作為物理世界和數字世界之間的接口，傳感器和換能器已經從技術上的波瀾不驚轉變成為汽車安全、安防、醫療保健、物聯網（IoT）和人工智能（AI）等應用賦能的前沿技術。因此，它們在尺寸、功耗和靈敏度等基本物理和電氣性能方面經歷了革命性改變，同時引發了傳感器集成方面的新思想——范圍從傳感器融合到應用在類似霧計算的架構中的基于AI的傳感器處理算法的生成。

 

這些創新背后的推手是對物聯網設備小型化和低功耗的訴求，應用包括：智能消費設備、可穿戴設備和工業物聯網（IIoT）、高級駕駛員輔助系統（ADAS）以及圍繞自動駕駛汽車、無人機、安全系統、機器人和環境監測等的激動人心的發展。市場研究咨詢公司MarketsandMarkets預測，智能傳感器市場（包括一定程度的信號處理和連接能力）總共將從2015年的185.8億美元增長到2022年的577.7億美元，相當于18.1%的復合年均增長率（CAGR）。

 

最近，許多傳感器及其背后的創新令人興奮。博世傳感器（BST）最近直切設計師所需要的核心功能，推出了面向可穿戴設備和物聯網的低功耗加速度計，以及面向無人機和機器人的高性能慣性測量單元。

 

博世傳感器的這兩款器件均基于微機電系統（MEMS）——該技術自20世紀90年代首次用于安全氣囊以來，已歷經長期發展。從那以后，它至少經歷了兩個發展階段——迅速進入消費電子和游戲、智能手機領域，現在該產業已經進入了物聯網階段。這就是博世傳感器全球業務發展總監Marcellino Gemelli所說的“第三次浪潮”。

 

這兩款器件瞄準的就是這第三次浪潮。BMA400加速度計與以前器件的尺寸相同，均為2.0mm×2.0mm，但功耗僅為十分之一。這個特性非常關鍵。

 

據Gemelli稱，BMA400設計團隊為降低功耗從零開始設計了這款器件，為此需要考慮實際應用。他們很快發現，典型的加速度計所用的2kHz采樣速率，對于計步器和安全系統的運動檢測來說并不必要。意識到這點，該團隊將采樣率降低到800Hz。隨著MEMS傳感器和相關ASIC設計的其他更有針對性的改變，現在當事件發生、BMA400向主微控制器（MCU）發送中斷信號時功耗僅為1μA，而典型指標是10μA。

 

BST的另一款物聯網MEMS器件BMI088，是一款為無人機和其他易振系統設計的慣性測量單元（IMU），這些應用對其既能抑制也能濾除和抵制系統的振動噪聲的能力感興趣。BMI088大小為3.0mm x 4.5mm（圖1），其加速度計測量范圍為±3g至±24g、陀螺儀的測量范圍為±125°/s至±2,000°/s。

 

圖1：BMI088 IMU可減少和濾除從無人機到洗衣機等各種應用場合的振動。

 

據Gemelli的說法，BMI088設計團隊最初通過使用不同的膠水配方將MEMS傳感器固定在基板上來抑制振動，“但還不止這些，這個方法更加全面。如果傳感器產生無用數據，對任何人都沒好處。”考慮到這點，該團隊還修改了傳感器結構和運行在ASIC上用于理解信號的軟件。

 

然而，另一個關乎穩定性的關鍵特性是溫度偏移系數（TCO），其被指定為15mdps/°K。其他主要特性包括在最寬±24g的測量范圍內，偏置穩定度小于2°/h、頻譜噪聲為230μg/√Hz。

 

 

雖然傳感器作為物聯網的數據收集工具備受關注，但換能器并未成為眾人關注的焦點。不過，通過與意法半導體（ST）合作，USound正在改變這種情況，最近它宣布推出了首款基于MEMS的高級微型揚聲器（圖2）。

 

圖2：來自USound和意法半導體的微型揚聲器，采用小體積、高效率、基于MEMS的技術（熱損耗可忽略不計）取代大體積、高損耗的機電驅動器。

 

