边缘AI和云计算的演变

大多数物联网系统由超低功耗无线传感器节点组成，通常由电池供电，提供传感功能。

它们的主要目的是将遥测数据发送到云端进行大数据处理。几乎每家公司都在这样做以实现概念验证（PoC），因为物联网成为新的流行语和市场趋势。云服务提供商拥有漂亮的仪表板，以有吸引力的图形呈现数据，以帮助支持 PoC。PoC的主要原因是说服利益相关者投资物联网并证明投资回报，以便为大型项目提供资金。

随着这个生态系统的扩展，很明显，有可能通过云来回发送太多数据。这可能会阻塞带宽管道，使数据更难快速进出云。这也会产生最烦人的延迟，并且在极端情况下可能会破坏需要保证吞吐量的应用程序。

尽管5G和Wi-Fi 6E等标准承诺在带宽和传输速度方面有重大改进，但与云通信的大量物联网节点已经爆炸式增长。除了设备数量庞大之外，成本也在增加。早期的物联网基础设施和平台投资需要货币化，随着更多节点的添加，基础设施需要既可扩展又有利可图。

2019 年左右，边缘计算的想法成为一种流行的解决方案。边缘计算在本地传感器网络中实现更高级的处理。这最大限度地减少了需要通过网关到达云并返回的数据量。这直接降低了成本，并在需要时为其他节点释放了带宽。每个节点传输的数据更少也有可能减少收集和将数据传输到云所需的网关数量。

另一个增强边缘计算的技术趋势是人工智能 （AI）。早期的人工智能服务主要是基于云的。随着创新和算法变得更加高效，人工智能已经非常迅速地转移到终端节点，其使用正在成为标准做法。一个值得注意的例子是亚马逊Alexa语音助手。听到触发词“Alexa”时的检测和唤醒是边缘AI的常见用法。在这种情况下，触发字检测在系统的微控制器（MCU）中本地完成。成功触发后，命令的其余部分将通过Wi-Fi网络进入云，在那里完成最苛刻的AI处理。这样，唤醒延迟被最小化，以获得最佳用户体验。

除了解决带宽和成本问题外，边缘 AI 处理还为应用程序带来了额外的好处。例如，在预测性维护中，可以在电动机中添加小型传感器以测量温度和振动。经过训练的 AI 模型可以非常有效地预测电机何时具有或将要出现不良轴承或过载情况。获得此预警对于在电机完全发生故障之前对其进行维修至关重要。这种预测性维护大大减少了生产线停机时间，因为在完全故障之前对设备进行了主动维修。这提供了巨大的成本节约和最小的效率损失。正如本杰明·富兰克林所说，“一盎司的预防胜过一磅的治疗”。

随着更多传感器的添加，网关也可能被来自本地传感器网络的遥测数据淹没。在这种情况下，有两种选择可以缓解此数据和网络拥塞。可以添加更多网关，也可以将更多边缘处理推送到终端节点。

将更多处理推送到终端节点（通常是传感器）的想法正在进行中，并迅速获得动力。终端节点通常使用mW范围内的电源运行，大部分时间休眠，功率在μW范围内。由于终端节点的低功耗和低成本要求，它们的处理能力也有限。换句话说，它们非常受资源限制。

例如，典型的传感器节点可以由MCU控制，就像具有64 kB闪存和8 kBRAM（时钟速度约为20 MHz）的8位处理器一样简单。 或者，MCU 可能像具有 2 MB 闪存和 512 kB RAM 且时钟速度约为 200 MHz 的 Arm Cortex-M4F 处理器一样复杂。

将边缘处理添加到资源受限的终端节点设备非常具有挑战性，需要在硬件和软件级别进行创新和优化。尽管如此，由于终端节点无论如何都会在系统中，因此添加尽可能多的边缘处理能力是经济的。

作为边缘处理演变的总结，很明显，终端节点将继续变得更加智能，但它们也必须继续尊重其对成本和功耗的低资源要求。边缘处理将继续普遍存在，云处理也是如此。通过选择将功能分配到正确的位置，可以针对每个应用优化系统，并确保最佳性能和最低成本。高效分配硬件和软件资源是平衡相互竞争的性能和成本目标的关键。适当的平衡可最大限度地减少到云的数据传输，最大限度地减少网关数量，并为传感器或终端节点添加尽可能多的功能。

超低功耗边缘传感器节点示例

由安森美半导体开发的RSL10智能拍摄相机通过可按原样使用或轻松添加到应用中的设计解决了这些各种挑战。事件触发的AI就绪成像平台使用由安森美半导体和生态系统合作伙伴开发的许多关键组件，为工程团队提供了一种简单的方法，以低功耗格式访问支持AI的对象检测和识别功能。

采用的技术是使用微小但功能强大的ARX3A0 CMOS图像传感器捕获单个图像帧，然后将其上传到云服务进行处理。在发送之前，图像由Sunplus创新技术的图像传感器处理器（ISP）进行处理和压缩。应用 JPEG 压缩后，图像数据通过蓝牙低功耗 （BLE） 通信网络传输到网关或手机的速度要快得多（配套应用程序也可用）。ISP 是本地（终端节点）边缘处理的一个很好的例子。图像在本地压缩，通过无线发送到云的数据更少，从而通过减少通话时间，从而节省了电力和网络成本。

ISP专为超低功耗运行而设计，工作时功耗仅为3.2 mW。它还可以配置为提供一些传感器上的预处理，以进一步降低有功功率，例如设置感兴趣的区域。这允许传感器保持低功耗模式，直到在感兴趣区域中检测到物体或移动。

进一步的处理和BLE通信由完全认证的RSL10系统级封装（RSL10 SIP）提供，也来自安森美半导体。该器件提供业界领先的低功耗操作和较短的上市时间。

如图1所示，该板包括多个用于触发活动的传感器。其中包括运动传感器、加速度计和环境传感器。一旦触发，开发板可以通过BLE将图像发送到智能手机，然后配套应用程序可以将其上传到云服务，例如Amazon Rekognition服务。云服务实现深度学习机器视觉算法。对于RSL10智能拍摄相机，云服务设置为执行对象检测。处理图像后，智能手机应用程序会根据算法检测到的内容及其成功概率进行更新。这些类型的基于云的服务非常准确，因为它们实际上有数十亿张图像来训练机器视觉算法。

结论

如前所述，物联网正在发生变化并变得更加优化，以实现大规模且具有成本效益的扩展。不断开发新的连接技术，以帮助解决功耗、带宽和容量问题。人工智能不断发展，变得更有能力，更高效，使其能够移动到边缘甚至终端节点。物联网正在发展和适应，以反映持续增长并为未来的增长做好准备。

审核编辑：郭婷