onsemi Hyperlux ID AF0130：1.2MP iToF深度传感器突破30米检测距离

产品信息

项目	内容
型号	AF0130 / AF0131
系列	Hyperlux ID (Indirect Time-of-Flight)
厂商	onsemi
发布	2026年9月27日 (2天前)
分辨率	1.2 MP (1280×960)
传感器类型	BSI CMOS Global Shutter iToF
光学格式	1/3.2 inch
链接	https://www.onsemi.com/products/sensors/image-sensors/af0130

核心突破

onsemi Hyperlux ID AF0130在四个关键维度突破传统iToF限制：(1) 全局快门消除运动伪影；(2) 1.2MP分辨率超越VGA；(3) 30米检测距离（传统<10米）；(4) 简化标定流程。

技术详解

iToF原理

import numpy as np

class IToFPrinciple:
    """
    间接飞行时间(iToF)原理
    
    与dToF(直接测距)不同,iToF通过测量
    调制光信号的相位差来计算距离
    """
    
    def __init__(self):
        self.c = 3e8  # 光速
        self.f_mod = 20e6  # 调制频率 20 MHz
        
    def phase_to_distance(self, phase_deg, freq_hz=None):
        """
        相位差 → 距离
        
        公式: d = (c * phase) / (4 * pi * f)
        
        Args:
            phase_deg: 相位差(度)
            freq_hz: 调制频率
        
        Returns:
            distance_m: 距离(米)
        """
        if freq_hz is None:
            freq_hz = self.f_mod
        
        phase_rad = np.radians(phase_deg)
        distance = (self.c * phase_rad) / (4 * np.pi * freq_hz)
        return distance
    
    def unambiguous_range(self, freq_hz=None):
        """无模糊距离范围"""
        if freq_hz is None:
            freq_hz = self.f_mod
        return self.c / (2 * freq_hz)
    
    def depth_precision(self, freq_hz=None, n_photons=1000):
        """深度精度估计"""
        if freq_hz is None:
            freq_hz = self.f_mod
        c = self.c
        # 理论精度: σ_d ≈ c / (4πf√N)
        sigma = c / (4 * np.pi * freq_hz * np.sqrt(n_photons))
        return sigma

itof = IToFPrinciple()
print(f"调制频率: {itof.f_mod/1e6} MHz")
print(f"无模糊距离: {itof.unambiguous_range():.1f} m")
print(f"理论精度(1000光子): {itof.depth_precision()*1000:.2f} mm")
print(f"理论精度(10000光子): {itof.depth_precision(n_photons=10000)*1000:.2f} mm")

AF0130关键参数

参数	AF0130	传统VGA iToF	提升
分辨率	1280×960 (1.2MP)	640×480 (0.3MP)	4x
像素尺寸	3.5 μm	5.0-7.0 μm	—
快门类型	Global Shutter	Rolling Shutter	消除运动伪影
检测距离	0.5-30 m	<10 m	3x
片上存储	✅ 多相位同时采集	❌ 逐相位采集	—
标定	专有快速标定	耗时手工	简化
BSI	✅ 背照式	❌ 前照式	更高QE
抗太阳光	✅ 窄带IR对准	❌ 受太阳干扰	—

四大技术突破详解

1. 全局快门+片上存储

class GlobalShutterItoF:
    """
    AF0130 全局快门 iToF 核心: 片上存储多相位同时采集
    
    传统iToF问题: 需要逐次采集4个相位,运动物体导致相位错位
    AF0130解决: 片上存储器同时采集所有相位
    
    采集时序对比:
    传统: [φ1采集] → [读取] → [φ2采集] → [读取] → [φ3采集] → [读取] → [φ4采集] → [读取]
          ↑ 运动导致相位间错位
          
    AF0130: [φ1采集][φ2采集][φ3采集][φ4采集] → [统一读取]
            ↑ 同一时刻所有相位对齐
    """
    
    def __init__(self):
        self.num_phases = 4  # 90°间隔的4个相位
        self.phase_angles = [0, 90, 180, 270]  # 度
        self.storage_per_pixel = self.num_phases
        
    def compute_depth_from_phases(self, phi0, phi1, phi2, phi3):
        """
        从4个相位计算深度
        
        使用反正切公式:
        d = (c / (4πf)) * arctan2((phi1 - phi3), (phi0 - phi2))
        """
        c = 3e8
        f_mod = 20e6
        
        # 相位角
        phase = np.arctan2(
            (phi1 - phi3),  # 虚部
            (phi0 - phi2)    # 实部
        )
        
        # 转换为正角度
        if phase < 0:
            phase += 2 * np.pi
        
        # 相位 → 距离
        distance = (c * phase) / (4 * np.pi * f_mod)
        return distance
    
    def simulate_moving_object(self):
        """模拟移动物体的深度测量"""
        # 物体从1m移动到3m
        true_distances = np.linspace(1.0, 3.0, 100)
        
