工业传感器集成PTP

author： 周均扬

date： 2026/07.07

工业传感器集成并融合 PTP（IEEE 1588）的核心目标是：让 Camera、LiDAR、PLC、AGV、Robot、IMU、编码器等设备共享同一套高精度时间基准，并在统一时间轴上完成数据对齐、事件重建和多传感器融合。

IEEE 1588-2019 定义了 Precision Time Protocol，用于网络化测量与控制系统中的高精度时钟同步；工业 Linux 侧常用 linuxptp 实现，其中 ptp4l 负责 PTP 协议同步，phc2sys 通常用于把网卡 PTP Hardware Clock 同步到系统时钟。(IEEE Standards Association)

1. 总体架构

flowchart TB
    GM[PTP Grandmaster<br/>GPS/北斗/厂内主时钟] --> SW[PTP/TSN交换机<br/>Boundary / Transparent Clock]

    SW --> CAM[工业相机<br/>GigE Vision + PTP]
    SW --> LIDAR[LiDAR / 3D相机<br/>PTP timestamp]
    SW --> PLC[PLC / Motion Controller<br/>IEEE1588 / EtherCAT DC / OPC UA]
    SW --> ROBOT[Robot Controller<br/>PTP / ROS2 Time]
    SW --> AGV[AGV Controller<br/>PTP / NTP fallback]

    CAM --> BUS[统一事件总线<br/>timestamp_ns + source_id + frame_id]
    LIDAR --> BUS
    PLC --> BUS
    ROBOT --> BUS
    AGV --> BUS

    BUS --> ALIGN[时间对齐层<br/>Buffer + Interpolation + Window Join]
    ALIGN --> FUSION[多传感器融合<br/>Camera + LiDAR + PLC + Robot + AGV]
    FUSION --> SAFETY[空间安全引擎<br/>风险评估 / 预警 / 停机联动]

2. 集成原则

核心原则

不要用数据到达服务器的时间做融合，而要用传感器硬件采样时刻的 PTP 时间戳做融合。

也就是说：

错误方式：
server_receive_time = now()

正确方式：
sensor_capture_time = hardware_ptp_timestamp

工业现场中，网络抖动、驱动缓存、SDK回调延迟、GPU推理排队都会导致接收时间不稳定。PTP 的价值就是把每个传感器的真实采样时刻统一到同一时间轴。

3. PTP 在工业传感器中的三种集成层级

工业传感器融合建议至少使用 硬件时间戳。对于高速相机、3D相机、LiDAR、编码器、机器人控制器，最好使用设备内部 timestamp。

4. 网络侧集成方案

推荐拓扑

GPS/北斗/厂内时钟
        |
PTP Grandmaster
        |
PTP/TSN 工业交换机
        |
-------------------------------------------------
|        |          |          |          |
Camera   LiDAR      PLC        Robot      Edge IPC
PTP      PTP        PTP        PTP        linuxptp

网络设备要求

1. Grandmaster Clock

   • 作为全厂统一时间源。
   • 可接 GPS、北斗、IRIG-B 或厂内时钟系统。

2. PTP 工业交换机

   • 支持 Boundary Clock 或 Transparent Clock。
   • 普通交换机会引入不可控排队延迟，不适合高精度同步。

3. PTP 网卡

   • 边缘计算机建议使用 Intel i210/i225/i350、工业 TSN 网卡或支持 PHC 的网卡。
   • Linux 下用 ethtool -T eth0 检查是否支持硬件时间戳。

4. 传感器

   • 工业相机：GigE Vision + PTP。
   • LiDAR/3D相机：PTP timestamp 或 PPS + timestamp。
   • PLC/运动控制器：IEEE 1588、EtherCAT Distributed Clocks、PROFINET IRT、TSN。
   • Robot Controller：PTP、ROS2 time、厂商 SDK timestamp。

GigE Vision 是工业相机常见 Ethernet 接口标准，不同厂商设备可通过该标准互操作；很多 GigE Vision 工业相机支持 PTP，用于多相机时间同步和采集时间戳。(Automate)

5. Linux 边缘端配置示例

1）检查网卡硬件时间戳能力

ethtool -T eth0

重点看是否支持：

hardware-transmit
hardware-receive
hardware-raw-clock

2）启动 PTP 同步

sudo ptp4l -i eth0 -m -H

含义：

-i eth0   指定网卡
-m        打印同步日志
-H        使用硬件时间戳

3）同步系统时钟到网卡 PHC

sudo phc2sys -s eth0 -c CLOCK_REALTIME -O 0 -m

ptp4l 负责网卡 PHC 与 Grandmaster 同步，phc2sys 负责把系统时钟同步到网卡硬件时钟；这是 Linux PTP 现场部署的常见组合。(Linux PTP)

