传感器负责采集物理世界信号，神经网络负责看懂、处理这些信号，输出决策/控制指令；二者是“眼睛、皮肤”和“大脑”的搭配，缺一不可。
1、各自分工
- 传感器：硬件，只做信号转换
相机、激光雷达、IMU、力矩传感器、足底压力、触觉传感器、编码器。
输出原始数据：像素、点云、角度、加速度、压力值。
✘ 它不懂含义，只是把现实变成一串数字。
- 神经网络：算法模型（大脑）
接收传感器传来的原始数字，提取特征、做拟合、预测、判断。
✘ 它不能直接感知世界，没有传感器输入，神经网络就是空转，没有信息来源。
2、在机器人里典型链路
传感器 → 预处理 → 神经网络 → 动作输出给电机
举四足机器人例子：
IMU（姿态）+关节编码器+足底压力传感器 → 数据送入MLP/强化学习策略网络 → 网络算出每条腿电机扭矩 → 机器人站稳、走路。
视觉机器人：
相机（图像传感器）→ CNN神经网络 → 识别物体、算出物体位置 → 规划抓取。
3、神经网络对传感器的价值（重点）
1. 降噪：传感器信号自带噪声、漂移，神经网络可以学习噪声规律，过滤干扰，比传统滤波效果更好。
2. 多传感器融合：把相机、激光、IMU不同来源的数据揉在一起（多模态），传统融合公式很难写，神经网络很擅长。
3. 补偿传感器短板：比如传感器精度不够、有盲区，网络可以靠数据学习做估计（状态估计）。
4. 端到端简化：以前是传感器→人工写特征→规则判断→控制；现在直接传感器原始数据进神经网络，一步出控制指令，就是端到端具身智能。
4、反过来：传感器决定神经网络的上限
- 传感器差、噪声大、采样频率低，再好的神经网络也容易判断出错、失控；
- 不同传感器搭配，需要设计不同网络：图像用CNN、时序IMU数据常用LSTM、多模态用Transformer。
5、简单对比传统方案
- 传统：传感器 + 人工写公式/滤波/PID，人要摸清所有物理规律；
- 神经网络方案：传感器 + 数据训练，网络自己学习物理规律，适合复杂、难建模的场景（摩擦、打滑、柔性接触）。
6- 传感器：奥比中光（3D视觉传感器）、敏芯股份、汉威科技等
- 神经网络算法/算力：埃斯顿、九号、云天励飞、中科创达/泰尔股份、智微智能、固高科技、申昊科技
作者声明： 本文转载自第三方，旨在提供资讯参考，并非证券推荐或投资建议。作者对内容的真实性、准确性不承担保证责任。本文不构成任何投资建议或证券推荐。截至发文日，作者与文中提及的标的不存在持仓关系。