微型揚聲器采用了ST的薄膜壓電換能器（PεTra）技術和USound的揚聲器設計專利概念。這些器件不需要機電驅動器，因此也就避免了其相關的尺寸和低效率之傷——這種驅動器的大部分能量以線圈發熱的形式耗散掉了。

 

與此相對，這款微型揚聲器采用了硅MEMS，預計將是世界上最薄的產品，重量只有傳統揚聲器的一半。設計應用包括入耳式耳機、包耳式耳機或增強現實和虛擬現實（AR /VR）頭盔。其不僅體積小，功耗也更低，且發熱可忽略不計（見圖2）。

 

但是，由于體積小，在聲壓級方面會不可避免地打折，因此意法半導體提供了一張MEMS揚聲器與參考的平衡電樞式揚聲器的對比圖表，顯示前者具有1kHz的平坦響應（圖3）。

 

圖3：USound的微型揚聲器（Moon）采用意法半導體的薄膜壓電換能器（PεTra）技術來生產平坦聲壓級響應達1kHz的MEMS揚聲器。BA=平衡電樞。

 

 

設計人員可以通過多種方式將接近和運動檢測集成到其物聯網設計，以實現在場檢測或用戶界面，或者兩者兼有。超聲波已成為多年選擇，聲納就是個好例子。然而，Chirp Microsystems公司通過推出CH-101和CH-201超聲波傳感器，將基于聲波的檢測引入到物聯網。

 

利用180°的寬范圍超聲散射，該傳感器使用揚聲器（換能器）產生超聲波，然后計算返回到拾取麥克風（傳感器）所花的時間以確定距離。除了寬散射外，該超聲波的優勢在于低功耗（等待模式下為15µW）、低成本和小體積（可小至1mm）。

 

除了距離和接近檢測外，設計師還可以利用Chirp Microsystems正在申請專利的基于機器學習和神經網絡算法的手勢分類庫（GCL），開發基于手勢的物聯網設備接口。然而，對于手勢檢測，至少需要3個傳感器以及Chirp的IC和三邊測量算法來確定手在三維空間中的位置、方向和速度。

 

該器件結合了手勢、在場、距離和動作檢測與低成本、低功耗和小尺寸（3.5mm×3.5mm，包括處理器）等優勢，提供簡單的I2C串行輸出，整個器件完全工作在1.8V。

 

 

不久前有段時間，人們認為激光雷達（LiDAR，激光檢測及測距）本身即是自動駕駛汽車的發展方向。最近，我們已經明晰，即使LiDAR性能獲得顯著提高，安全性需要也要求使用多種技術來實現高速、精確和智能的環境檢測。考慮到這一點，AEye公司開發了智能檢測及測距（iDAR）技術。

 

iDAR是一種增強型LiDAR，它將2D配置攝像頭像素疊加到3D體素上，然后使用其專有軟件對每個幀內的這兩種像素進行分析。此舉通過使用攝像頭覆蓋來檢測諸如顏色和標志的特征，來克服LiDAR的視敏度限制。然后它可以關注感興趣的對象（圖4）。

 

圖4：AEye的iDAR技術將2D攝像頭像素疊加到LiDAR 3D體素上，因此可以識別特別感興趣的對象并將其展現出來。

 

雖然AEye的技術是數據和處理密集型的，但它確實允許動態配置資源，根據速度和位置等參數來自定義數據收集和分析。

 

 

據博世傳感器的Gemelli介紹，下一步是重新思考該如何設計和應用傳感器。Gemelli并不是說要從頭開始設計傳感器及其相關算法，而是建議現在就開始應用AI技術，根據對隨時間采集到的數據和應用進行分析，自動生成傳感器使用的新算法。例如，一套不同的傳感器可以很好地執行特定功能，但是通過AI監控，我們可能發現，這些傳感器可以用來跟蹤我們從未打算將其用于檢測的參數，或者它們的使用效率也可以提高。

 

Gemelli表示，這個概念越來越受青睞。它也與霧計算架構相吻合——該架構的目標是盡可能減小傳感器與云之間必須傳遞的數據量。相反，通過應用AI，傳感器本身可以進行更多處理，隨著時間的推移，其僅在需要時才會去使用較大的網絡和云。

 

本文轉載自EDN電子技術設計。