發(fā)現(xiàn)傳感器融合和傳感器處理器在物聯(lián)網(wǎng)設(shè)備設(shè)計中的影響。

　　傳感器已成為物聯(lián)網(wǎng)(IoT)的代名詞，一些行業(yè)觀察家甚至將物聯(lián)網(wǎng)稱為傳感器互聯(lián)網(wǎng)。因此，雖然傳感器在物聯(lián)網(wǎng)潮流中的作用是無可爭議的，但它將如何影響接口、信號調(diào)理和補償以及軟件算法等主要設(shè)計考慮因素?

　　了解傳感器對 物聯(lián)網(wǎng)設(shè)計，您必須首先了解物聯(lián)網(wǎng)設(shè)計以及這些設(shè)計中包含的傳感器多年來是如何演變的。

　　在第一代物聯(lián)網(wǎng)設(shè)備中，數(shù)據(jù)處理量受到限制，因為最初的物聯(lián)網(wǎng)設(shè)備不是很復雜。第一代設(shè)備是數(shù)據(jù)的管道，嚴重依賴云計算平臺進行處理。這些云計算平臺的特點是幾乎無限量的傳感器數(shù)據(jù)處理。

　　快進到今天，處理是 物聯(lián)網(wǎng)邊緣.現(xiàn)代物聯(lián)網(wǎng)設(shè)備具有良好的處理能力平衡，可確保設(shè)備不僅足夠快地完成工作，而且準確且功耗預(yù)算低。

　　圖 1：大量傳感器嵌入到各種物聯(lián)網(wǎng)應(yīng)用中。(來源：德州儀器)

　　換句話說，當傳感器數(shù)據(jù)位于模擬域中時，總會將這些數(shù)據(jù)轉(zhuǎn)換為數(shù)字域，以確保傳感器數(shù)據(jù)在更大的系統(tǒng)中仍然有用?！澳M的轉(zhuǎn)換和處理必須相當快速，準確且以盡可能低的功耗完成，因為這些物聯(lián)網(wǎng)設(shè)備中的大多數(shù)都是電池供電的，”Synaptics智能傳感和顯示器技術(shù)營銷總監(jiān)Albert Lee說。

　　Lee還指出了靈活的模擬前端(AFE)的重要性，它可以支持許多傳感器輸入類型，如電容式，電感式和磁性傳感器?！斑@消除了對各種傳感器的額外控制器的需求，從而節(jié)省了組件面積并節(jié)省了BOM成本。

　　這清楚地暗示了處理器周圍更大的傳感器集成。然而，在我們深入研究這個前提之前，值得重新審視另一種重要的傳感器技術(shù)，即傳感器融合，以及人工智能(AI)和人工智能(AI)如何重振它。 機器學習 (ML) 算法.

　　傳感器融合的過去和現(xiàn)在

　　傳感器融合是多年前討論的一個話題，現(xiàn)在終于在復雜的傳感應(yīng)用中得到了應(yīng)用，例如上下文感知。它結(jié)合了多個傳感器，有助于全面了解環(huán)境中發(fā)生的情況，幫助克服不同傳感技術(shù)的個別弱點。

　　Synopsys物聯(lián)網(wǎng)戰(zhàn)略營銷經(jīng)理Ron Lowman指出了一些關(guān)于 傳感器融合 在接受EE時報采訪時。“微控制器正在集成到傳感器中，越來越多的傳感器公司正在將處理和智能集成到傳感器中，以增加更多價值，”他說?！拔覀冞€看到了多個傳感器集成到不同解決方案中的趨勢。

　　Lowman舉了智能手機的例子，它在幾年內(nèi)從幾個傳感器變成了幾十個傳感器，但現(xiàn)在設(shè)計師必須弄清楚如何將它們小型化。在解決電壓問題和將碳化硅(SiC)和氮化鎵(GaN)等新興技術(shù)集成到傳感器中時，還存在其他設(shè)計挑戰(zhàn)?！氨M管如此，我們已經(jīng)看到一路上取得了很多進展，并預(yù)計智能傳感器的推動將繼續(xù)下去，”Lowman補充道。

