思特威新品SC360AT:3MP车规级CMOS高性能
随着智能汽车技术的快速发展和普及,车载摄像头的需求不断增长。思特威(SmartSens)推出的新品SC360AT是一款3MP高性能车规级CMOS图像传感器,采用了CarSens®-XR Gen 2工艺技术和Stacked BSI + Rolling Shutter架构。该传感器配备了SuperPixGain HDR™ 2.0、LFS等先进技术,具备高感度、高动态范围、低噪声、低功耗等优势,适用于侧视、后视、环视等多种ADAS应用,满足智能汽车感知系统的升级需求。
在智能汽车技术快速发展和普及的趋势下,单车搭载的摄像头数量预计将持续增加。同时,高级智能辅助驾驶系统对环境感知的精度要求不断提高,推动了高分辨率、高性能车载CMOS图像传感器需求的增长。根据TSR的最新预测,2023年至2028年,全球车载CMOS图像传感器的出货量将从3.8亿颗增长到4.8亿颗。在车载ADAS摄像头应用中,3MP逐渐成为主流分辨率配置,为车辆提供更全面的环境感知能力,从而促进更高级的智能辅助驾驶功能在整车端的顺利实施。
近期,技术领先的CMOS图像传感器供应商思特威(SmartSens,股票代码688213)推出了Automotive Sensor (AT) Series系列的3MP高性能车规级图像传感器——SC360AT。这款新产品是思特威首次采用CarSens®-XR Gen 2工艺技术打造的Stacked BSI + Rolling Shutter架构图像传感器。作为3.0µm像素尺寸的图像传感器,SC360AT配备了SuperPixGain HDR™ 2.0、LFS等多项先进技术,具备高感度、高动态范围(高达140dB)、低噪声、低功耗等性能优势,并支持LED闪烁抑制,为侧视、后视、环视等多种ADAS应用提供精确可靠的实时影像,满足智能汽车感知系统的升级需求。此外,SC360AT符合ISO 26262 ASIL-B汽车功能安全和ISO 21434汽车网络安全两项车规标准要求,以其高可靠性和高安全性,助力汽车智能化与网联化的加速革新。

SuperPixGain HDR™ 2.0技术 打造高精度视觉感知影像
在车辆行驶过程中,暗光、强光、逆光等复杂多变的光线条件对车载摄像头的成像质量和精度提出了巨大挑战。基于CarSens®-XR Gen 2工艺打造的SC360AT图像传感器,具有3.0µm大像素尺寸,配备了SuperPixGain HDR™ 2.0等多项思特威先进技术并支持多种高动态范围(HDR)模式,以其优异的感度、信噪比、动态范围等性能优势,为车载摄像头提供清晰、准确的实时影像采集,进一步帮助智能汽车感知系统实现精准识别与判断。
高感度与高信噪比
SC360AT图像传感器创新性地采用了SuperPixGain HDR™ 2.0技术,通过单像素 + 溢出电荷存储架构,实现了感度和信噪比的双重提升。SC360AT的感度高达12348mV/lux*s,其在520nm可见光波段下的峰值量子效率(QE peak)高达82%。相较于传统大小像素架构CIS,基于单像素+溢出电荷存储架构的SC360AT有效避免了因大小像素架构引起的光学串扰、色差等问题,以出色的感度和信噪比,为摄像头提供明亮清晰的高品质画面。

高动态范围(HDR)
SC360AT支持SuperPixGain HDR™ + VS、SuperPixGain HDR™等多种HDR模式,能为车载摄像头提供优异的高动态范围成像。在SuperPixGain HDR™ + VS四帧HDR模式下,SC360AT可实现高达140dB的动态范围,能有效解决逆光(隧道出口)、强光(夜间对向车辆远光灯)等极端光线条件下画面亮部过曝和暗部细节缺失的问题,进一步提升车载摄像头探测识别的准确度和效率。在三帧HDR模式方面,SC360AT支持SuperPixGain HDR™模式(动态范围>110dB),通过同一曝光下的高增益 + 低增益 + 溢出三帧画面融合,使捕捉到的实时画面明暗细节皆清晰可见。多种HDR模式选择,可满足ADAS摄像头的多样配置升级需求。
出色噪声抑制表现 兼顾超低功耗性能
夜间道路、照明不足的地下停车场等暗光环境,对图像传感器的噪声抑制性能提出了更为严苛的要求。基于思特威先进的SFCPixel®、超低噪声外围读取电路等技术,新品SC360AT具备优异的噪声抑制表现。相较于行业同规格产品,SC360AT的读取噪声(RN)和固定噪声(FPN)分别降低约11%和21%,其PRNU大幅降低约49%,即使在暗光场景下也能为车载摄像头提供清晰、低噪点的影像,从而有益于智能汽车视觉系统的准确识别和判断。