        # 传统iToF: 运动导致相位错位
        traditional_errors = []
        for d in true_distances:
            # 模拟运动导致的相位错位误差
            error = np.random.normal(0, 0.05) * d  # 5%相对误差
            traditional_errors.append(abs(error))
        
        # AF0130: 同时采集,无错位
        af0130_errors = []
        for d in true_distances:
            # 仅噪声,无运动伪影
            error = np.random.normal(0, 0.002)  # 2mm精度
            af0130_errors.append(abs(error))
        
        print(f"传统iToF平均误差: {np.mean(traditional_errors)*100:.1f} cm")
        print(f"AF0130平均误差: {np.mean(af0130_errors)*100:.2f} cm")
        print(f"精度提升: {np.mean(traditional_errors)/np.mean(af0130_errors):.0f}x")

gs = GlobalShutterItoF()
gs.simulate_moving_object()

2. 高分辨率优势

class ResolutionAdvantage:
    """AF0130 1.2MP vs VGA分辨率对比"""
    
    def __init__(self):
        self.af0130_res = (1280, 960)  # 1.2MP
        self.vga_res = (640, 480)       # 0.3MP
        
    def pixel_coverage(self, fov_h=60, fov_v=45, target_distance=2.0):
        """计算目标距离上每个像素覆盖的面积"""
        for name, (w, h) in [("VGA", self.vga_res), 
                             ("AF0130", self.af0130_res)]:
            # 视场角对应物理尺寸
            width_m = 2 * target_distance * np.tan(np.radians(fov_h/2))
            height_m = 2 * target_distance * np.tan(np.radians(fov_v/2))
            
            # 每像素覆盖面积
            pixel_area = (width_m / w) * (height_m / h) * 10000  # cm²
            
            print(f"{name} ({w}x{h}):")
            print(f"  @{target_distance}m, FOV {fov_h}°x{fov_v}°")
            print(f"  场景尺寸: {width_m:.2f}m x {height_m:.2f}m")
            print(f"  每像素: {pixel_area:.2f} cm²")
            print()

r = ResolutionAdvantage()
r.pixel_coverage()

3. 30米长距离检测

距离	VGA iToF	AF0130	应用场景
<3m	✅ 可用	✅ 高精度	座舱OMS
3-10m	⚠️ 精度差	✅ 可用	车内后排
10-30m	❌ 不可用	✅ 可用	车外感知

4. 简化标定

def af0130_calibration():
    """
    AF0130标定对比
    
    传统iToF标定步骤:
    1. 多距离点测量已知目标
    2. 拟合距离-相位误差曲线
    3. 逐像素标定(耗时>2小时)
    
    AF0130专有方法:
    1. 出厂校准数据加载
    2. 快速现场标定(<5分钟)
    3. 自动温度补偿
    """
    traditional_cal = {
        "steps": 15,
        "time_minutes": 120,
        "equipment": ["标定板", "精密导轨", "恒温箱"],
        "per_unit": True
    }
    
    af0130_cal = {
        "steps": 3,
        "time_minutes": 5,
        "equipment": ["开发套件自带"],
        "per_unit": False  # 出厂数据 + 快速修正
    }
    
    print(f"传统标定: {traditional_cal['time_minutes']}分钟/台")
    print(f"AF0130标定: {af0130_cal['time_minutes']}分钟/台")
    print(f"量产效率提升: {traditional_cal['time_minutes']/af0130_cal['time_minutes']:.0f}x")

座舱应用场景

OOP异常姿态检测

class OOPDetection:
    """
    使用AF0130深度数据进行OOP检测
    
    优势:
    1. 深度信息直接获取(无需立体视觉估计)
    2. 全局快门适合运动姿态
    3. 穿透衣物检测(配合IR)
    """
    
    def __init__(self):
        self.depth_resolution = (1280, 960)
        self.fov = (65, 50)  # 度
        
    def detect_posture(self, depth_map):
        """
        从深度图检测乘员姿态
        
        Args:
            depth_map: 深度图 (1280x960)
        
        Returns:
            posture: 姿态分类
        """
        # 1. 座椅区域分割
        seat_region = self._segment_seat(depth_map)
        
        # 2. 人体高度轮廓提取
        silhouette = self._extract_silhouette(depth_map, seat_region)
        
        # 3. 关键点深度分析
        keypoints = self._estimate_keypoints(depth_map, silhouette)
        
        # 4. 姿态分类
        posture = self._classify_posture(keypoints)
        
        return posture
    
    def _classify_posture(self, kp):
        """基于关键点深度分类姿态"""
        head_z = kp.get("head", {}).get("z", 0)
        shoulder_z = kp.get("shoulder", {}).get("z", 0)
        hip_z = kp.get("hip", {}).get("z", 0)
        
