大多數物聯(lián)網系統(tǒng)由超低功耗無線傳感器節(jié)點組成，通常由電池供電，提供傳感功能。

它們的主要目的是將遙測數據發(fā)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(lián)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，以有吸引力的圖形呈現數據，以幫助支持 PoC。PoC的主要原因是說服利益相關者投資物聯(lián)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(tài)系統(tǒng)的擴展，很明顯，有可能通過云來回發(fā)送太多數據。這可能會阻塞帶寬管道，使數據更難快速進出云。這也會產生最煩人的延遲，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(lián)網節(jié)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(lián)網基礎設施和平臺投資需要貨幣化，隨著更多節(jié)點的添加，基礎設施需要既可擴展又有利可圖。

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(jié)點釋放了帶寬。每個節(jié)點傳輸的數據更少也有可能減少收集和將數據傳輸到云所需的網關數量。

另一個增強邊緣計算的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(chuàng)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(jié)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(fā)詞“Alexa”時的檢測和喚醒是邊緣AI的常見用法。在這種情況下，觸發(fā)字檢測在系統(tǒng)的微控制器（MCU）中本地完成。成功觸發(fā)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，喚醒延遲被最小化，以獲得最佳用戶體驗。

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以測量溫度和振動。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要出現不良軸承或過載情況。獲得此預警對于在電機完全發(fā)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對設備進行了主動維修。這提供了巨大的成本節(jié)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(jié)點。

將更多處理推送到終端節(jié)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(jié)點通常使用mW范圍內的電源運行，大部分時間休眠，功率在μW范圍內。由于終端節(jié)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(jié)點可以由MCU控制，就像具有64 kB閃存和8 kBRAM（時鐘速度約為20 MHz）的8位處理器一樣簡單。 或者，MCU 可能像具有 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。

將邊緣處理添加到資源受限的終端節(jié)點設備非常具有挑戰(zhàn)性，需要在硬件和軟件級別進行創(chuàng)新和優(yōu)化。盡管如此，由于終端節(jié)點無論如何都會在系統(tǒng)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(jié)點將繼續(xù)變得更加智能，但它們也必須繼續(xù)尊重其對成本和功耗的低資源要求。邊緣處理將繼續(xù)普遍存在，云處理也是如此。通過選擇將功能分配到正確的位置，可以針對每個應用優(yōu)化系統(tǒng)，并確保最佳性能和最低成本。高效分配硬件和軟件資源是平衡相互競爭的性能和成本目標的關鍵。適當的平衡可最大限度地減少到云的數據傳輸，最大限度地減少網關數量，并為傳感器或終端節(jié)點添加盡可能多的功能。

超低功耗邊緣傳感器節(jié)點示例

由安森美半導體開發(fā)的RSL10智能拍攝相機通過可按原樣使用或輕松添加到應用中的設計解決了這些各種挑戰(zhàn)。事件觸發(fā)的AI就緒成像平臺使用由安森美半導體和生態(tài)系統(tǒng)合作伙伴開發(fā)的許多關鍵組件，為工程團隊提供了一種簡單的方法，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，然后將其上傳到云服務進行處理。在發(fā)送之前，圖像由Sunplus創(chuàng)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，圖像數據通過藍牙低功耗 （BLE） 通信網絡傳輸到網關或手機的速度要快得多（配套應用程序也可用）。ISP 是本地（終端節(jié)點）邊緣處理的一個很好的例子。圖像在本地壓縮，通過無線發(fā)送到云的數據更少，從而通過減少通話時間，從而節(jié)省了電力和網絡成本。

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(qū)域。這允許傳感器保持低功耗模式，直到在感興趣區(qū)域中檢測到物體或移動。

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

如圖1所示，該板包括多個用于觸發(fā)活動的傳感器。其中包括運動傳感器、加速度計和環(huán)境傳感器。一旦觸發(fā)，開發(fā)板可以通過BLE將圖像發(fā)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智能拍攝相機，云服務設置為執(zhí)行對象檢測。處理圖像后，智能手機應用程序會根據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(lián)網正在發(fā)生變化并變得更加優(yōu)化，以實現大規(guī)模且具有成本效益的擴展。不斷開發(fā)新的連接技術，以幫助解決功耗、帶寬和容量問題。人工智能不斷發(fā)展，變得更有能力，更高效，使其能夠移動到邊緣甚至終端節(jié)點。物聯(lián)網正在發(fā)展和適應，以反映持續(xù)增長并為未來的增長做好準備。

審核編輯：郭婷