大多數物聯網系統由超低功耗無線傳感器節點組成，通常是電池供電的，可提供傳感功能。

他們的主要目的是將遙測數據發送到云端進行大數據處理。幾乎每家公司都在這樣做，以實現概念驗證（PoC），因為物聯網成為新的流行語和市場趨勢。云服務提供商擁有漂亮的儀表板，可以在有吸引力的圖表中顯示數據，以幫助支持PoC。PoC的主要原因是說服利益相關者投資物聯網并證明投資回報，以便為大型項目提供資金。

隨著這個生態系統的擴大，很明顯，有可能通過云來回發送太多數據。這可能會堵塞帶寬管道，使數據更難以足夠快的速度進出云。這還會產生至少令人討厭的延遲，并且極端情況下可能會破壞需要保證吞吐量的應用程序。

盡管5G和Wi-Fi 6E等標準承諾的帶寬和傳輸速度有了重大改進，但與云通信的大量物聯網節點已經爆炸式增長。除了設備數量龐大之外，成本也在增加。早期的物聯網基礎設施和平臺投資需要貨幣化，隨著更多節點的添加，基礎設施需要既可擴展又有利可圖。

在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絡中實現更高級的處理。這最大限度地減少了需要通過網關到云并返回的數據量。這直接降低了成本，并在需要時為其他節點釋放了帶寬。每個節點傳輸的數據較少，也有可能減少收集數據并將其傳輸到云所需的網關數量。

增強邊緣計算的另一個技術趨勢是人工智能（AI）。早期的AI服務主要是基于云的。隨著創新的發展和算法的提高，人工智能已經非常迅速地轉移到終端節點，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。聽到觸發詞“Alexa”時的檢測和喚醒是邊緣AI的熟悉用法。在這種情況下，觸發字檢測在系統的微控制器（MCU）中本地完成。成功觸發后，命令的其余部分將通過Wi-Fi網絡進入云，在那里完成最苛刻的AI處理。這樣，喚醒延遲將降至最低，從而獲得最佳用戶體驗。

除了解決帶寬和成本問題外，邊緣AI處理還為應用程序帶來了額外的好處。例如，在預測性維護中，可以在電動機中添加小型傳感器來測量溫度和振動。經過訓練的AI模型可以非常有效地預測電機何時具有或將具有不良軸承或過載情況。獲得此早期警告對于在電機完全發生故障之前對其進行維修至關重要。這種預測性維護大大減少了生產線停機時間，因為在完全故障之前會主動維護設備。這提供了巨大的成本節約和最小的效率損失。正如本杰明·富蘭克林所說，“一盎司的預防勝過一磅的治療”。

隨著更多傳感器的添加，網關也可能被來自本地傳感器網絡的遙測數據淹沒。在這種情況下，有兩種選擇來緩解此數據和網絡擁塞。可以添加更多網關，也可以將更多邊緣處理推送到終端節點。

將更多處理推向終端節點（通常是傳感器）的想法正在進行中，并迅速獲得動力。終端節點通常以mW范圍內的功率運行，并且大部分時間都在μW范圍內的功率下休眠。由于終端節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，典型的傳感器節點可以由MCU控制，就像具有64 kB閃存的8位處理器和具有8 kB RAM的RAM一樣簡單，時鐘速度約為20 MHz。

將邊緣處理添加到資源受限的終端節點設備中非常具有挑戰性，需要在硬件和軟件級別進行創新和優化。然而，由于終端節點無論如何都會在系統中，因此添加盡可能多的邊緣處理能力是經濟的。

作為邊緣處理演變的總結，很明顯，終端節點將繼續變得更加智能，但它們也必須繼續尊重其對成本和功耗的低資源要求。邊緣處理將保持普遍，云處理也是如此。選擇將功能分配到正確的位置，可以針對每個應用優化系統，并確保最佳性能和最低成本。有效地分配硬件和軟件資源是平衡競爭性能和成本目標的關鍵。適當的平衡可以最大限度地減少到云的數據傳輸，最大限度地減少網關的數量，并為傳感器或終端節點增加盡可能多的功能。

超低功耗邊緣傳感器節點示例

RSL10智能相機由安森美半導體開發，其設計可按原樣使用或輕松添加到應用中，從而解決了這些不同的挑戰。事件觸發的AI就緒成像平臺使用安森美半導體和生態系統合作伙伴開發的許多關鍵組件，為工程團隊提供一種簡單的方法，以低功耗格式訪問支持AI的對象檢測和識別的強大功能。

采用的技術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，并將其上傳到云服務進行處理。在發送之前，圖像由尚加創新技術的圖像傳感器處理器（ISP）進行處理和壓縮。應用JPEG壓縮后，圖像數據通過低功耗藍牙（BLE）通信網絡傳輸到網關或手機（也可以使用配套應用程序）的速度要快得多。ISP 是本地（終端節點）邊緣處理的一個很好的例子。圖像在本地進行壓縮，通過無線方式發送到云的數據更少，這提供了清晰的電源和網絡成本，從而節省了通話時間。

ISP 專為超低功耗運行而設計，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處理，以進一步降低有功功率，例如設置感興趣的區域。這允許傳感器保持低功耗模式，直到在感興趣的區域中檢測到物體或運動。

進一步的處理和BLE通信由完全認證的RSL10系統級封裝（RSL10 SIP）提供，也來自安森美半導體。該器件提供業界領先的低功耗運行和較短的上市時間。

（圖 1.RSL10 智能相機包含可快速部署的邊緣處理節點所需的所有組件。

如圖1所示，該板包括幾個用于觸發活動的傳感器。其中包括運動傳感器、加速度計和環境傳感器。一旦觸發，該板可以通過BLE將圖像發送到智能手機，然后配套應用程序可以將其上傳到云服務，例如亞馬遜Rekognition服務。云服務實現深度學習機器視覺算法。對于 RSL10 智能拍攝相機，云服務設置為執行對象檢測。處理圖像后，智能手機應用程序將使用算法檢測到的內容及其成功概率進行更新。這些類型的基于云的服務非常準確，因為它們實際上有數十億張圖像來訓練機器視覺算法。

結論

如前所述，物聯網正在發生變化并變得更加優化，以實現大規模且經濟高效的擴展。新的連接技術不斷開發，以幫助解決電源、帶寬和容量問題。人工智能不斷發展，變得更強大，更高效，使其能夠移動到邊緣甚至終端節點。物聯網正在成長和適應，以反映持續增長并為未來的增長做好準備。

審核編輯：郭婷