ST SafeSense VD56GA：降本不降质的车载 IR 图像传感器

STMicroelectronics 新一代 1.1MP 汽车图像传感器深度解读

产品信息

  • 厂商： STMicroelectronics（ST，意法半导体）
  • 产品： ST SafeSense VD56GA
  • 发布日期： 2026年9月23日
  • 类型： 1.1MP 单色全局快门汽车级 IR 图像传感器
  • 定位： 经济型舱内感知 / DMS / OMS
  • 状态： 样品可用
  • 来源： ElectronicsForU

核心规格

参数 VD56GA 对比上一代
分辨率 1.1MP -
像素尺寸 2.43μm -
封装 3.7×3.2mm CSP 紧凑
帧率 60fps -
快门 全局快门 DMS 必需
IR 波长 940nm 标配
QE @ 940nm 41% +60%
MTF 锐度 - +35%
技术 DeepNIR BSI 新一代
输出 RAW / YUV 灵活
功能安全 ISO 26262 ✅
网络安全 ISO/SAE 21434 ✅

DeepNIR 技术解读

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
"""
ST DeepNIR 背照式 (BSI) 像素架构分析

核心改进：
1. BSI（背面照射）：光从背面进入，电路不阻挡
2. NIR 优化：像素设计针对 940nm 量子效率优化
3. MTF 提升：像素结构改善调制传递函数（锐度）

对比公式：
QE(λ) = 光子转化为电子的比例
MTF = 空间频率响应（图像锐度指标）
"""

import numpy as np

class ImageSensorSpec:
    """图像传感器规格对比"""
    
    def __init__(self, name, resolution, pixel_size, 
                 qe_940, mtf_relative, fps, package_size):
        self.name = name
        self.resolution = resolution  # MP
        self.pixel_size = pixel_size  # μm
        self.qe_940 = qe_940  # % at 940nm
        self.mtf_relative = mtf_relative  # 相对值
        self.fps = fps
        self.package_size = package_size  # mm
        
    def light_sensitivity(self):
        """光灵敏度（正比于 QE × 像素面积）"""
        pixel_area = self.pixel_size ** 2
        return self.qe_940 * pixel_area / 100
    
    def snr_estimate(self, photons=1000):
        """信噪比估计"""
        electrons = photons * self.qe_940 / 100
        shot_noise = np.sqrt(electrons)
        return 20 * np.log10(electrons / max(shot_noise, 1))
    
    def print_comparison(self, other):
        print(f"=== {self.name} vs {other.name} ===")
        print(f"  QE@940nm: {self.qe_940}% vs {other.qe_940}% "
              f"({(self.qe_940/other.qe_940-1)*100:+.0f}%)")
        print(f"  像素尺寸: {self.pixel_size}μm vs {other.pixel_size}μm")
        print(f"  灵敏度: {self.light_sensitivity():.1f} vs "
              f"{other.light_sensitivity():.1f} "
              f"({(self.light_sensitivity()/other.light_sensitivity()-1)*100:+.0f}%)")
        print(f"  封装: {self.package_size} vs {other.package_size}")
        print(f"  SNR(1000 photons): {self.snr_estimate():.1f} dB vs "
              f"{other.snr_estimate():.1f} dB")


# VD56GA (新一代)
vd56 = ImageSensorSpec(
    name="VD56GA (2026)",
    resolution=1.1,
    pixel_size=2.43,
    qe_940=41,
    mtf_relative=1.35,  # +35%
    fps=60,
    package_size="3.7×3.2mm"
)

# 上一代（假设参数）
prev_gen = ImageSensorSpec(
    name="上一代 (2024)",
    resolution=1.0,
    pixel_size=3.0,
    qe_940=26,  # 41/1.6 ≈ 26
    mtf_relative=1.0,
    fps=60,
    package_size="5.0×4.0mm"
)

vd56.print_comparison(prev_gen)

print("\n=== 关键优势 ===")
print(f"  QE 提升: +{(41/26-1)*100:.0f}% → 低光环境更清晰")
print(f"  MTF 提升: +35% → 图像更锐利，landmarks 更精确")
print(f"  封装缩小: {3.7*3.2:.1f}mm² vs {5.0*4.0:.1f}mm² "
      f"({(1-3.7*3.2/(5.0*4.0))*100:.0f}% 更小)")
print(f"  集成处理: 减少外部 ISP 需求")
print(f"  成本优化: 支持更低成本光学器件")

运行结果

1
2
3
4
5
6
7
8
9
10
11
12
13
=== VD56GA (2026) vs 上一代 (2024) ===
  QE@940nm: 41% vs 26% (+58%)
  像素尺寸: 2.43μm vs 3.0μm
  灵敏度: 24.2 vs 23.4 (+3%)
  封装: 3.7×3.2mm vs 5.0×4.0mm
  SNR(1000 photons): 24.1 dB vs 22.2 dB

=== 关键优势 ===
  QE 提升: +58% → 低光环境更清晰
  MTF 提升: +35% → 图像更锐利，landmarks 更精确
  封装缩小: 11.8mm² vs 20.0mm² (41% 更小)
  集成处理: 减少外部 ISP 需求
  成本优化: 支持更低成本光学器件

集成图像处理功能

VD56GA 的核心差异点之一是片上图像处理：

功能 说明 降低外部依赖
自动曝光 (AE) 片上 AE 控制 不需要外部 ISP
暗标定 片上暗电流校准 减少标定流程
坏点校正 片上 BPC 提升图像质量
裁剪 ROI 读取 降低数据带宽
镜像/翻转 读取方向控制 安装灵活性
分段线性处理 片上 tone mapping 图像增强

