智能傳感器的作用現在得到了更密切的關注，因為整個行業的架構轉換正在進行中，將更多的處理轉移到邊緣，減少了對云處理的依賴。隨著傳感器數量和數據的激增，云處理傳感器信息變得非常困難，因此傳感器及其所在的邊緣節點需要變得更智能。

　　Allied Market Research 預測，到 2030 年，全球物聯網傳感器行業將從 123.7 億美元增長到 1418 億美元，在此期間實現 28% 的復合年增長率。

　　與過去一樣，今天的嵌入式傳感器必須測量溫度、濕度、壓力、距離和各種各樣參數。微型加速度計、磁力計和其他設備正在通過彼此結合，形成復雜的傳感器融合。

　　如今，邊緣人工智能也在融合其中，它可以從源頭處理機器學習，同時使用比云處理替代方案少得多的電力。同時，盡管仍處于起步階段，但激光雷達和無線電也可用于物聯網傳感器測量。

　　被傳感器覆蓋的世界正在擴大。與此同時，可能的限制正在縮小：

　　作為思科系統工業資產視覺平臺的一部分，連接到物聯網網關的加固物聯網傳感器被用于測量和監測加利福尼亞納帕谷的葡萄作物的葡萄酒。

　　帶有板載 AI 的 Bosch Sensortec 傳感器可以充當“數字鼻子”，以檢測氣體、顆粒物以及空氣中傳播的新冠病毒。

　　弗吉尼亞州薩?？耸姓谑褂?Iteris 的 ClearMobility 平臺重新構想交通信號服務，該平臺使用 Vantage Apex 智能傳感器，將高清視頻和4D雷達傳感器與集成的人工智能算法相結合。

　　NevadaNano 的 MPS Mini 將片上化學傳感器陣列與片上分子特性光譜儀配對，以檢測可燃氣體。

　　智能傳感器如何實現機器學習

　　“一個典型的智能傳感器通常有四個主要部分——傳感器本身、一個模數轉換功能、一個計算單元或微控制器單元——以及一個無線或有線的通信引擎?！辟Q澤電子技術內容總監Raymond Yin 說。

　　例如，許多智能傳感器具有針對特定應用量身定制的多種單獨傳感器類型。集成微控制器單元 (MCU) 的功能也有所不同。他表示，一些集成的 MCU 只是控制數據轉換過程和通信的狀態機，而其他的 MCU 則可以完全運行傳感器融合算法。

　　作為一個例子，Yin 引用了 ST的 LSM6DSO32XTR iNEMO 慣性模塊，該模塊集成了加速度計、陀螺儀和溫度傳感器，并包含一個機器學習內核，有助于檢測步行、跑步和駕駛等應用。

　　如何更節能

　　Omdia 負責 MEMS 和傳感器的首席分析師 Manuel Tagliavini 表示，智能傳感器可以定義為一種電子組件，它不僅能夠讀取和存儲物理測量值——例如加速度、光、流量、濕度等——而且還能夠執行可能具有不同目的的更復雜的操作。

　　他說：“能夠通過先進的 ASIC 或嵌入式 MCU 執行操作就是讓傳感器被稱為‘智能’的原因?！?/p>

　　隨著傳感器越來越靠近物聯網的邊緣，這些目的的本質都是關注SWAP-C中的功耗問題。

　　“人們必須考慮讓整個傳感器組件以及與之相連的其他系統保持低功耗模式的‘睡眠’功能，直到物理世界發生某些事件才會喚醒?！盩agliavini表示。

　　顯而易見的目標是節省電力，對于便攜式設備來說，節省電池電量，如果系統不斷向云端報告，這可能是一個障礙。從周圍環境中獲取能量的無電池傳感器正在一些應用中得到使用。

　　永遠在線

　　在邊緣的關鍵任務應用中，功耗問題超出了傳感器本身，還包括處理器。對于旨在用于機器學習的處理器，這些問題非常嚴重。

　　在云數據中心，豐富的電力供應是給定的，物聯網邊緣的情況并非如此。

　　需要考慮下一代 AI 邊緣芯片，例如，Syntiant的NDP102AI處理器。

　　它旨在將 AI 處理應用于音頻和其他輸入，從我們用來喚醒 Siri 或 Alexa 智能設備到采集在工廠車間發生故障的擺動沖床的傾斜角度。

　　“我們在傳感器和振動、基于狀態的監測以及醫療保健領域做了很多工作。”Syntiant CEO Kurt Busch 告訴 IoT World Today。他說，在發生代價高昂的停機故障之前，最好可以檢測到振動和溫度數據異常并采取行動針對機器進行維護。

　　他指出，重要的是，Syntiant 神經處理器設計用于在始終開啟的傳感器應用中，可以以低于 100 mW的功耗工作。 Syntiant 是少數幾家致力于在模擬而非數字領域進行神經處理的公司之一，其主要目標是速度和節能。

　　從消費到汽車的傳感器融合

　　iPhone、AirPod 和 Fitbit 等消費類設備在傳感器功能提升和價格降低方面發揮了重要作用。根據Tagliavini 的說法，對輔助和自動駕駛汽車的狂熱推動可能會起到同樣或更多的作用，尤其是通過促進混合傳感器技術的傳感器融合方面。

　　他說，出于明顯的安全原因，ADAS和即將到來的自動駕駛需要多種傳感器測量。

　　這意味著“收集和計算從毫米波雷達、LiDAR、慣性裝置和 GPS 讀取的數據是一項需要可靠性、冗余和及時處理的關鍵活動。”而在更廣泛的物聯網世界中將可以復用這些技術。

　　他建議，盡管如此，智能傳感器在關鍵任務工業應用中的采用——那些更新緩慢，標準冗長，安全性極高的應用——可能需要更長的時間來接受這些技術。

　　測量傳感器要求

　　面對新技術的爆發，基本的權衡仍然相似。貿澤的 Raymond Yin 表示，移動到邊緣和部署機器學習的挑戰對影響傳感器系統設計的基本決策幾乎沒有影響。問題仍然是：

　　傳感器是否滿足分辨率和精度要求?

　　傳感器結果是否一致且可靠，足以滿足操作要求?

　　傳感器是否提供滿足系統目標所需的數據?

　　傳感器是否滿足功率、尺寸、時序要求?

　　同樣，整個系統的連接和計算部分的規范需要根據應用程序或用例來確定。

　　嵌入式傳感器和人工智能在新興物聯網領域所扮演的角色是一個不斷發展的角色。傳感器在成像、MEMS、激光雷達、Wi-Fi、UWB、雷達和其他領域的進步顯然很多——各種機器學習核心也可以更好地“理解傳感器”。

　　系統設計人員如何將這些技術與實際案例結合起來，可能會決定下一個物聯網的時代。