边缘计算下，智能传感器的诉求是什么？

　　物联网中的大部分数据首先取决于系统中的第一个节点，这通常是一个传感器。转型工业 4.0 分析和自动化需要更好的输入，供应商们正在拼命将更智能的嵌入式传感器推向市场。
　　智能传感器的作用现在得到了更密切的关注，因为整个行业的架构转换正在进行中，将更多的处理转移到边缘，减少了对云处理的依赖。随着传感器数量和数据的激增，云处理传感器信息变得非常困难，因此传感器及其所在的边缘节点需要变得更智能。
　　Allied Market Research 预测，到 2030 年，全球物联网传感器行业将从 123.7 亿美元增长到 1418 亿美元，在此期间实现 28% 的复合年增长率。
　　与过去一样，今天的嵌入式传感器必须测量温度、湿度、压力、距离和各种各样参数。微型加速度计、磁力计和其他设备正在通过彼此结合，形成复杂的传感器融合。
　　如今，边缘人工智能也在融合其中，它可以从源头处理机器学习，同时使用比云处理替代方案少得多的电力。同时，尽管仍处于起步阶段，但激光雷达和无线电也可用于物联网传感器测量。
　　被传感器覆盖的世界正在扩大。与此同时，可能的限制正在缩小：
　　作为思科系统工业资产视觉平台的一部分，连接到物联网网关的加固物联网传感器被用于测量和监测加利福尼亚纳帕谷的葡萄作物的葡萄酒。
　　带有板载 AI 的 Bosch Sensortec 传感器可以充当＂数字鼻子＂，以检测气体、颗粒物以及空气中传播的新冠病毒。
　　弗吉尼亚州萨福克市正在使用 Iteris 的 ClearMobility 平台重新构想交通信号服务，该平台使用 Vantage Apex 智能传感器，将高清视频和4D雷达传感器与集成的人工智能算法相结合。
　　NevadaNano 的 MPS Mini 将片上化学传感器阵列与片上分子特性光谱仪配对，以检测可燃气体。
　　智能传感器如何实现机器学习
　　＂一个典型的智能传感器通常有四个主要部分——传感器本身、一个模数转换功能、一个计算单元或微控制器单元——以及一个无线或有线的通信引擎。＂贸泽电子技术内容总监Raymond Yin 说。
　　例如，许多智能传感器具有针对特定应用量身定制的多种单独传感器类型。集成微控制器单元 (MCU) 的功能也有所不同。他表示，一些集成的 MCU 只是控制数据转换过程和通信的状态机，而其他的 MCU 则可以完全运行传感器融合算法。
　　作为一个例子，Yin 引用了 ST的 LSM6DSO32XTR iNEMO 惯性模块，该模块集成了加速度计、陀螺仪和温度传感器，并包含一个机器学习内核，有助于检测步行、跑步和驾驶等应用。
　　如何更节能
　　Omdia 负责 MEMS 和传感器的首席分析师 Manuel Tagliavini 表示，智能传感器可以定义为一种电子组件，它不仅能够读取和存储物理测量值——例如加速度、光、流量、湿度等——而且还能够执行可能具有不同目的的更复杂的操作。
　　他说：＂能够通过先进的 ASIC 或嵌入式 MCU 执行操作就是让传感器被称为‘智能’的原因。＂
　　随着传感器越来越靠近物联网的边缘，这些目的的本质都是关注SWAP-C中的功耗问题。
　　＂人们必须考虑让整个传感器组件以及与之相连的其他系统保持低功耗模式的‘睡眠’功能，直到物理世界发生某些事件才会唤醒。＂Tagliavini表示。
　　显而易见的目标是节省电力，对于便携式设备来说，节省电池电量，如果系统不断向云端报告，这可能是一个障碍。从周围环境中获取能量的无电池传感器正在一些应用中得到使用。
　　永远在线
　　在边缘的关键任务应用中，功耗问题超出了传感器本身，还包括处理器。对于旨在用于机器学习的处理器，这些问题非常严重。
　　在云数据中心，丰富的电力供应是给定的，物联网边缘的情况并非如此。
　　需要考虑下一代 AI 边缘芯片，例如，Syntiant的NDP102AI处理器。
　　它旨在将 AI 处理应用于音频和其他输入，从我们用来唤醒 Siri 或 Alexa 智能设备到采集在工厂车间发生故障的摆动冲床的倾斜角度。
　　＂我们在传感器和振动、基于状态的监测以及医疗保健领域做了很多工作。＂Syntiant CEO Kurt Busch 告诉 IoT World Today。他说，在发生代价高昂的停机故障之前，最好可以检测到振动和温度数据异常并采取行动针对机器进行维护。
　　他指出，重要的是，Syntiant 神经处理器设计用于在始终开启的传感器应用中，可以以低于 100 mW的功耗工作。 Syntiant 是少数几家致力于在模拟而非数字领域进行神经处理的公司之一，其主要目标是速度和节能。
　　从消费到汽车的传感器融合
　　iPhone、AirPod 和 Fitbit 等消费类设备在传感器功能提升和价格降低方面发挥了重要作用。根据Tagliavini 的说法，对辅助和自动驾驶汽车的狂热推动可能会起到同样或更多的作用，尤其是通过促进混合传感器技术的传感器融合方面。
　　他说，出于明显的安全原因，ADAS和即将到来的自动驾驶需要多种传感器测量。
　　这意味着＂收集和计算从毫米波雷达、LiDAR、惯性装置和 GPS 读取的数据是一项需要可靠性、冗余和及时处理的关键活动。＂而在更广泛的物联网世界中将可以复用这些技术。
　　他建议，尽管如此，智能传感器在关键任务工业应用中的采用——那些更新缓慢，标准冗长，安全性极高的应用——可能需要更长的时间来接受这些技术。
　　测量传感器要求
　　面对新技术的爆发，基本的权衡仍然相似。贸泽的 Raymond Yin 表示，移动到边缘和部署机器学习的挑战对影响传感器系统设计的基本决策几乎没有影响。问题仍然是：
　　传感器是否满足分辨率和精度要求？
　　传感器结果是否一致且可靠，足以满足操作要求？
　　传感器是否提供满足系统目标所需的数据？
　　传感器是否满足功率、尺寸、时序要求？
　　同样，整个系统的连接和计算部分的规范需要根据应用程序或用例来确定。
　　嵌入式传感器和人工智能在新兴物联网领域所扮演的角色是一个不断发展的角色。传感器在成像、MEMS、激光雷达、Wi-Fi、UWB、雷达和其他领域的进步显然很多——各种机器学习核心也可以更好地＂理解传感器＂。
　　系统设计人员如何将这些技术与实际案例结合起来，可能会决定下一个物联网的时代。