2019 年之前，大多數物聯網系統由超低功耗無線傳感器節點組成，通常由電池供電，提供傳感能力。

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。隨著物聯網成為新的流行語和市場趨勢，幾乎每家公司都在這樣做以實現概念驗證 （PoC）。云服務提供商有漂亮的儀表板，以有吸引力的圖表呈現數據，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，以便為更大的項目提供資金。

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。這可能會阻塞帶寬管道，并使數據難以足夠快地進出云。這也會產生至少令人討厭的延遲，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，基礎設施需要具有可擴展性和盈利能力。

大約在 2019 年，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達云并返回的數據量。這直接降低了成本，并在需要時為其他節點釋放帶寬。每個節點傳輸的數據更少，也有可能減少收集數據并將數據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）。早期的人工智能服務主要是基于云的。隨著創新和算法變得更加高效，人工智能已經非常迅速地轉移到終端節點，并且它的使用正在成為標準實踐。一個值得注意的例子是亞馬遜 Alexa 語音助手。聽到觸發詞“Alexa”后的檢測和喚醒是邊緣 AI 的常見用法。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，命令的其余部分通過 Wi-Fi 網絡進入云端，在云端完成最苛刻的 AI 處理。這樣，喚醒延遲最小化，以獲得最佳的用戶體驗。

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，可以將小型傳感器添加到電動機中以測量溫度和振動。訓練有素的 AI 模型可以非常有效地預測電機何時出現或將出現軸承損壞或過載情況。獲得此早期警告對于在電機完全失效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，因為設備在完全故障之前得到了主動維修。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，有兩種選擇可以緩解這種數據和網絡擁塞。可以添加更多網關，或者可以將更多邊緣處理推送到端節點。

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，并且大部分時間以 μW 范圍內的功率休眠。由于端節點的低功耗和成本要求，它們的處理能力也有限。換句話說，它們的資源非常有限。

例如，一個典型的傳感器節點可以由一個 MCU 控制，該 MCU 就像一個具有 64 kB 閃存和 8 kB RAM 且時鐘速度約為 20 MHz 的 8 位處理器一樣簡單。或者，MCU 可能與具有 2 MB 閃存和 512 kB RAM 且時鐘速度約為 200 MHz 的 Arm Cortex-M4F 處理器一樣復雜。

向資源受限的終端節點設備添加邊緣處理非常具有挑戰性，需要在硬件和軟件層面進行創新和優化。盡管如此，由于終端節點無論如何都會在系統中，因此增加盡可能多的邊緣處理能力是經濟的。

作為邊緣處理演進的總結，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。邊緣處理將繼續流行，云處理也將如此。具有將功能分配到正確位置的選項允許系統針對每個應用程序進行優化，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向云的數據傳輸，最大限度地減少網關的數量，并盡可能多地為傳感器或終端節點增加功能。

超低功耗邊緣傳感器節點示例

由 ON Semiconductor 開發的 RSL10 智能拍攝相機通過可按原樣使用或輕松添加到應用程序的設計解決了這些各種挑戰。事件觸發、AI 就緒的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以低功耗格式訪問支持 AI 的對象檢測和識別功能的簡單方法。

采用的技術是使用小巧但功能強大的 ARX3A0 CMOS 圖像傳感器來捕獲單個圖像幀，然后將其上傳到云服務進行處理。在發送之前，圖像由凌陽創新科技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的速度要快得多（也可以使用配套應用程序）。ISP 是本地（端節點）邊緣處理的一個很好的例子。圖像在本地進行壓縮，通過空中向云端發送的數據更少，從而通過減少通話時間顯著節省電力和網絡成本。

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可以進一步降低有功功率的傳感器上預處理，例如設置感興趣區域。這允許傳感器保持在低功率模式，直到在感興趣區域中檢測到物體或移動。

進一步的處理和 BLE 通信由同樣來自安森美半導體的完全認證的 RSL10 系統級封裝 （RSL10 SIP） 提供。該器件提供行業領先的低功耗運行和較短的上市時間。

（圖 1. RSL10 Smart Shot Camera 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，該板包括多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 Amazon Rekognition 服務。云服務實現深度學習機器視覺算法。對于 RSL10 Smart Shot Camera，云服務設置為進行對象檢測。處理完圖像后，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，以實現大規模且具有成本效益的擴展。不斷開發新的連接技術以幫助解決功率、帶寬和容量問題。人工智能不斷發展，變得更有能力和效率，使其能夠移動到邊緣甚至終端節點。物聯網正在增長和適應以反映持續增長并為未來增長做準備。

審核編輯：郭婷