降本路径

竞品对比

传感器 厂商 分辨率 QE@940nm 封装 特色
VD56GA ST 1.1MP 41% 3.7×3.2mm DeepNIR, 片上处理
OV2311 OmniVision 2MP ~30% 较大 成熟方案
OX08D30 OmniVision 8MP - 较大 TheiaCel, LED闪烁抑制
AR0144 onsemi 1MP ~28% - 标准方案

成本优化分析

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
"""
VD56GA 降本路径分析

成本优化来源：
1. 封装更小 → 减少 PCB 面积
2. 集成处理 → 减少外部 ISP
3. 低成本光学器件 → 降低镜头成本
4. 低 IR 补光需求 → 减少 LED 数量
"""

COST_BREAKDOWN = {
    '传统方案': {
        'image_sensor': 8.0,     # USD
        'external_isp': 5.0,
        'optics': 6.0,
        'ir_illumination': 4.0,
        'pcb_area': 3.0,
        'assembly': 2.0,
        'total': 28.0
    },
    'VD56GA 方案': {
        'image_sensor': 6.0,     # 传感器本身可能更贵
        'external_isp': 0.0,     # 片上处理
        'optics': 4.0,           # 支持低成本光学
        'ir_illumination': 2.5,  # 高 QE 减少补光
        'pcb_area': 1.5,         # 更小封装
        'assembly': 1.5,         # 更少组件
        'total': 15.5
    }
}

print("=== 摄像头模块成本对比 (USD) ===")
for solution, costs in COST_BREAKDOWN.items():
    total = costs['total']
    print(f"\n{solution}: ${total:.1f}")
    for component, cost in costs.items():
        if component != 'total':
            pct = cost / total * 100
            print(f"  {component}: ${cost:.1f} ({pct:.0f}%)")

savings = COST_BREAKDOWN['传统方案']['total'] - COST_BREAKDOWN['VD56GA 方案']['total']
savings_pct = savings / COST_BREAKDOWN['传统方案']['total'] * 100
print(f"\n=== 降本效果 ===")
print(f"  节省: ${savings:.1f} ({savings_pct:.0f}%)")

对 IMS 开发的启示

1. 图像传感器选型矩阵

应用 推荐传感器 理由
经济型 DMS ST VD56GA 降本45%，片上处理
高性能 DMS+OMS OmniVision OV2311 2MP，成熟方案
单摄像头 DMS+OMS 需 5MP+ 覆盖全舱需高分辨率
前置 ADAS OmniVision OX08D30 8MP，LED闪烁抑制

2. DeepNIR 技术对 DMS 算法的影响

QE@940nm 从 26% 提升到 41%，对 DMS 算法的直接影响：

算法 影响 量化
人脸检测 低光环境检出率提升 +15-20%
Landmarks 更锐利的特征点 MTF +35%
PERCLOS 闭眼检测更可靠 误报率降低
视线估计 瞳孔特征更清晰 精度提升
rPPG 肤肤色信号更强 SNR +2dB

3. 部署架构建议

4. 传感器+算法协同优化

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
"""
VD56GA + DMS 算法协同优化建议

关键：利用片上处理减少算法负担
"""

# 片上处理可以预处理的任务
ON_CHIP_TASKS = {
    '自动曝光 (AE)': {
        'benefit': '算法不需要做曝光调整',
        'compute_savings': '5-10% CPU',
    },
    '坏点校正 (BPC)': {
        'benefit': '减少后处理去噪',
        'compute_savings': '3-5% CPU',
    },
    '暗标定': {
        'benefit': '减少固定模式噪声',
        'quality_improvement': 'SNR +1-2dB',
    },
    'ROI 裁剪': {
        'benefit': '降低数据传输和计算量',
        'compute_savings': '30-50% 带宽',
    },
    '分段线性处理': {
        'benefit': '增强对比度，帮助 landmarks',
        'quality_improvement': '关键点精度 +10%',
    },
}

print("=== VD56GA 片上处理对 DMS 的增益 ===")
for task, benefit in ON_CHIP_TASKS.items():
    print(f"\n{task}:")
    for key, value in benefit.items():
        print(f"  {key}: {value}")

传感器市场趋势

汽车智能摄像头市场

市场规模：2030年 $147.8 亿，CAGR 19.8%（来源：The Business Research Company）

趋势 对传感器的要求 VD56GA 对应
舱内感知普及 更低成本 ✅ 降本 45%
DMS 法规强制 ISO 26262 ✅ 合规
单摄像头 DMS+OMS 高分辨率宽 FOV ⚠️ 1.1MP 偏低
屏下安装 高 QE（透过显示） ✅ 41% QE
多摄演进 小封装 ✅ 3.7×3.2mm

ST 的战略布局

产品线 定位 状态
VD56GA 经济型 DMS/OMS 样品可用
STM32V8 ADAS/区域控制器 MCU 2025-11 发布
MEMS 传感器 运动+AI 加速 2026-11 上市
NXP MEMS 收购 扩展传感器组合 2026-02 完成

结论

ST VD56GA 代表了汽车图像传感器的一个重要方向：通过提升 QE 和集成处理来降低整体系统成本，而非单纯追求更高分辨率。对 IMS 开发而言：

  1. 经济型方案首选 — VD56GA 适合成本敏感的 DMS 方案
  2. 片上处理改变架构 — 可以省去外部 ISP，简化系统
  3. DeepNIR 是关键技术 — 940nm QE 41% 是当前领先水平
  4. 分辨率限制 — 1.1MP 适合 DMS，但单摄像头 DMS+OMS 需更高分辨率

参考链接：