大多數(shù)物聯(lián)網(wǎng)系統(tǒng)由超低功耗無線傳感器節(jié)點組成，通常由電池供電，提供傳感功能。

它們的主要目的是將遙測數(shù)據(jù)發(fā)送到云端進行大數(shù)據(jù)處理。幾乎每家公司都在這樣做以實現(xiàn)概念驗證（PoC），因為物聯(lián)網(wǎng)成為新的流行語和市場趨勢。云服務(wù)提供商擁有漂亮的儀表板，以有吸引力的圖形呈現(xiàn)數(shù)據(jù)，以幫助支持 PoC。PoC的主要原因是說服利益相關(guān)者投資物聯(lián)網(wǎng)并證明投資回報，以便為大型項目提供資金。

隨著這個生態(tài)系統(tǒng)的擴展，很明顯，有可能通過云來回發(fā)送太多數(shù)據(jù)。這可能會阻塞帶寬管道，使數(shù)據(jù)更難快速進出云。這也會產(chǎn)生最煩人的延遲，并且在極端情況下可能會破壞需要保證吞吐量的應(yīng)用程序。

盡管5G和Wi-Fi 6E等標準承諾在帶寬和傳輸速度方面有重大改進，但與云通信的大量物聯(lián)網(wǎng)節(jié)點已經(jīng)爆炸式增長。除了設(shè)備數(shù)量龐大之外，成本也在增加。早期的物聯(lián)網(wǎng)基礎(chǔ)設(shè)施和平臺投資需要貨幣化，隨著更多節(jié)點的添加，基礎(chǔ)設(shè)施需要既可擴展又有利可圖。

2019 年左右，邊緣計算的想法成為一種流行的解決方案。邊緣計算在本地傳感器網(wǎng)絡(luò)中實現(xiàn)更高級的處理。這最大限度地減少了需要通過網(wǎng)關(guān)到達云并返回的數(shù)據(jù)量。這直接降低了成本，并在需要時為其他節(jié)點釋放了帶寬。每個節(jié)點傳輸?shù)臄?shù)據(jù)更少也有可能減少收集和將數(shù)據(jù)傳輸?shù)皆扑璧木W(wǎng)關(guān)數(shù)量。

另一個增強邊緣計算的技術(shù)趨勢是人工智能 （AI）。早期的人工智能服務(wù)主要是基于云的。隨著創(chuàng)新和算法變得更加高效，人工智能已經(jīng)非常迅速地轉(zhuǎn)移到終端節(jié)點，其使用正在成為標準做法。一個值得注意的例子是亞馬遜Alexa語音助手。聽到觸發(fā)詞“Alexa”時的檢測和喚醒是邊緣AI的常見用法。在這種情況下，觸發(fā)字檢測在系統(tǒng)的微控制器（MCU）中本地完成。成功觸發(fā)后，命令的其余部分將通過Wi-Fi網(wǎng)絡(luò)進入云，在那里完成最苛刻的AI處理。這樣，喚醒延遲被最小化，以獲得最佳用戶體驗。

除了解決帶寬和成本問題外，邊緣 AI 處理還為應(yīng)用程序帶來了額外的好處。例如，在預(yù)測性維護中，可以在電動機中添加小型傳感器以測量溫度和振動。經(jīng)過訓(xùn)練的 AI 模型可以非常有效地預(yù)測電機何時具有或?qū)⒁霈F(xiàn)不良軸承或過載情況。獲得此預(yù)警對于在電機完全發(fā)生故障之前對其進行維修至關(guān)重要。這種預(yù)測性維護大大減少了生產(chǎn)線停機時間，因為在完全故障之前對設(shè)備進行了主動維修。這提供了巨大的成本節(jié)約和最小的效率損失。正如本杰明·富蘭克林所說，“一盎司的預(yù)防勝過一磅的治療”。

隨著更多傳感器的添加，網(wǎng)關(guān)也可能被來自本地傳感器網(wǎng)絡(luò)的遙測數(shù)據(jù)淹沒。在這種情況下，有兩種選擇可以緩解此數(shù)據(jù)和網(wǎng)絡(luò)擁塞?？梢蕴砑痈嗑W(wǎng)關(guān)，也可以將更多邊緣處理推送到終端節(jié)點。

將更多處理推送到終端節(jié)點（通常是傳感器）的想法正在進行中，并迅速獲得動力。終端節(jié)點通常使用mW范圍內(nèi)的電源運行，大部分時間休眠，功率在μW范圍內(nèi)。由于終端節(jié)點的低功耗和低成本要求，它們的處理能力也有限。換句話說，它們非常受資源限制。

