劳易测利用人工智能(AI)技术显著提高了光学距离传感器的测量精度，以应对严苛的工业应用需求。这项创新将测量的不确定性降低了一半，运行期间无需额外的计算资源。该解决方案基于神经网络。

目前已经采用基于定义算法的数学模型来修正这些错误。根据许多不同的表面和距离计算特定的修正值，然后再自动应用这些值。该计算基于多项式函数。多项式函数为实现稳定、连续的误差曲线提供了有效的解决方案。但其中一个缺点是，复杂环境因素（如表面反射强烈变化）情况下成像精度有限。由于模型参数是固定的，这些函数不能自动适应变化的环境条件。

劳易测可提供更高精准度和灵活性的解决方案。公司利用神经网络技术来确定修正值，而未采用固定的公式。神经网络是一种模仿人类大脑建模的人工智能技术，包括三层节点（神经元）：输入层、隐藏层和输出层。神经网络通过一次整一层地传递输入数据步来处理信息。神经元会对相关结果进行加权和汇总，并使用函数进行转换，最终生成精确的结果。激活函数决定神经元的“活跃”强度，即传递给下一层的值。通过该激活函数，神经网络能够学习更复杂的非线性关系，而不限于简单的计算模式。

劳易测开发的 AI 解决方案利用样本数据来了解亮度和表面纹理对光学距离传感器的测量结果的影响，从而更轻松地修正测量值。神经网络的训练数据包括，作为输入参数的原始距离值和脉冲宽度，以及作为输出的对应标准化修正值。训练数据通过生产过程生成，期间会收集不同亮度和纹理表面以及不同距离的测量值。这些测量值会传送至生产设施的控制系统。生产设施的神经网络据此计算传感器的修正值。传感器在运行期间无需额外的计算资源——AI 已经“学会”一切。

劳易测神经网络包括五层结构，每层的所有神经元完全互联在一起。因此，所有信息都汇入计算流。使用ReLU激活函数：ReLU表示“修正线性单元”，可确保网络将负值计数器置为零，并且只处理正值——类似于只允许正信号通过的滤波器，从而使学习过程更为稳定可靠。这可以带来两方面的优势：首先，网络工作速度更快；其次，规避使用其他方法时可能出现的计算问题。网络的最后一层——输出层——决定最终的修正值。此处使用“tanh”（双曲正切函数）作为激活函数，确保所计算的修正值始终介于-1至+1之间的限定范围内。然后，系统会对该值进行转换，直接对应传感器提供获取精准结果所需修正的测量距离数。

在需要精准测量结果的工业自动化应用中，基于AI修正技术的时间飞行距离传感器尤为实用。 

劳易测利用人工智能技术，将光学距离传感器的精准度提升到全新的水平。测试表明，基于AI的校准方法可将系统测量误差（即测量结果对表面和距离的依赖性）降低一半以上。即使在复杂表面情况下，客户也可在运行期间轻松获得更可靠和精准的测量结果。因此，这些传感器成为严苛工业应用的理想解决方案。