但随着连接到云端的传感器数量日益增加，对网络带宽、云端储存和数据处理的系统要求也迅速提高；位于边缘的智能处理可以减少发送到中央服务器的数据量，增加传感器本身的决策量。这可以在提升系统可靠性的同时，减少决策延迟和网络成本；人们最不愿意看到的，应该就是当服务器停止工作，传感器会无法检测物体和做出决策。

 

边缘智能和连接

 

毫米波（mmWave）传感器通过两种方式实现边缘智能。首先毫米波可提供距离、速度和角度等独特的数据集，同时具有反射不同目标的能力，这使传感器能够探测所需范围内不同物体的特征。例如速度数据可使传感器看到微多普勒效应（micro-Doppler）──来自微小运动的调变效应──其包含目标物件的典型特征，例如自行车车轮的旋转辐条、行人摇摆的手臂或者动物奔跑的四肢；系统可以使用该数据来分类和识别传感器视野中的各种物件类型。

 

减少错误检测

 

其次，毫米波传感器通过芯片上处理实现边缘智能；内含微控制器和数字信号处理器（DSP）的传感器能够执行初级雷达处理（low-level radar processing），以及特征检测和分类。

 

图1：用于长距离室外入侵探测器的芯片上过滤范例

 

图1显示了在一项安防应用中，使用芯片上智能算法在50公尺室外入侵探测器的一项实验结果。入侵探测器用于确定是否有人进入受保护区域，例如货运场、停车场或后院。一些仰赖光学或红外线感测的探测器，可能会检测到附近树木和灌木的错误运动。而毫米波传感器使用处理和算法来滤除和防止错误的检测，仅在人体运动时触发探测器。安防摄影机和可视门铃（video doorbells）可以通过联网服务器处理图像信息，执行相同的错误检测过滤；但这些基于服务器的系统所提供的功能通常需要使用者付费，毫米波技术则可实现在传感器本身进行决策，无需联网服务器。

 

图2显示了使用毫米波技术的入侵探测；毫米波传感器分析场景中物件的速度，过滤出移动背景中的运动，仅追踪人物。

 

图2：来自室外入侵应用的动画点云，黑点表示移动的物件，包括人、树木、灌木；该算法将人显示为绿色，同时过滤掉其它移动物件

 

图3显示了行走的人和摆头风扇的微多普勒特征差异；一旦识别出区分两个物件的正确特征，分类器就会在设备上即时进行区分。

 

 

图3：两张图显示了行走的人和摆头风扇随时间推移的微多普勒信息

 

图4显示了芯片上处理如何使毫米波传感器根据其特征即时识别目标并进行分类；这些特征可以是根据尺寸、反射率、微多普勒效应或是其它特征，并且可以帮助识别典型的行为，以辨别不同的移动物件。例如分类功能可在室内或室外保全应用中识别人和动物，在家庭自动化系统中区分儿童和成人，或确定人在限制区域内是跑步还是行走。

 

图4：使用毫米波传感器执行分类的范例：中间图上所有移动目标都分配了一个轨道，其中的每个彩色区域代表一个人

 

边缘处理和智能可以成为强大的工具，有助于提高物联网传感器、网络的品质和稳健性。具有整合处理功能的毫米波传感器，能够在边缘实现智能，通过对物件进行过滤和分类，更智能地识别场景中发生的事情并即时做出决策，从而解决错误检测问题。

 

来源：德州仪器