和蓝光。这种适应减轻了来自广阔海洋的蓝色反射干扰，增强了在黄色和棕色波长下对猎物的检测。类似地，红色型油滴含有虾青素，在479 nm附近有吸收峰，有效吸收蓝绿光。这种适应抑制了植被反射的强绿光，增强了棕色甲虫等猎物与其绿色环境之间的对比度。这种在长期进化干扰和不同生态位目标学习中锤炼出的专门视觉架构，反映了一个非凡的优化过程。不同鸟类物种根据其栖息地的特征光轮廓，调整了这些油滴色素的组成和分布，实现了目标信号的高对比度提取并增强了环境适应性。

受此原理启发，我们采用了一种减法感知的概念框架。在这种方法中，感知不是通过累积选定输入来构建的，而是通过在宽带响应中直接移除干扰来实现的。为了将这一概念付诸实践，我们开发了一种机器学习赋能的可调带阻光电探测器，其中偏压定义的转变电压源自竞争性光电流通道的平衡。这个工作点在很大程度上依赖于波长，实现了对光谱成分的电学可编程抑制。结合将入射光谱特征映射到最优工作条件的增量学习框架，这个平衡点变得可预测，使系统能够适应复杂和演变的照明环境。在模拟的自动驾驶场景中，它有效抑制了包括激光照射、眩光和远光灯照明在内的多种干扰源，并提高了识别性能。这种硬件-算法协同设计架构为机器视觉建立了一个新框架，其中感知通过拒绝干扰而非选择信号来实现。