【导读】有时候智能手机看起来显得很笨。比如下面这个例子：办公室里坐了很多员工，每位都在专心地做他或她自己的工作。此时此刻，一首突然响起的流行音乐——刚好离开办公室去外面就餐的同事的手机铃音打破了这里的宁静。手机就放在桌子上，拼命地振动，慢慢地滑向桌子边缘，迫使旁边的同事跳起来把手机移到安全的位置。这种情况对办公室人员来是非常恼火的，很容易让他们分心。
乍看起来，一部智能手机如此的不聪明似乎有些奇怪——毕竟智能手机通常都非常了解自己所处的周围环境。
事实上，我们还需要增加一些元件，并对各种传感器的输出进行仔细的组合，才能让一台移动设备自动执行合适的通知功能。本文概述了一个可以提供这种能力的软硬件框架，它充分利用了许多移动设备中已有的功能。
智能手机中丰富的传感器阵列
智能手机中已经配备有许多传感器。有些传感器可以直接支持智能通知：
·嵌入在显示屏中的接近传感器可以检测到手机是否靠近用户的耳朵。当靠近用户耳朵时，它可以通知手机关闭显示屏及其触摸敏感性。
·环境光线传感器可以帮助系统根据环境光线的强度调整显示屏的亮度。先进的环境光线传感器将数字颜色检测和接近检测结合在一起，可以实现更加复杂的显示管理。
·加速度计可以判定屏幕的方向，以便屏幕上显示的内容作出合适的旋转以配合横屏或竖屏模式。
·麦克风可以检测环境噪声的大小。
就目前的配置而言，每个传感器都被分配一个主要的功能，一般不用于其它功能。加速度计是其中一个例外，它也被用于游戏应用中，用于支持玩家的用户界面。
对环境的部分感知
目前智能手机中的传感器阵列具有部分的智能事件通知能力，比如来电、短信和电子邮件。举例来说，智能手机中的环境光线传感器和加速度计可以检测手机是否处于静止状态和明亮的环境中(是太阳光还是人造光源)。这意味着智能手机不在用户身上(如果手机在口袋里，显示屏上应该不会照射到环境光线)。这也意味着可以自动取消振动功能。
但用户通知可以做得比这智能得多，而且只需增加少量元器件即可。
举例来说，当手机面朝下放在桌子上时，环境光线传感器将无法正常工作。为了让智能手机能同时看到两个方向，需要安装两个环境光线传感器，一个在手机前面，一个在手机背面。这样不管手机处于什么位置都能使用环境光线信息。
同样对接近检测也可以这么处理：在手机背面增加第二个接近传感器。传感器模块可以将接近和环境光线检测功能结合在一起，因此在手机背面只需增加一个器件。如果使用颜色传感器/接近传感器模块，那么这个器件就能真实地测量环境光线的色温，进而分辨出是人造光(表明手机在室内)还是太阳光(表明手机在室外)。
智能通知还需要有关环境噪声大小的信息。这要求来自麦克风的检测输入，再加上数字信号处理来判断手机附近的声音大小。将麦克风的输出幅度转换为噪声音量测量值可以在专门的传感器接口中实现，避免使用手机的主应用处理器的运算资源。
智能通知系统中需要的最后一个硬件是环境温度传感器。对温度敏感的元件(比如PT100电阻)加上信号处理就能帮助移动设备确定周围空气的温度。应谨慎选取它在电路板上的位置，尽量减小手机本身发热对它的影响。测量的绝对精度不是很重要：它的功能只是指示手机是否靠近用户身体。
现在就可以把这些不同的输入组合起来，产生手机必须向用户提供通知那一刻所处环境的统一视图(见图1)。换句话说，各种测量值必须都馈送给一个统一的算法，从而从大量可能的环境(每种环境都有自己的一组特征量)中做出正确的选择。
图1：可以根据各种类型的传感器输入信息搭建出当前的环境。
如何组合来自不同传感器的信息
参考本文开头描述的“桌子上振铃的手机”场景，音量传感器应该单独就能指示设备处于安静的环境中；智能算法随后就可以降低通知的音量。另外，来自前后接近传感器的组合信息可以指示手机基本上平放在桌面或其它平坦的表面上。手机可以使用这个信息做出关闭振动的决定，当手机不在用户身上时振动是没有必要的。
正如这个例子表明的那样，各种传感器输入的组合可以帮助设备精确地检测所处的环境，然后针对这种环境做出合适通知类型的明智决定。
将这个工作原理加以扩展，可以定义许多典型的场景，然后针对每种场景做一个配置文件。这个配置文件可以向移动设备提供应该如何通知用户的指令。举例来说：
·“在用户口袋里”这种配置应该提示设备进行振动
·“在包里，并且在移动”这种配置应该提示使用大音量提醒
·“躺在安静房间里的桌子上”这种配置应该降低提醒音量
图2所示的流程图描述了一种决策树，它可以用到来自多个传感器的信息分辨出7种不同的配置。一系列加速度计测量结果可以用来判断移动设备是在移动还是静止状态。温度传感器用来判断设备是否靠近用户身体。环境光线传感器可以分辨出是室内还是室外环境(≥2,000lux的值表明设备在室外)，或确定设备是否在黑暗的环境中，比如包或口袋中。
图2：这种决策树可以用来判断最合适的通知方式。
用户配置和自学习能力
智能手机的一种能力就是决策树能由用户进行配置。当然在实际使用中，这样可能会带来一些复杂性，而且实际上很少有用户会修改默认的决策树。
自我学习算法当然会增强用户的体验。算法的默认状态包含一个简单的决策树和预定义的通知配置集。但这些规则可以根据用户输入和行为进行自动修改。
例如，如果用户想在特定场景中将手机调到仅振动状态，设备可以自动将这种修改增加到标准配置文件中。这样，随着时间的推移，用户就会得到设备能够预期和理解自己行为的印象。当然，这种适应性必须谨慎实现，要避免误解少量的随机事件。
本文小结
现在的智能手机已经配备有丰富的传感器阵列，它们能够了解周围的环境，但它们工作在各自独立的方式。通过组合它们的测量结果，手机就能检测出单个传感器本身无法感知的完整应用场景。结合用软件实现的决策流程，手机中的传感器组合就能真实地模仿人类行为，并使用多个传感器输入信息对我们居住的环境做出智能的响应。
推荐阅读：
