AI+传感器，真正值钱的不是给芯片塞一个神经网络

SENSOR × AI / 产品路线判断

对磁编码器公司来说，AI 最先该进入的，可能不是实时角度链路，而是校准、测试和量产数据。

最近内部聊到一个很现实的问题：一家做磁传感器、编码器芯片的公司，现在有没有必要布局“AI+传感器”？

第一反应很容易走向两个极端。一种觉得必须做，现在什么东西都在加 AI，再不做就落后了；另一种觉得完全没必要，磁编码器就是两路正余弦，offset、gain、orthogonality、谐波补偿、atan2，几十年前就能算清楚的东西，为什么还要塞一个神经网络进去？

真正应该问的不是

“磁编码器里面要不要跑 AI？”

而是：一家传感器公司，能不能开始用 AI 重新定义自己的校准、测试和量产数据？

01

刚刚有篇论文，把这件事做得很有意思

2026 年 9 月，《Review of Scientific Instruments》发表了一篇磁编码器误差补偿论文。作者面对的还是我们天天碰到的那些老问题：正余弦结构失真、噪声，以及传统固定参数滤波器在复杂误差下适应能力不足。

他们做了一套 NN-EKF：神经网络负责把畸变后的正余弦重新构造成更符合正交假设的信号，同时预测 Kalman filter 需要的噪声参数，再交给 EKF 做角度估计。

硬件测试结果

最大角误差 0.0349°

在未针对目标传感器微调的情况下，对未见过的 TMR 与 Hall 传感器，RMSE 分别下降 84.2% 和 83.1%。

最有意思的是后面一步：作者为了实时部署，并没有坚持让神经网络一直在线跑，而是利用 NN-EKF 输出构建轻量 LUT。转换成 LUT 以后，额外误差约为 0.0022°。

AI 可以负责把问题学明白，但量产芯片最后运行的，仍然可以是一张表。

02

磁编码器的误差，从来不只是一个公式

偏心、磁铁倾斜、XY 灵敏度不一致、正交误差、二次三次谐波、温度、气隙、磁铁批次、杂散磁场——单独拿出来，每一个都可以建模。真正麻烦的是它们经常一起出现。

同样 0.2 mm 偏心，换一个磁铁高度，误差曲线就可能不一样；换一个磁环批次，又会变；环境从 25°C 到 125°C，再叠加电机钢件和杂散磁场，最后看到的往往已经不是一条漂亮的二次谐波。

传统路线是把认识的误差一个一个拆开建模；数据驱动路线则可以先让模型学习：这些误差组合起来以后，到底长什么样。

2024 年《Sensors and Actuators A》的一项研究把温度引入磁编码器误差预测，用 VMD + PSO-DBN 做补偿，在其特定实验平台上把误差从约 0.22°压到 0.0025°。这个数字不能直接当作量产产品指标，但它至少说明：当结构误差、温度和非线性耦合以后，数据驱动模型确实能学习到传统单项补偿不容易描述的映射。

03

我反而不建议第一代产品直接在线跑神经网络

假设现在有一颗磁编码器 ASIC，传统路径是 Hall/TMR → ADC → offset/gain 校正 → atan2 → LUT → 数字接口。然后突然在 ADC 后面塞一个小神经网络，宣布下一代叫 AI Encoder，看起来很先进，但工程问题会马上成倍增加。

这个网络什么时候训练？谁提供 ground truth？每颗芯片都训练还是一个型号训练？磁铁换了怎么办？气隙从 1 mm 变成 2.5 mm 怎么办？旁边多了一块钢板怎么办？温漂以后模型还可靠吗？固件升级以后输出会不会变化？

编码器客户喜欢的，恰恰就是确定性。同样的输入、同样的寄存器配置、同样的芯片，希望十年以后还是那个结果。所以第一阶段最现实的路线可能是：

AI 在后台，确定性算法在前台。

让 AI 负责建模、预测与参数生成，让实时控制链路继续保持可验证、可复现、可追溯。

04

AI 真正应该先吃掉的是校准工程师后面的那堆数据

一家传感器公司只要进入规模量产，晶圆测试、温箱、磁场扫描、转台、OTP 校准每天都在产生数据：offset、sensitivity、noise、INL、lot、封装、磁铁、气隙、偏心、温度……过去其中很大一部分最后只变成 PASS / FAIL，然后归档。