例如，典型的傳感器節(jié)點可以由MCU控制，就像具有64 kB閃存和8 kBRAM（時鐘速度約為20 MHz）的8位處理器一樣簡單。 或者，MCU 可能像具有 2 MB 閃存和 512 kB RAM 且時鐘速度約為 200 MHz 的 Arm Cortex-M4F 處理器一樣復(fù)雜。

將邊緣處理添加到資源受限的終端節(jié)點設(shè)備非常具有挑戰(zhàn)性，需要在硬件和軟件級別進行創(chuàng)新和優(yōu)化。盡管如此，由于終端節(jié)點無論如何都會在系統(tǒng)中，因此添加盡可能多的邊緣處理能力是經(jīng)濟的。

作為邊緣處理演變的總結(jié)，很明顯，終端節(jié)點將繼續(xù)變得更加智能，但它們也必須繼續(xù)尊重其對成本和功耗的低資源要求。邊緣處理將繼續(xù)普遍存在，云處理也是如此。通過選擇將功能分配到正確的位置，可以針對每個應(yīng)用優(yōu)化系統(tǒng)，并確保最佳性能和最低成本。高效分配硬件和軟件資源是平衡相互競爭的性能和成本目標的關(guān)鍵。適當?shù)钠胶饪勺畲笙薅鹊販p少到云的數(shù)據(jù)傳輸，最大限度地減少網(wǎng)關(guān)數(shù)量，并為傳感器或終端節(jié)點添加盡可能多的功能。

超低功耗邊緣傳感器節(jié)點示例

由安森美半導(dǎo)體開發(fā)的RSL10智能拍攝相機通過可按原樣使用或輕松添加到應(yīng)用中的設(shè)計解決了這些各種挑戰(zhàn)。事件觸發(fā)的AI就緒成像平臺使用由安森美半導(dǎo)體和生態(tài)系統(tǒng)合作伙伴開發(fā)的許多關(guān)鍵組件，為工程團隊提供了一種簡單的方法，以低功耗格式訪問支持AI的對象檢測和識別功能。

采用的技術(shù)是使用微小但功能強大的ARX3A0 CMOS圖像傳感器捕獲單個圖像幀，然后將其上傳到云服務(wù)進行處理。在發(fā)送之前，圖像由Sunplus創(chuàng)新技術(shù)的圖像傳感器處理器（ISP）進行處理和壓縮。應(yīng)用 JPEG 壓縮后，圖像數(shù)據(jù)通過藍牙低功耗 （BLE） 通信網(wǎng)絡(luò)傳輸?shù)骄W(wǎng)關(guān)或手機的速度要快得多（配套應(yīng)用程序也可用）。ISP 是本地（終端節(jié)點）邊緣處理的一個很好的例子。圖像在本地壓縮，通過無線發(fā)送到云的數(shù)據(jù)更少，從而通過減少通話時間，從而節(jié)省了電力和網(wǎng)絡(luò)成本。

ISP專為超低功耗運行而設(shè)計，工作時功耗僅為3.2 mW。它還可以配置為提供一些傳感器上的預(yù)處理，以進一步降低有功功率，例如設(shè)置感興趣的區(qū)域。這允許傳感器保持低功耗模式，直到在感興趣區(qū)域中檢測到物體或移動。

進一步的處理和BLE通信由完全認證的RSL10系統(tǒng)級封裝（RSL10 SIP）提供，也來自安森美半導(dǎo)體。該器件提供業(yè)界領(lǐng)先的低功耗操作和較短的上市時間。

如圖1所示，該板包括多個用于觸發(fā)活動的傳感器。其中包括運動傳感器、加速度計和環(huán)境傳感器。一旦觸發(fā)，開發(fā)板可以通過BLE將圖像發(fā)送到智能手機，然后配套應(yīng)用程序可以將其上傳到云服務(wù)，例如Amazon Rekognition服務(wù)。云服務(wù)實現(xiàn)深度學(xué)習(xí)機器視覺算法。對于RSL10智能拍攝相機，云服務(wù)設(shè)置為執(zhí)行對象檢測。處理圖像后，智能手機應(yīng)用程序會根據(jù)算法檢測到的內(nèi)容及其成功概率進行更新。這些類型的基于云的服務(wù)非常準確，因為它們實際上有數(shù)十億張圖像來訓(xùn)練機器視覺算法。

結(jié)論

如前所述，物聯(lián)網(wǎng)正在發(fā)生變化并變得更加優(yōu)化，以實現(xiàn)大規(guī)模且具有成本效益的擴展。不斷開發(fā)新的連接技術(shù)，以幫助解決功耗、帶寬和容量問題。人工智能不斷發(fā)展，變得更有能力，更高效，使其能夠移動到邊緣甚至終端節(jié)點。物聯(lián)網(wǎng)正在發(fā)展和適應(yīng)，以反映持續(xù)增長并為未來的增長做好準備。

審核編輯：郭婷