基于思特威先进的CarSens®-XR Gen 2工艺技术,采用Stacked BSI架构的SC360AT图像传感器实现了功耗方面的大幅降低。在SuperPixGain HDR™ + VS四帧HDR模式RAW格式下,SC360AT的典型功耗低至310mW以下,以其超低功耗的性能优势,助力降低车载摄像头的工作发热量,进而提升车载摄像头的可靠性和稳定性。
LED闪烁抑制技术 解决车辆感知难点
当车辆处于道路行驶过程中,交通信号灯、LED车灯等LED照明设备的LED闪烁现象,会对车载摄像头CIS的画面拍摄效果造成干扰,导致CIS成像画面出现条纹、闪烁光斑等现象,影响驾驶员、辅助驾驶系统对交通路况的判断。SC360AT配备了思特威自主研发的LFS技术(LED闪烁抑制技术),通过调整部分像素的曝光时长来覆盖LED频闪间隙,最终得到无LED闪烁的完整影像信息,能帮助ADAS系统准确识别交通信号灯、附近其他车辆的车灯颜色和状态并做出及时决策。
SC360AT提供iBGA、COB两种封装形式,为客户端实现车载摄像头电路架构和结构设计升级提供了更多样、灵活的选择。
石文杰思特威产品市场副总裁表示:“SC360AT是思特威首款采用CarSens®-XR Gen 2工艺技术打造的Stacked BSI + Rolling Shutter架构图像传感器产品。作为3MP车规级图像传感器新品,SC360AT配备了SuperPixGain HDR™ 2.0、LFS等多项思特威先进技术,在感度、动态范围、噪声抑制、LED闪烁抑制等方面均具备出色表现,能为车载侧视/后视/环视摄像头等应用提供可靠、清晰、准确的实时影像。思特威旗下的车载(AT)系列图像传感器产品覆盖1MP~8MP分辨率,适配ADAS、感知与舱内三大应用场景需求。未来,思特威将持续扩展AT系列产品矩阵,以更多高性能、高可靠性的车规级图像传感器产品,助力智能汽车应用的进阶发展。”

SC360AT目前已接受送样,将于2025年第三季度实现量产。想了解更多关于SC360AT产品的信息,请与思特威销售人员联系。
理论要掌握,实操不能落!以上关于《思特威新品SC360AT:3MP车规级CMOS高性能》的详细介绍,大家都掌握了吧!如果想要继续提升自己的能力,那么就来关注golang学习网公众号吧!
Linux自定义命令编写及PATH设置攻略
- 上一篇
- Linux自定义命令编写及PATH设置攻略
- 下一篇
- Python100题:从基础到算法实战
-
- 科技周边 · 人工智能 | 1小时前 | 人工智能 · 工具调用 ·
- 智能体工具调用失败后怎样设计可控重试
- 236浏览 收藏
-
- 科技周边 · 人工智能 | 4小时前 |
- 多模态模型输入图片过大时如何控制视觉令牌
- 196浏览 收藏
-
- 科技周边 · 人工智能 | 6小时前 |
- 推理服务连续批处理怎样减少 GPU 空转
- 404浏览 收藏
-
- 科技周边 · 人工智能 | 10小时前 | 人工智能 · LoRa PEFT merge_and_unload 量化推理 模型合并
- LoRA 合并权重后输出变化过大应检查什么
- 404浏览 收藏
-
- 科技周边 · 人工智能 | 14小时前 |
- RAG 分块重叠过大为什么会降低检索多样性
- 409浏览 收藏
-
- 科技周边 · 人工智能 | 15小时前 | 人工智能 ·
- 合成数据能否替代真实样本:覆盖率与偏差检查方法
- 128浏览 收藏
-
- 科技周边 · 人工智能 | 18小时前 |
- 提示词版本怎么管理:样例、变量与回归集一起提交
- 111浏览 收藏
-
- 科技周边 · 人工智能 | 1天前 | 向量检索 ·
- 向量检索与关键词检索怎样做混合召回
- 293浏览 收藏
-
- 科技周边 · 人工智能 | 1天前 | 人工智能 ·
- 智能体评测不只看成功率:步骤、成本与恢复能力怎么量
- 290浏览 收藏
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 485次学习
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
- 387次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
- 468次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
- 475次使用
-
- HELM
- 深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
- 419次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
- 243次使用
-
- 本地大模型反复输出同一句话怎么调整生成参数
- 2026-09-06 501浏览
-
- Python 调用大模型时如何用结构化输出校验 JSON:从解析失败到可重试
- 2026-08-29 501浏览
-
- AI写作工具免费版安装教程(含豆包Clawdbot)
- 2026-05-30 501浏览
-
- WPS AI能自动生成PPT吗?输入主题一键制作演示文稿
- 2026-05-27 501浏览
-
- Canva手机闪退解决方法及适配指南
- 2026-05-25 501浏览

