昱感微采用“多维像素”多模态融合技术，将可见光摄像头、红外摄像头、4D毫米波雷达/激光雷达的探测数据以“多维像素”的数据格式输出：图像数据+雷达探测数据+红外传感器探测数据叠加，以摄像头像素为颗粒度组合全部感知数据，形成多模态融合感知数据组合。
昱感微“多维像素”多模态感知方案的超级摄像头每秒可输出30帧（甚至更高频率）多模态融合感知数据，每一帧不仅有高清图像数据，还有对应像素级的目标精准3D空间位置坐标距离、速度、温度（目标热辐射）、对应材质（RCS）等数据。视频1为系统输出的“多维像素”数据中包含的8M分辨率可见光图像数据组成的图像视觉场景；视频2为“多维像素”中多模态感知数据构成的3D立体空间图像的展示视频，在这里面出现的每一个像素点都有完整的厘米级探测准确度的3D空间坐标值：
“多维像素”数据中包含的8M分辨率可见光图像数据组成的
3D立体空间图像的展示视频
请大家再次留意，这里面每帧（每个单帧）的图像就包含了丰富的３D空间位置信息。我们将其中的一帧截取出来，这个单帧数据的 3D空间效果展示如下：
单帧数据的 3D空间效果
昱感微“多模态多维感知”的“多维像素”原始数据 – 完成了像素级精细度的立体空间感知与量测。
同样，我们在马路上去取些数据，给大家展示。下图是“多模态多维感知”的“多维像素”包含的原始数据：
“多维像素“多模态感知效果
我们选取路边的辅道来展示“多维像素“多模态感知效果，是因为路边的辅道环境更复杂（例如路边的台阶、绿植、道路的弯曲以及路面的起伏、路面的障碍物等），自动驾驶系统需要区分路面上的树叶、废纸等小目标，以及石头、砖块等必须要避让的障碍物，而昱感微的“多维像素”多模态感知超级摄像头可以助力系统精准识别它们。再次强调：在这里面出现的任何一个像素点都有完整的厘米级探测准确度的3D空间坐标值。基于“多维像素”感知数据来做场景语义重构（体素Voxel，或者，立体连续表征3D Mesh），然后支持大数据模型，是最精准高效并节省算力的实现方法。