6. 传感器数据契约设计

建议所有传感器数据进入系统后统一成如下结构：

struct SensorTimestamp
{
    uint64_t timestamp_ns;        // PTP统一时间，单位ns
    uint64_t sequence_id;         // 设备内部序号
    std::string clock_domain;     // PTP domain，例如 domain 0
    std::string timestamp_type;   // HARDWARE / SOFTWARE / SENSOR_INTERNAL
    int64_t sync_offset_ns;       // 与GM偏差
    bool ptp_locked;              // 是否锁定PTP
};

struct SensorFrame
{
    std::string source_id;        // camera_01 / lidar_01 / plc_01
    std::string sensor_type;      // CAMERA / LIDAR / PLC / ROBOT / AGV
    SensorTimestamp ts;

    std::vector<uint8_t> payload; // 图像、点云、状态、事件
    std::map<std::string, std::string> metadata;
};

关键字段不是 payload，而是：

timestamp_ns
timestamp_type
ptp_locked
sync_offset_ns
clock_domain

这些字段决定数据是否可用于高可靠融合。

7. 工业相机 PTP 集成流程

以 CameraSDK 为例，建议流程如下：

sequenceDiagram
    participant GM as PTP Grandmaster
    participant Cam as Industrial Camera
    participant SDK as CameraSDK
    participant Bus as Event Bus
    participant Fusion as Fusion Engine

    GM->>Cam: PTP Sync / Follow_Up / Delay_Req
    Cam->>Cam: Local Clock locked to PTP
    SDK->>Cam: Enable PTP
    SDK->>Cam: Enable Chunk Timestamp
    Cam->>SDK: Frame + Hardware Timestamp
    SDK->>Bus: VisionFrame(timestamp_ns)
    Bus->>Fusion: Time-aligned frame

工业相机侧需要做几件事：

1. 开启 PTP。
2. 等待 PTP 状态进入 Locked 或 Slave。
3. 开启 Chunk Data。
4. 读取 Frame Timestamp。
5. 把相机 timestamp 转换为统一 timestamp_ns。
6. 数据进入事件总线。

示例结构：

struct VisionFrame
{
    cv::Mat image;
    uint64_t frame_id = 0;
    uint64_t timestamp_ns = 0;      // PTP hardware timestamp
    std::string camera_id;
    bool ptp_locked = false;
    int64_t ptp_offset_ns = 0;
};

相机回调中不要重新用 std::chrono::system_clock::now() 覆盖时间戳：

void onCameraFrame(const VendorFrame& raw)
{
    VisionFrame frame;

    frame.image = raw.toCvMatZeroCopy();
    frame.frame_id = raw.frame_id;

    // 正确：使用相机硬件PTP时间戳
    frame.timestamp_ns = raw.hardware_timestamp_ns;

    frame.camera_id = raw.camera_id;
    frame.ptp_locked = raw.ptp_status == PtpStatus::Locked;
    frame.ptp_offset_ns = raw.ptp_offset_ns;

    eventBus.publish(frame);
}

8. 多传感器时间融合方法

8.1 时间窗口对齐

对于不同频率的传感器：

融合时应使用统一时间轴：

target_time = camera_frame.timestamp_ns

查找：
- 最近的 LiDAR scan
- 插值后的 Robot pose
- 最近的 PLC 状态
- 最近的 AGV pose
- 插值后的 IMU 状态

8.2 对齐策略

9. Python 时间对齐示例

from dataclasses import dataclass
from typing import List, Optional
import bisect

@dataclass
class SensorMsg:
    source_id: str
    timestamp_ns: int
    payload: object
    ptp_locked: bool = True


class TimeBuffer:
    def __init__(self, max_size: int = 1000):
        self.timestamps = []
        self.messages = []
        self.max_size = max_size

    def push(self, msg: SensorMsg):
        idx = bisect.bisect_left(self.timestamps, msg.timestamp_ns)
        self.timestamps.insert(idx, msg.timestamp_ns)
        self.messages.insert(idx, msg)

        if len(self.messages) > self.max_size:
            self.timestamps.pop(0)
            self.messages.pop(0)

    def nearest(self, timestamp_ns: int, tolerance_ns: int) -> Optional[SensorMsg]:
        if not self.timestamps:
            return None

        idx = bisect.bisect_left(self.timestamps, timestamp_ns)
        candidates = []

        if idx < len(self.timestamps):
            candidates.append(idx)
        if idx > 0:
            candidates.append(idx - 1)

        best = None
        best_dt = None

        for i in candidates:
            dt = abs(self.timestamps[i] - timestamp_ns)
            if dt <= tolerance_ns and (best_dt is None or dt < best_dt):
                best = self.messages[i]
                best_dt = dt

        return best


# 示例：以相机帧为主时钟，对齐 LiDAR 和 Robot 数据
camera_msg = SensorMsg(
    source_id="camera_01",
    timestamp_ns=1720000000123456789,
    payload="image_frame"
)

lidar_buffer = TimeBuffer()
robot_buffer = TimeBuffer()

lidar_buffer.push(SensorMsg("lidar_01", 1720000000123451000, "point_cloud"))
robot_buffer.push(SensorMsg("robot_01", 1720000000123459000, "robot_pose"))

lidar_msg = lidar_buffer.nearest(
    camera_msg.timestamp_ns,
    tolerance_ns=5_000_000  # 5 ms
)

robot_msg = robot_buffer.nearest(
    camera_msg.timestamp_ns,
    tolerance_ns=2_000_000  # 2 ms
)

fusion_packet = {
    "timestamp_ns": camera_msg.timestamp_ns,
    "camera": camera_msg.payload,
    "lidar": lidar_msg.payload if lidar_msg else None,
    "robot": robot_msg.payload if robot_msg else None,
}

print(fusion_packet)

