物聯網（IoT）推動建筑和家庭系統中更多設備和傳感器連接網絡：根據Gartner統計，在2017年物聯網覆蓋的設備數量已達80億。

 

但隨著連接到云的傳感器數量日益增加，對網絡帶寬、遠程存儲和數據處理的系統要求也迅速提高。邊緣處的智能處理可以減少發送到中央服務器的數據量，增加傳感器本身的決策量。這可以在提升系統可靠性的同時，減少決策延遲和網絡成本；如果服務器關閉，您最不愿意看到的就是傳感器無法檢測物體和做出決策！

 

邊緣智能和連接

 

毫米波（mmWave）傳感器以兩種方式實現邊緣智能。首先，毫米波可提供距離、速度和角度等獨特的數據信息，同時具有反射不同目標的能力，這使傳感器能夠檢測探測范圍內不同物體的特定特征。例如，速度數據可使傳感器看到微多普勒效應 - 來自微小運動的調制效應 - 其包含目標對象的典型特征，例如自行車車輪的旋轉輻條，行走的人搖擺的手臂，或者動物奔跑的四肢。系統可以使用該數據來分類和識別傳感器視場角中的對象類型。

 

減少錯誤檢測

 

其次，毫米波傳感器通過片上處理實現邊緣智能。包含微控制器和數字信號處理器（DSP）的傳感器能夠執行初級雷達處理，以及特征檢測和分類。

 

圖1顯示了安全應用中50米室外入侵探測器使用片上智能的一項實驗結果。入侵探測器用于確定人員是否已進入受保護區域，例如貨運場、停車場或后院。一些依賴光學或紅外傳感的傳感器可能會檢測到附近樹木和灌木的錯誤運動。而毫米波傳感器使用處理和算法來濾除和防止錯誤檢測，僅在人體運動時觸發探測器。安全攝像頭和可視門鈴可以通過連接網絡服務器處理圖像，執行相同的錯誤檢測過濾。這些基于服務器的系統所提供的功能通常需要用戶付費，而毫米波技術可實現在傳感器本身進行決策無需聯網服務器。

 

圖1：用于長距離室外入侵探測器的片上過濾示例

 

圖2顯示了使用毫米波技術的入侵檢測；毫米波傳感器分析場景中對象的速度，過濾掉移動背景中的運動，僅跟蹤人物。 

 

圖2：來自室外入侵應用的動畫點云。黑點表示移動的對象，包括人、樹木、灌木。該算法將人顯示為綠色，同時過濾掉其他移動對象

 

圖3顯示了行走的人和擺頭風扇的微多普勒特征的差異。一旦識別出分離兩個對象的正確特征，分類器就會在設備上實時進行區分。

 

圖3：兩張圖顯示了行走的人和擺頭風扇隨時間推移的微多普勒信息

 

圖4顯示了片上處理如何使毫米波傳感器根據其特征實時識別和分類目標。這些特征或是基于尺寸、反射率、微多普勒效應或是其他特征，并且可以幫助識別典型的行為以辨別不同的移動對象。例如，分類功能可用于在室內或室外安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。

 

圖4：使用毫米波傳感器執行分類的示例：中間圖上所有移動目標都分配了一個軌道，彩色區域表示人

 

邊緣處理和智能可以成為強大的工具，有助于提高物聯網傳感器、網絡的質量和穩健性。具有集成處理功能的毫米波傳感器，能夠在邊緣實現智能，通過對對象進行過濾和分類，更智能地識別場景中發生的事情并實時做出決策，從而解決錯誤檢測問題。

 

來源：EETOP TI社區