传感器融合：可穿戴设备面临的挑战

传感器融合作为一个应用空间正在蓬勃发展。几乎在任何给定的一周内，至少有一些关于新的传感器聚变创新的故事，无论是军方考虑多光谱传感器聚变以提高飞行员在恶劣天气下飞行时的安全性，还是更智能的传感器中枢减少用电量。

我们嵌入的传感器越多，生成的数据就越多。这些数据非常有用，并推动了健身和健康跟踪等应用以及虚拟现实耳机的最新进展。随着我们生成更多的数据，我们也消耗更多的能量，在越来越复杂的应用中产生“传感器感”。

传感器融合是对不同传感器馈送的智能组合和解释，使应用程序能够更深入地了解用户的行为或移动。然而，用户体验的质量在很大程度上不是由传感器本身驱动的，而是由传感器融合算法驱动的，这些算法将传感器数据转化为有用的、应用就绪的信息。

传感器体积小，噪声大，信号容易失真，容易受到干扰;传感器融合和处理软件增加了校准、融合等功能，使数据更加准确、可靠，并随时可以暴露在现实世界的应用中。传感器融合本身并不简单，可以与冰山相提并论——可见的传感器融合是一组相当小、相对简单的算法。然而，这些算法依赖于一个隐藏的、复杂的世界，其中包含更大的系统挑战，必须解决这些挑战，才能为融合系统提供高质量的数据。当良好的传感器融合正确集成到传感器系统中时，它会对用户体验产生巨大影响。

语境为王

传感器融合还有另一个要素：它可以帮助根据设备上下文节省功耗。例如，如果手机放在办公室的桌子上，并且几个小时内没有移动，则不必对GPS进行采样或以其他方式计算位置。类似的技术可以在您在汽车或公共交通工具中时自动管理电话功能。虽然这些看似很小的步骤，但相关的节能效果却相加。

为了实现这些用户体验优势，我们需要传感器始终在线并收集数据，而不管设备是否正在使用。因此，我们需要一种方法来收集，过滤和分析来自传感器的数据，而无需消耗大量手机的电池或处理资源。这导致了一种“传感器中枢”处理器的兴起，该处理器是一种通常基于ARM Cortex-M系列的专用处理器，用于处理传感器处理。通过优化处理器、传感器融合和处理软件，我们可以实现始终在线处理的优势，同时将对设备电池寿命的影响降至最低。

让我们来看看传感器融合方法，这些方法利用这种优化并产生良好的结果。虚拟现实（VR）系统欺骗大脑相信虚拟世界是真实的。这意味着系统必须以最高的精度和尽可能低的延迟将现实世界的操作转换为虚拟世界。现代可穿戴设备的常用架构使用 Cortex-A 处理器来运行丰富的操作系统，提供复杂的用户界面，同时将需要确定性实时响应的传感器融合功能卸载到 Cortex-M 处理器。随着传感器数据处理需求的增长，Cortex-M7 CPU 是适合此功能的处理器。

以延迟为例，它被广泛认为是“模拟器病”的主要原因。延迟是头部移动和图像调整之间的时间，对应于该运动。许多系统因素都会影响延迟，但收集、处理传感器数据并将其传递到系统是一个值得注意的因素。

Cortex-M7 可实现高分辨率传感器采样和传感器融合，包括动态传感器校准。目前主流磁头跟踪器中使用的典型传感器融合输出数据速率（ODR）约为100 Hz，但M7内核的额外处理能力允许其扩展到1 kHz以上。首先，这种增加的ODR意味着在适当的时间收集数据包以进行图形渲染时延迟最小，因为视频帧速率与传感器融合处理速率不同。此外，它还能够实现更密集的样品，以实现更准确的预测性头部跟踪。通过分析模式和预测未来移动，可以减少延迟，但几毫秒内可用的数据密度对于头部跟踪性能至关重要。我们必须进一步调查过去以获得用于预测的适当数据，估计的可靠性就越低。较高的 ODR（1 kHz 或更高）可提高预测的准确性，从而提高用户体验的质量。

可穿戴设备面临的挑战

传感器采用的增长最为强劲，尤其是在腕戴式可穿戴设备中。这些设备具有更多的传感器，通常包含压力，心率，陀螺仪等，以向用户提供更多数据并实现更好的用户界面。包括陀螺仪和磁力计在内的其他运动传感器将有助于增加个人上下文跟踪的丰富性和准确性。环境传感器，如紫外线、湿度和温度，将实现更好的用户环境和增强的个人舒适度。生物传感器将测量水合作用、血氧和葡萄糖饱和度、皮肤温度和汗液等，以提供有关用户身体和健康的独特见解。

组合来自这些不断扩展的传感器阵列的数据需要一个功能强大且高能效的处理器。这对于低功耗上下文分类尤其重要。高级上下文检测需要复杂的算法，这些算法可以利用 M7 的高级功能为丰富的用户应用提供准确而低功耗的上下文检测。