　　圖 2：傳感器融合包括一個完整的硬件和軟件解決方案，針對各種超低功耗物聯(lián)網(wǎng)應(yīng)用進行了優(yōu)化。(來源：新思科技)

　　雖然AI和ML算法正在增強傳感器融合已不是什么秘密，但它仍處于起步階段。根本的挑戰(zhàn)仍然是底層軟件?！霸O(shè)計人員仍然需要弄清楚在哪里運行他們的軟件，以及如何導航復雜的算法和概念以實現(xiàn)端到端實現(xiàn)，同時還要考慮小型化，”Lowman說。

　　德州儀器(TI)樓宇自動化總經(jīng)理Giovanni Campanella表達了類似的觀點，同時承認AI和ML算法在解釋來自傳感器的大量數(shù)據(jù)方面的作用?！半S著越來越多的傳感器被添加到系統(tǒng)中，算法需要改進和改進，以便改進整體決策過程，并且可以采取正確的行動來解決問題或克服傳感器識別的情況。

　　例如 激光雷達技術(shù) 不足以在機器人中實現(xiàn)自主導航。添加視覺和雷達等其他傳感器，然后實施AI和ML算法，將使機器人能夠識別和學習新情況并快速適應(yīng)它們。

　　“需要復雜的算法來從一個或多個傳感器獲取的數(shù)據(jù)中制造出一些東西，”Campanella說?！斑@些算法還需要了解反復出現(xiàn)的情況，以便完善未來的決策。

　　在承認AI和ML的深遠影響的同時，Synaptics的Lee指出了這些軟件算法的另一個關(guān)鍵方面。“我們看到AI/ML從基于云的解決方案到基于邊緣的解決方案的持續(xù)但增量的遷移。

　　他還指出了邊緣物聯(lián)網(wǎng)設(shè)備對低延遲、低功耗操作和精確處理的硬要求。盡管Lee認識到邊緣物聯(lián)網(wǎng)設(shè)備永遠不會取代基于云的解決方案的處理能力，但展望未來，他看到了邊緣和邊緣之間的務(wù)實劃分。 基于云的解決方案.

　　傳感器處理器的出現(xiàn)

　　無論傳感器是否融合，傳感器的數(shù)量都在持續(xù)增長，這需要創(chuàng)新的新解決方案。像Synaptics這樣的公司正在將多個離散傳感器控制器組合成一個控制器。“這種設(shè)備可以同時支持電容，電感和霍爾效應(yīng)傳感器，”Lee說?！霸谖磥恚覀兿Ｍc某些類型的MEMS傳感器(如力和慣性傳感器)建立兼容性。

　　傳感器處理器以小巧、超低功耗的外形捕獲并智能處理來自多達四個傳感器的輸入。Synaptics的FlexSense傳感器處理器集成了一個微控制器，該微控制器連接到兩個專有的低功耗AFE引擎，這些引擎可感測和數(shù)字化來自物聯(lián)網(wǎng)產(chǎn)品觸摸表面上的電容和電感元件的數(shù)據(jù)。

　　圖 3：傳感器處理器在采用專有算法的同時，在單個處理器中智能地融合多個傳感器。(來源：突觸)

　　TI的Campanella對傳感器處理器的看法更為謹慎。根據(jù)Campanella的說法，根據(jù)應(yīng)用的不同，傳感器處理器方法可能比分立式方法更合適，但并不總是物聯(lián)網(wǎng)設(shè)計的正確解決方案?！皳碛屑蓚鞲性?、模擬前端和處理器的解決方案，類似于TI的毫米波雷達傳感器，對于需要在邊緣做出關(guān)鍵決策的空間受限應(yīng)用非常有用，例如醫(yī)療或機器人應(yīng)用。

　　與任何半導體架構(gòu)一樣，傳感器相關(guān)的設(shè)計預(yù)計將反復變化，并且可能會在技術(shù)世代中繼續(xù)發(fā)展。

　　本文最初發(fā)表于 電子電氣時報.

　　馬吉德·艾哈邁德，EDN和Planet Analog的主編，已經(jīng)報道了二十多年的電子設(shè)計行業(yè)。