【導(dǎo)讀】隨著連接到云的傳感器數(shù)量日益增加，對網(wǎng)絡(luò)帶寬、遠程存儲和數(shù)據(jù)處理的系統(tǒng)要求也迅速提高。邊緣處的智能處理可以減少發(fā)送到中央服務(wù)器的數(shù)據(jù)量，增加傳感器本身的決策量。
物聯(lián)網(wǎng)（IoT）推動建筑和家庭系統(tǒng)中更多設(shè)備和傳感器連接網(wǎng)絡(luò)：根據(jù)Gartner統(tǒng)計，在2017年物聯(lián)網(wǎng)覆蓋的設(shè)備數(shù)量已達80億。
但隨著連接到云的傳感器數(shù)量日益增加，對網(wǎng)絡(luò)帶寬、遠程存儲和數(shù)據(jù)處理的系統(tǒng)要求也迅速提高。邊緣處的智能處理可以減少發(fā)送到中央服務(wù)器的數(shù)據(jù)量，增加傳感器本身的決策量。這可以在提升系統(tǒng)可靠性的同時，減少決策延遲和網(wǎng)絡(luò)成本；如果服務(wù)器關(guān)閉，您最不愿意看到的就是傳感器無法檢測物體和做出決策！
邊緣智能和連接
毫米波（mmWave）傳感器以兩種方式實現(xiàn)邊緣智能。首先，毫米波可提供距離、速度和角度等獨特的數(shù)據(jù)信息，同時具有反射不同目標(biāo)的能力，這使傳感器能夠檢測探測范圍內(nèi)不同物體的特定特征。例如，速度數(shù)據(jù)可使傳感器看到微多普勒效應(yīng) - 來自微小運動的調(diào)制效應(yīng) - 其包含目標(biāo)對象的典型特征，例如自行車車輪的旋轉(zhuǎn)輻條，行走的人搖擺的手臂，或者動物奔跑的四肢。系統(tǒng)可以使用該數(shù)據(jù)來分類和識別傳感器視場角中的對象類型。
減少錯誤檢測
其次，毫米波傳感器通過片上處理實現(xiàn)邊緣智能。包含微控制器和數(shù)字信號處理器（DSP）的傳感器能夠執(zhí)行初級雷達處理，以及特征檢測和分類。
圖1顯示了安全應(yīng)用中50米室外入侵探測器使用片上智能的一項實驗結(jié)果。入侵探測器用于確定人員是否已進入受保護區(qū)域，例如貨運場、停車場或后院。一些依賴光學(xué)或紅外傳感的傳感器可能會檢測到附近樹木和灌木的錯誤運動。而毫米波傳感器使用處理和算法來濾除和防止錯誤檢測，僅在人體運動時觸發(fā)探測器。安全攝像頭和可視門鈴可以通過連接網(wǎng)絡(luò)服務(wù)器處理圖像，執(zhí)行相同的錯誤檢測過濾。這些基于服務(wù)器的系統(tǒng)所提供的功能通常需要用戶付費，而毫米波技術(shù)可實現(xiàn)在傳感器本身進行決策無需聯(lián)網(wǎng)服務(wù)器。
圖1：用于長距離室外入侵探測器的片上過濾示例
圖2顯示了使用毫米波技術(shù)的入侵檢測；毫米波傳感器分析場景中對象的速度，過濾掉移動背景中的運動，僅跟蹤人物。
圖2：來自室外入侵應(yīng)用的動畫點云。黑點表示移動的對象，包括人、樹木、灌木。該算法將人顯示為綠色，同時過濾掉其他移動對象
圖3顯示了行走的人和擺頭風(fēng)扇的微多普勒特征的差異。一旦識別出分離兩個對象的正確特征，分類器就會在設(shè)備上實時進行區(qū)分。
圖3：兩張圖顯示了行走的人和擺頭風(fēng)扇隨時間推移的微多普勒信息
圖4顯示了片上處理如何使毫米波傳感器根據(jù)其特征實時識別和分類目標(biāo)。這些特征或是基于尺寸、反射率、微多普勒效應(yīng)或是其他特征，并且可以幫助識別典型的行為以辨別不同的移動對象。例如，分類功能可用于在室內(nèi)或室外安全應(yīng)用中識別人和動物，在家庭自動化系統(tǒng)中區(qū)分兒童和成人，或確定人在限制區(qū)域內(nèi)是跑步還是行走。
圖4：使用毫米波傳感器執(zhí)行分類的示例：中間圖上所有移動目標(biāo)都分配了一個軌道，彩色區(qū)域表示人
邊緣處理和智能可以成為強大的工具，有助于提高物聯(lián)網(wǎng)傳感器、網(wǎng)絡(luò)的質(zhì)量和穩(wěn)健性。具有集成處理功能的毫米波傳感器，能夠在邊緣實現(xiàn)智能，通過對對象進行過濾和分類，更智能地識別場景中發(fā)生的事情并實時做出決策，從而解決錯誤檢測問題。
來源：EETOP TI社區(qū)
