物聯網(IoT)推動建築和家庭系統中更多裝置與感測器連接網路:根據Gartner的估計,在2017年物聯網覆蓋的裝置數量已達80億台。

但隨著連接到雲端的感測器數量日益增加,對網路頻寬、遠端儲存和資料處理的系統要求也迅速提高;位於邊緣的智慧處理可以減少發送到中央伺服器的資料量,增加感測器本身的決策量。這可以在提升系統可靠性的同時,減少決策延遲和網路成本;人們最不願意看到的,應該就是當伺服器停止運作,感測器會無法偵測物體和做出決策。

邊緣智慧和連結

毫米波(mmWave)感測器透過兩種方式實現邊緣智慧。首先毫米波可提供距離、速度和角度等獨特的資料集,同時具有反射不同目標的能力,這使感測器能夠偵測探測範圍內不同物體的特徵。例如速度資料可使感測器看到微都卜勒效應(micro-Doppler)──來自微小運動的調變效應 ──其包含目標物件的典型特徵,例如自行車車輪的旋轉輻條、行人搖擺的手臂或者動物奔跑的四肢;系統可以使用該資料來分類和識別感測器視野中的各種物件類型。

減少錯誤偵測

其次,毫米波感測器透過晶片上處理實現邊緣智慧;內含微控制器和數位訊號處理器(DSP)的感測器能夠執行初級雷達處理(low-level radar processing),以及特徵偵測和分類。

20190306_mmWave_TA31P1

圖1:用於長距離室外入侵偵測器的晶片上過濾範例。

圖1顯示了在一項保全應用中,使用晶片上智慧在50公尺室外入侵偵測器(intrusion detector)的一項實驗結果。入侵偵測器用於確定是否有人進入受保護區域,例如貨運場、停車場或後院。一些仰賴光學或紅外線感測的感測器,可能會偵測到附近樹木和灌木的錯誤運動。而毫米波感測器使用處理和演算法來濾除和防止錯誤的偵測,僅在人體運動時觸發偵測器。保全攝影機和可視門鈴(video doorbells)可以透過連網伺服器處理影像,執行相同的錯誤偵測過濾;但這些基於伺服器的系統所提供的功能通常需要使用者付費,毫米波技術則可實現在感測器本身進行決策,無需連網伺服器。

圖2顯示了使用毫米波技術的入侵偵測;毫米波感測器分析場景中物件的速度,過濾出移動背景中的運動,僅追蹤人物。

20190306_mmWave_TA31P2

圖 2:來自室外入侵應用的動畫點雲。黑點表示移動的物件,包括人、樹木、灌木;該演算法將人顯示為綠色,同時過濾掉其他移動物件。

圖3顯示了行走的人和擺頭風扇的微都卜勒特徵差異;一旦識別出區分兩個物件的正確特徵,分類器就會在設備上即時進行區分。

20190306_mmWave_TA31P3

圖 3:兩張圖顯示了行走的人和擺頭風扇隨時間推移的微都卜勒資訊。

圖4顯示了晶片上處理如何使毫米波感測器根據其特徵即時識別目標並進行分類;這些特徵可以是根據尺寸、反射率、微都卜勒效應或是其他特徵,並且可以幫助識別典型的行為,以辨別不同的移動物件。例如分類功能可在室內或室外保全應用中識別人和動物,在家庭自動化系統中區分兒童和成人,或確定人在限制區域內是跑步還是行走。

20190306_mmWave_TA31P4

圖 4:使用毫米波感測器執行分類的範例:中間圖上所有移動目標都分配了一個軌道,其中的每個彩色區域代表一個人。

邊緣處理和智慧可以成為強大的工具,有助於提高物聯網感測器、網路的品質和穩健性。具有整合處理功能的毫米波感測器,能夠在邊緣實現智慧,透過對物件進行過濾和分類,更智慧地識別場景中發生的事情並即時做出決策,從而解決錯誤偵測問題。

本文同步刊登於電子工程專輯雜誌2019年3月刊

(參考原文: mmWave Sensors Enable Edge Intelligence,by Keegan Garcia)