10. C++ 融合数据包示例

struct FusionPacket
{
    uint64_t timestamp_ns;

    std::optional<VisionFrame> camera_frame;
    std::optional<PointCloudFrame> lidar_frame;
    std::optional<RobotPose> robot_pose;
    std::optional<AgvPose> agv_pose;
    std::optional<PlcState> plc_state;

    bool time_aligned = false;
    int64_t max_time_error_ns = 0;
};

融合逻辑：

FusionPacket FusionEngine::buildPacket(const VisionFrame& ref)
{
    FusionPacket packet;
    packet.timestamp_ns = ref.timestamp_ns;
    packet.camera_frame = ref;

    packet.lidar_frame = lidarBuffer.nearest(ref.timestamp_ns, 5_ms);
    packet.robot_pose  = robotBuffer.interpolate(ref.timestamp_ns);
    packet.agv_pose    = agvBuffer.interpolate(ref.timestamp_ns);
    packet.plc_state   = plcBuffer.nearest(ref.timestamp_ns, 10_ms);

    packet.max_time_error_ns = computeMaxTimeError(packet);
    packet.time_aligned = packet.max_time_error_ns < 5'000'000; // 5ms

    return packet;
}

11. 工业安全场景中的融合例子

场景：AGV + Robot + Camera + PLC 安全联动

Camera timestamp:  t = 100.000 ms
AGV pose:          t = 99.800 ms
Robot TCP pose:    t = 100.100 ms
PLC safety state:  t = 100.000 ms
LiDAR obstacle:    t = 99.950 ms

系统将这些数据统一对齐到：

fusion_time = 100.000 ms

然后计算：

person_position_world
agv_position_world
robot_tcp_position_world
danger_zone_state
distance(person, agv)
distance(person, robot_tcp)
risk_level

输出安全事件：

{
  "event_id": "evt_20260707_0001",
  "event_type": "SPATIAL_SAFETY_RISK",
  "timestamp_ns": 1720000000123456789,
  "ptp_locked": true,
  "risk_level": "L2_SLOWDOWN",
  "source": {
    "camera": "camera_01",
    "agv": "agv_03",
    "robot": "robot_02",
    "plc": "plc_pack_line_01"
  },
  "time_alignment": {
    "max_error_ns": 3200000,
    "tolerance_ns": 5000000
  },
  "action": {
    "agv": "slowdown",
    "robot": "speed_limit",
    "plc": "warning_output"
  }
}

12. PTP + 空间融合的完整流程

flowchart LR
    A[PTP时间同步] --> B[传感器硬件时间戳]
    B --> C[统一数据契约]
    C --> D[时间缓冲队列]
    D --> E[时间对齐]
    E --> F[空间坐标转换]
    F --> G[多传感器融合]
    G --> H[风险计算]
    H --> I[PLC/AGV/Robot联动控制]

这里要注意：

PTP 解决的是时间统一问题
外参标定解决的是空间统一问题
数据契约解决的是系统工程集成问题
融合算法解决的是感知一致性问题
安全策略解决的是控制闭环问题

PTP 不是单独使用的，它必须和以下模块一起构成完整系统：

PTP 时间同步
+ Sensor Hardware Timestamp
+ Sensor Data Contract
+ Extrinsic Calibration
+ Event Bus
+ Time Buffer
+ Spatial Fusion
+ Safety State Machine

13. PTP 融合中的关键工程指标

14. 异常与降级策略

工业现场必须考虑 PTP 失锁：

stateDiagram-v2
    [*] --> PTP_Init
    PTP_Init --> PTP_Locked: offset稳定
    PTP_Locked --> PTP_Degraded: offset超阈值
    PTP_Degraded --> PTP_Locked: 恢复稳定
    PTP_Degraded --> PTP_Lost: 持续失锁
    PTP_Lost --> Safe_Mode: 进入安全降级
    Safe_Mode --> PTP_Locked: 人工确认/自动恢复

建议策略：

15. 关键结论

工业传感器融合 PTP 的本质不是“把设备连上 PTP”，而是建立一条完整链路：

统一时钟源
→ PTP交换网络
→ 传感器硬件时间戳
→ 统一 timestamp_ns 数据契约
→ 时间缓冲与对齐
→ 空间外参融合
→ 风险计算
→ PLC / AGV / Robot 设备安全联动

PTP 应该作为 工业空间安全系统的时间底座。没有 PTP，系统只能做“近似实时监控”；有 PTP，系统才能做“可追溯、可解释、可联动、可审计”的工业级多源融合安全闭环。