但这里才可能藏着 AI+传感器真正的第一桶金。

过去：32 个点做校准。
以后：前几个点先识别误差族，只补测真正有信息量的点。

过去：三温全部完整扫描。
以后：用 wafer + room-temperature 数据预测 hot/cold 风险，只对高风险 die 做完整验证。

过去：测完以后逐颗生成 LUT。
以后：模型根据少量采样点预测完整误差曲线，最终仍然写入传统 LUT 或 calibration coefficients。

注意这个路线最关键的地方：客户最后拿到的依然是一颗确定性的编码器。AI 没有坐进实时控制环，它只是站在工厂后面，把过去必须测 32 个点才能得到的结果，尝试变成 8 个点、12 个点，或者更聪明的自适应测试序列。

一旦成立，AI 带来的就不只是精度，而是测试时间、UPH、温箱利用率、测试机数量、OTP 参数数量，最后全部变成成本。

05

最容易复制的是神经网络，最难复制的是误差数据

一个三层 MLP，竞争对手一个下午就能写出来。真正复制不了的是：某颗 TMR 在 150°C、某个气隙、某个偏心、某种磁铁倾斜、某批磁铁和某种杂散磁场条件下，最后会输出什么。

再乘上不同 lot、不同封装、不同安装结构、不同客户模组和多年量产历史，这才开始形成一家传感器公司的数据资产。

TDK 在 2026 年推出 SensorGPT，路线也不是简单地把一个“GPT”塞进某颗传感器，而是用生成式 AI、信号处理、统计方法和仿真去生成、扩充和管理传感器数据，直接瞄准数据采集成本和 edge AI 的训练瓶颈。

06

那昆泰芯这样的公司，第一步该做什么？

我不会首先立一个项目叫“AI 磁编码器”。太容易最后做成 Demo。

我反而会先建立统一的 Sensor Error Database。磁编、感编、光编都往里面灌：原始 ADC、sin/cos、角度、参考编码器角度、温度、转速、气隙、偏心、倾斜、磁场强度、芯片 lot、磁铁 lot、PCB、客户模组、最终误差。

一开始甚至不需要任何 AI。先把数据结构和采集规则定义好。因为半年以后真正想训练模型的时候，网络随时可以写，两年前没有保存下来的那批数据，再也找不回来了。

真正的路线图

先统一误差数据 → 再做离线建模 → 再自动生成 LUT / 参数 → 再缩短量产测试 → 最后才判断哪些模型值得进入实时链路。

如果磁编、感编和光编最终都能用同一套“误差语言”描述，公司积累的就不再只是某一颗芯片的 calibration algorithm，而是一套跨传感原理的 position sensing model。

07

所以我现在反而不太喜欢“AI Sensor”这个词

它太容易让人想到：芯片里有个 NPU，跑着一个神经网络，然后包装盒上印一个 AI。

但对磁编码器这种产品，AI 第一次真正产生商业价值的地方，很可能非常不起眼：少测几个点，少进一次温箱，自动找到异常 lot，自动选择补偿模型，自动生成 LUT，识别异常磁铁，识别安装偏心，最后把复杂世界压缩成几个确定性的 calibration coefficients。

几年以后真正形成壁垒的，也许不是某一版神经网络。

而是别人只有一颗磁编码器，你已经拥有了几亿次“它为什么会测错”的答案。

AI 学习复杂误差，最终仍然可以把结果压回确定性的 LUT。

参考资料

1. Magnetic encoder error compensation based on a neural network-Kalman filtering hybrid framework, Review of Scientific Instruments, 2026. https://pubmed.ncbi.nlm.nih.gov/42695778/

2. A compensation approach for magnetic encoder error based on improved deep belief network algorithm, Sensors and Actuators A: Physical, 2024. https://www.sciencedirect.com/science/article/pii/S092442472300852X

3. TDK develops SensorGPT™, 2026-05-05. https://www.tdk.com/en/news_center/press/20260505_01.html