        # 前倾检测: 头部z < 肩部z
        if head_z < shoulder_z - 0.15:  # 前倾>15cm
            return {"posture": "forward_lean", "severity": "moderate"}
        elif head_z < shoulder_z - 0.30:
            return {"posture": "forward_lean", "severity": "severe"}
        
        # 侧卧检测: 头部偏移
        if abs(kp.get("head", {}).get("x", 0) - hip_z) > 0.3:
            return {"posture": "side_lean", "severity": "moderate"}
        
        return {"posture": "normal", "severity": "none"}

座舱多场景覆盖

场景	深度需求	AF0130优势	检测方法
OOP前倾	精确深度(±2cm)	全局快门+高精度	头-肩深度差
CPD儿童	穿透+小目标	1.2MP高分辨率	体积+形状分类
乘员计数	多目标分离	高分辨率空间	深度聚类
安全带位置	精确3D	IR+深度	带条深度轮廓
手势识别	实时运动	全局快门无模糊	手部深度轨迹

竞品对比

产品	分辨率	距离	快门	尺寸	成本
AF0130	1.2MP	30m	Global	小	低
AF0131	1.2MP	30m	Global	更小	低
Microsoft Kinect v2	0.5MP	4.5m	—	大	中
Intel RealSense D455	1MP	6m	Global	中	中
Orbbec Astra 2	1MP	20m	—	中	低
Leopard+Lumotive	1MP	15m	—	紧凑	中

Leopard Imaging集成方案

class LeopardItoFModule:
    """
    Leopard Imaging LI-AR0234-AF0130-TX10-GMSL2-140H
    
    集成模块: RGB + iToF + 嵌入式处理 + 可编程照明
    
    适用于车载部署
    """
    
    def __init__(self):
        self.components = {
            "rgb_sensor": "AR0234 (onsemi 2MP)",
            "itof_sensor": "AF0130 (onsemi 1.2MP)",
            "processor": "TX10 (NVIDIA Tegra)",
            "interface": "GMSL2 (车规级)",
            "illumination": "可编程光束引导",
            "connector": "GMSL2 单线"
        }
        
    def get_specifications(self):
        return {
            "rgb_resolution": "1920x1200 @ 30fps",
            "depth_resolution": "1280x960 @ 30fps",
            "range": "0.1-30m",
            "power": "<5W",
            "operating_temp": "-40°C to +85°C",
            "interface": "GMSL2 (15m cable)",
            "size": "42mm x 42mm x 35mm"
        }

IMS开发启示

1. 替代当前深度感知方案

当前方案	AF0130方案	改进
立体视觉(双摄)	单iToF	减少一个摄像头
结构光	iToF	距离提升3x
估计深度	精确深度	精度提升10x

2. 部署优先级

场景	优先级	理由
OOP异常姿态	🔴 高	深度直接检测,无需复杂估计
CPD儿童检测	🔴 高	高分辨率+穿透能力
乘员分类	🟡 中	精确3D形态分析
手势控制	🟢 低	软件定义新功能

3. 与雷达融合

class DepthRadarFusion:
    """
    AF0130深度摄像头 + 60GHz雷达融合
    
    深度摄像头: 精确空间轮廓
    雷达: 穿透遮挡+微运动
    """
    
    def fuse_depth_radar(self, depth_map, radar_data):
        """
        融合策略:
        - 深度摄像头: 高分辨率空间建模
        - 雷达: 填充遮挡区域+生命体征
        """
        # 1. 深度摄像头构建3D场景
        point_cloud = self.depth_to_pointcloud(depth_map)
        
        # 2. 雷达检测深度摄像头遮挡区域
        radar_detections = self.process_radar(radar_data)
        
        # 3. 融合: 雷达补充遮挡区域
        for det in radar_detections:
            if det.position not in point_cloud.visible_region:
                point_cloud.add_radar_point(det)
        
        return {
            "point_cloud": point_cloud,
            "occupant_posture": self.classify_posture(point_cloud),
            "breathing_rate": radar_data.get("breathing_rate"),
            "occluded": len(radar_detections) > 0
        }

结论

AF0130在iToF领域的突破使深度感知从”近距离室内专用”扩展到”30米全场景覆盖”。对于座舱OMS/OOP，1.2MP全局快门提供了足够的空间分辨率和运动鲁棒性，30米范围远超座舱需求（<5米），意味着大量余量可用于高精度姿态分析。

---

产品: onsemi Hyperlux ID AF0130/AF0131
开发套件: onsemi 提供完整参考设计