移動計算推動了產品機會的爆發——智能手機、可穿戴設備、可聽設備、運動相機等等。傳感技術將進一步擴大必須具有環境感知的應用機會。現在，對于運輸、機器人、家庭自動化、智能城市、工廠和倉庫管理中許多可能的應用來說，通過視覺、雷達或激光雷達傳感來進行物體識別和碰撞警告，通過超聲波傳感器實現短距離的接近偵測，通過IMU進行運動和姿勢檢測，基于聲學的危險聲音檢測已經很普遍了。說實話，這個清單是無窮無盡的。我們擁有建立一個由智能傳感驅動的未來主義的、幾乎是科幻小說的世界所需要的所有原材料。但是怎么做呢？

從感知到運動

想一想一個在機場周圍移動的機器人助手。幫助乘客辦理登機手續，找到他們的登機口，獲得航班的詳細信息。這個機器人必須在機場內自由移動，不能撞到在各個方向行走或奔跑的人，或可能是靜止的或有時可能移動的物體。這個機器人助手應該知道如何在一個不斷變化的環境中進行智能導航。而且，它必須在一定的可能性范圍內，能夠理解并響應自然語言的語音命令。我們將在下面討論這個問題。

光學和接近傳感器是智能導航技術的一個起點。這些傳感器信息輸入到一個被稱為SLAM的復雜算法中，并生成一個不斷移動變化的的空間的點陣云圖且隨之變化更新。弱光條件下，SLAM技術正越來越多地被航位推算所加強，因為在弱光條件下，光學的效果較差。這種方法從一個已知的位置追蹤運動，從車輪運動、加速計和其他傳感器中獲取信息。同時，接近傳感器提供輸入，避免撞上一個物體或一個人。我們已經有多個傳感器向算法提供信息，以構建地圖和定位機器人助手在地圖中的位置。

基于攝像頭的SLAM需要高精度的線性方程求解，矢量DSP平臺很適合。基于超聲波的接近感測必須從降噪開始，在回聲和其他雜波中定位最近的物體，然后進行范圍（和方向）計算。這種信號處理非常適合于標量DSP。

從聲音到行動

一位乘客看到一個助手，就叫它過來：“嘿，Airbot！” 首先，助理必須識別這個命令和它的來源。這一步需要一些復雜的音頻處理，尤其是在機場航站樓這樣的嘈雜環境中。識別觸發語音命令是任何智能音箱中都會有的基本人工智能。機器人還可以通過beamforming“”波束成形技術檢測語音命令的來源方向。這個技術需要更多的信號處理，從多個麥克風在稍微不同的時間檢測到的識別命令中找出方向。

我們的機器人助手”滑行”到乘客身邊，沿途避開其他障礙物，在幾英尺遠的地方停下來，問道：“我能為你做些什么？” 它在屏幕上展示了一系列它知道如何回答的問題，然后乘客說，“我想辦理登機手續”。我們的機器人首先必須做一些更多的信號處理，以減少該音頻信號的噪音，部分通過波束成形，部分通過回聲消除。然后，它必須識別這個命令。

自然語言處理（NLP）可以在云端處理，但機場網絡有很大的負荷。因此，NLP必須在本地處理，以便快速響應。機器人應快速響應，以提供令人滿意的用戶體驗。它要求乘客直接看著它的屏幕，拍一張照片，然后要求乘客插入一個圖片ID，如護照身份頁。然后它可以比較這些圖片以增加安全性，這需要一個強大的可編程神經網絡引擎。

辦理登機手續的剩余步驟？那就有傳統的嵌入式處理就夠了。

將一切結合起來

智能傳感設備必須使用一個支持同時處理多個傳感器的平臺。它應該為前端信號處理提供強大的標量DSP支持，為基于圖像的計算和SLAM提供矢量DSP支持。對語音和視覺人工智能的神經網絡支持，也是一個矢量DSP，但對神經網絡有特殊的擴展，同時在SDK中有豐富的軟件編譯器和庫，為你提供這些技術領域的所有基礎支持。

CEVA的 “SensPro2 ”是傳感平臺提供動力的方案之一。基于CEVA在視覺、音頻、SLAM和人工智能方面的強大背景，SensPro2是一款用于多任務傳感和多傳感器的人工智能（包括攝像頭、雷達、激光雷達、飛行時間、麥克風和慣性測量單元）的高度可擴展和增強的第二代高性能傳感器控制中心SensorHub DSP。

責任編輯：haq