1.彭博社：去年中国的光刻设备进口增长了97%

2.瑞芯微推出RV车载视觉产品方案，录像性能提升一倍

3.在消费类便携设备中实现精确的运动跟踪

4.全球20%份额+2纳米工艺，欧洲半导体的新目标

5.AMD最新服务器芯片Milan采用台积电7纳米制程

6.诺基亚削减成本计划裁员万人增大对研发和未来产业投资

1.彭博社：去年中国的光刻设备进口增长了97%

集微网消息，中国为什么不能填补全球芯片的短缺？作为世界工厂的中国将各种商品出口至全球经济体，并且还不得不经常应对国内的供应过剩问题，但在解决全球半导体短缺问题上，中国还缺少什么？

3月2日彭博社撰文分析，认为中国在芯片制造设备的自主率方面还有很长的路要走。去年，中国从海外进口了价值亿美元的半导体设备，较前一年增长了30%以上，这些机械设备的短缺非常严重，以至于日本的二手机器正在进入中国，且价格大幅上涨。

图源：澎湃新闻

彭博社认为，光刻机是芯片制造中的关键步骤，而开发所谓用于光刻的极紫外工具可能需要十多年的时间，这种精密的机器变得越来越昂贵。去年，中国的光刻设备进口增长了97%。

中国一直在不懈努力以实现半导体的自给自足，向芯片行业提供了数十年的税收减免等补贴和激励措施。自力更生仍然是国家政策目标。年，整个中国芯片市场仅有6.1%的份额是总部位于中国的公司提供的。其余的都是外国公司。

彭博社还报道，汇丰银行指出，与其他市场领导者相比，中国的芯片制造机器较差，针对它们的服务也更昂贵，而且不够精密。除了购买设备所需要的费用之外，维护这些设备的成本会随着时间而上涨。

即使中国在芯片设计和技术雄心方面取得了实质性进展，但如果没有制造这些芯片的机器，就无法为国内制造芯片或用于出口。它无法制造这些设备，以及被外国企业卡着脖子，意味着中国在一段时间内仍将依赖全球供应链。

（校对/Serena）

2.瑞芯微推出RV车载视觉产品方案，录像性能提升一倍

近年来，DMS行业发展势头强劲。在商用车领域，受国内政策推动，DMS配置率正在高速增长；在个人乘用车领域，随着对疲劳/分心导致的交通事故问题日益重视，用户对车载产品的功能性，包括ADAS（前车预警）、DMS（驾驶员疲劳检测）、BSD（盲区检测算法）等的搭载需求正不断提高。

目前市场中不少车载视觉产品存在录像性能不佳、AI功能执行准确性低、清晰度差、录制时间短等问题，难以满足企业及个人车主的需求。瑞芯微旗下视觉产品方案——RV，基于车载应用，全面技术升级，让RV车载视觉产品展现出更强的竞争力。

车载录像性能提升一倍，支持8路p视频录像

对于客货运行业来说，庞大的车辆数，使得企业对车辆及司机的安全监控管理面临巨大挑战。支持更多路视频录像的车载产品无疑将帮助企业提供高效的监管、更好地实现远程调控，同时降低购置设备的成本。

基于瑞芯微RV车载视觉方案的产品，其车载录像性能可提升一倍。目前，市场大部分其他方案通常只能支持4路P视频录像，而RV单颗芯片，即可支持8路p视频录像，无需额外增加芯片成本。

此外，在强大性能支撑下，RV支持回放同步视频录制功能，多线程操作，监管更高效。

内置2T独立NPU，AI效率更高

RV内置独立NPU，提供2T算力，可支持ADAS（前车预警）、DMS（驾驶员疲劳检测）、BSD（盲区检测算法）等系统，AI运算更高效，监测及预警功能执行更准确，操作不卡顿。而其他同类方案大多没有独立AI硬件，用CPU执行AI运算，导致效率大打折扣。

同时，RV采用开放式NPU，释放NPU底层代码，合作伙伴或开发者能够更易上手，缩短产品设计研发周期，加速产品落地进程。

配备安防级ISP，确保夜拍高清晰度

夜晚为事故多发时段，如何确保成像清晰，是评判车载记录仪性能的关键要素。RV内置安防级自研ISP，有着强大且全面的影像处理能力。其率先支持多级降噪、3帧HDR、0.01Lux黑光全彩，可在光线不佳的情况下清晰还原真实影像。

通过实测可发现，通过多级降噪技术，RV的星光夜视效果更优秀。与大部分其他同类方案相比，RV记录的行人挥手无拖影，小巷的暗角噪点少，摩托车的车牌也更清晰。

在另一处的夜景实测对比中，基于HDR技术，RV方案拍摄的画面在细节如店招文字、屋顶、池塘等呈现上更清晰，色彩还原度也更高。

存储空间扩容一倍，记录时间延长

RV采用SmartH.编码技术，让拍摄的画面既高清，文件体积又小。同样的视频源，SmartH.编码技术可让文件占据的空间缩小一半，车载产品的记录时间延长一倍。

解压时间快22倍，设备启动速度提升

RV内置硬件解压模块DECOM，解压时间更快，极大提升设备冷启动速度。经实测，在MB的固件下，DECOM模块比CPU解压的时间快22倍。

在汽车智能化、电子化率提升的大趋势下，车用电子产品的需求量将大幅增长。随着客货运企业对安全监管的重视及个人车主自我保护意识的不断增强，车载设备的性能需求急需升级。瑞芯微RV车载视觉方案凭借五大技术优势，将催生及赋能更多契合诉求的产品落地。

3.在消费类便携设备中实现精确的运动跟踪

以智能手机为主，包括智能腕表、健身追踪器和可听戴设备等在内的各类便携式联网电子设备，彻底改变了我们的生活。这些设备在数据采集中融入了处理功能和无线联网技术。

但是，相比其他所有功能特性，运动传感器对于便携式设备的实用和直观的重要性很容易被忽略。无论是在手机上改变屏幕方向、在智能腕表上统计步数、匹配头部运动和扩展现实（XR）眼镜，还是轻敲耳塞式耳机来更换歌曲，动作感测始终是用户体验和界面的重要组成部分。

对于嵌入式工程师而言，选择和集成运动传感器可能会很棘手。如何确保在不增加不必要的成本或功耗的前提下，选择正确的技术以获得所需的精确度？以及如何确保最大限度地利用传感器，并且不会错过可以改进最终产品的性能或功能？

运动传感器基本原理

首先，快速回顾一下我们所说的运动传感器。常用的有三种：加速计、陀螺仪和磁强计。

加速计用于测量加速度（包括重力加速度）。这意味着它可以感测重力相对于传感器的方向（基本上是朝上的方向）。陀螺仪通过测量角速度来测量角位置的变化。

加速计和陀螺仪各有3个自由度（或3个轴），两者结合就可以得到一个6轴运动传感器，或称IMU（惯性测量单元，见图1）。在许多应用中，我们还需要增加一个测量地球磁场强度和方向的磁强计，以便于估计我们前进的方向。在加速计和陀螺仪上添加一个3轴磁强计，就可以得到一个9轴IMU。

因此，本文我们将深入探讨IMU。虽然我们讨论的某些特性可以单独应用于加速计、陀螺仪或磁强计本身，但我们想要阐述的是将至少两种传感器结合起来所面临的挑战。

图1：IMU实现运动感测(来源:CEVA）

保持精确

现在我们已经回顾了IMU的理论知识，如何在实践中实施？我们如何才能获得所需的精确度？

对于IMU来说，在确定设备行进方向时所获得的精确度是一个我们可以作为起始点的基础度量标准。我们的要求可能在一到两度范围内，而较低的精确度可以被其他应用程序接受。例如，XR耳机的精确度要求远远超过儿童的机器人玩具。然后我们应该考虑该数据的稳定性，以及它是否会随时间和温度发生变化。

从我们的IMU获得最高精确度输出需要应用感测融合概念，即融合多个传感器的数据以创建整体大于部分的总和。IMU的每个传感器都各有优劣势，将其融合在一起可形成更好的解决方案。

考虑感测融合的一种方式是基于“信任”。在这种情况下，我们可以使用“信任”表示，来自特定传感器的数据在准确性和相关性方面具有合理的可信度。假设你是一个国家的“总统”，则必须由你决定相关政策。你有经济、卫生和军事顾问。每个人都可以为你提供一份信息，但他们分属不同领域。他们会考虑各自的观点将如何影响“同僚”，但仅限于猜想。最终要由你来处理和融合他们的信息，以形成最佳决策。

你同样有两至三个可以从IMU获得定向数据的“顾问”：加速计、陀螺仪以及磁强计。陀螺仪最容易解释。消费级陀螺仪无疑可以在短短几秒钟内进行相对方向的更改，但输出将漂移较长的时间间隔，甚至会达到数十秒以上。加速计有助于长期测量重力，但可能无法识别特定场景，比如汽车的恒定加速度。我们可以在稳定的磁场环境中（例如乡村或森林）使用磁强计，但如果有磁场干扰，比如在钢结构建筑物内，可信度就会降低。

总之，陀螺仪适用于短期测量，加速度计和磁强计适用于长期测量。详细了解它们的局限性后，就可以把它们的数据融合在一起，获得更准确的设备方位图。

对于多个传感器输出信息（如9轴IMU），感测融合使我们有机会整合并对比数据，从而提高精确度。例如，如果我们的感测融合软件包含一种算法，可以检测由于磁场干扰而导致磁强计输出发生的意外或突然变化，那么在磁强计恢复稳定之前，算法可以自动提升对加速计和陀螺仪数据的信心。

采样率对于精确度也很重要——所选传感器提供的数据是否足够满足需求？当然，这具体取决于应用程序：例如，对于一个基础计步器而言，每秒几次读数可能已经足够，但对于大多数应用来说，建议采样频率达到Hz到Hz。然而，在XR应用中，精确的头部跟踪可能需要1kHz或更高的采样率（此处XR是VR、MR和AR的统称）。快速采样率对于实现低延迟同样重要，在我们的头部跟踪示例中，这代表着沉浸式VR体验和运动晕眩感受之间的本质区别！

我们还需要考虑校准。许多传感器都是按“原样”提供，输出信息比仅供参考的数据表没有太多变化。任何类型的校准都将有助于最大限度保持不同个体传感器之间的性能一致性。工厂校准是提高个体性能的一种强有力方式，但成本相对昂贵。现场动态校准是另一种方案，需要对传感器本身或至少对应用程序有详细的了解。传感器的应用偏差如果不解释清楚，就会对整体输出产生可能加剧现有任何错误的负面影响。

最后，我们需要考虑如何验证我们获得的传感器数据，并将它们融合在一起。虽然这取决于我们的追踪目标，但基本原则是利用另一个独立的信息源来提供真实状态支持我们检查传感器输出。例如，机器人的手臂可以非常精确地重复移动到已知点，然后我们可以查看传感器是否给我们提供相同的位置数据。当我们检测到错误时，有可能通过计算进行弥补，或者将其标记为需要进一步