邊緣AI和云計(jì)算的演變

大多數(shù)物聯(lián)網(wǎng)系統(tǒng)由超低功耗無(wú)線傳感器節(jié)點(diǎn)組成，通常是電池供電的，可提供傳感功能。

他們的主要目的是將遙測(cè)數(shù)據(jù)發(fā)送到云端進(jìn)行大數(shù)據(jù)處理。幾乎每家公司都在這樣做，以實(shí)現(xiàn)概念驗(yàn)證（PoC），因?yàn)?a href="http://ttokpm.com/soft/data/55-88/" target="_blank">物聯(lián)網(wǎng)成為新的流行語(yǔ)和市場(chǎng)趨勢(shì)。云服務(wù)提供商擁有漂亮的儀表板，可以在有吸引力的圖表中顯示數(shù)據(jù)，以幫助支持PoC。PoC的主要原因是說(shuō)服利益相關(guān)者投資物聯(lián)網(wǎng)并證明投資回報(bào)，以便為大型項(xiàng)目提供資金。

隨著這個(gè)生態(tài)系統(tǒng)的擴(kuò)大，很明顯，有可能通過(guò)云來(lái)回發(fā)送太多數(shù)據(jù)。這可能會(huì)堵塞帶寬管道，使數(shù)據(jù)更難以足夠快的速度進(jìn)出云。這還會(huì)產(chǎn)生至少令人討厭的延遲，并且極端情況下可能會(huì)破壞需要保證吞吐量的應(yīng)用程序。

盡管5G和Wi-Fi 6E等標(biāo)準(zhǔn)承諾的帶寬和傳輸速度有了重大改進(jìn)，但與云通信的大量物聯(lián)網(wǎng)節(jié)點(diǎn)已經(jīng)爆炸式增長(zhǎng)。除了設(shè)備數(shù)量龐大之外，成本也在增加。早期的物聯(lián)網(wǎng)基礎(chǔ)設(shè)施和平臺(tái)投資需要貨幣化，隨著更多節(jié)點(diǎn)的添加，基礎(chǔ)設(shè)施需要既可擴(kuò)展又有利可圖。

在2019年左右，邊緣計(jì)算的想法成為一種流行的解決方案。邊緣計(jì)算在本地傳感器網(wǎng)絡(luò)中實(shí)現(xiàn)更高級(jí)的處理。這最大限度地減少了需要通過(guò)網(wǎng)關(guān)到云并返回的數(shù)據(jù)量。這直接降低了成本，并在需要時(shí)為其他節(jié)點(diǎn)釋放了帶寬。每個(gè)節(jié)點(diǎn)傳輸?shù)臄?shù)據(jù)較少，也有可能減少收集數(shù)據(jù)并將其傳輸?shù)皆扑璧木W(wǎng)關(guān)數(shù)量。

增強(qiáng)邊緣計(jì)算的另一個(gè)技術(shù)趨勢(shì)是人工智能（AI）。早期的AI服務(wù)主要是基于云的。隨著創(chuàng)新的發(fā)展和算法的提高，人工智能已經(jīng)非常迅速地轉(zhuǎn)移到終端節(jié)點(diǎn)，其使用正在成為標(biāo)準(zhǔn)做法。一個(gè)值得注意的例子是亞馬遜Alexa語(yǔ)音助手。聽到觸發(fā)詞“Alexa”時(shí)的檢測(cè)和喚醒是邊緣AI的熟悉用法。在這種情況下，觸發(fā)字檢測(cè)在系統(tǒng)的微控制器（MCU）中本地完成。成功觸發(fā)后，命令的其余部分將通過(guò)Wi-Fi網(wǎng)絡(luò)進(jìn)入云，在那里完成最苛刻的AI處理。這樣，喚醒延遲將降至最低，從而獲得最佳用戶體驗(yàn)。

除了解決帶寬和成本問(wèn)題外，邊緣AI處理還為應(yīng)用程序帶來(lái)了額外的好處。例如，在預(yù)測(cè)性維護(hù)中，可以在電動(dòng)機(jī)中添加小型傳感器來(lái)測(cè)量溫度和振動(dòng)。經(jīng)過(guò)訓(xùn)練的AI模型可以非常有效地預(yù)測(cè)電機(jī)何時(shí)具有或?qū)⒕哂胁涣驾S承或過(guò)載情況。獲得此早期警告對(duì)于在電機(jī)完全發(fā)生故障之前對(duì)其進(jìn)行維修至關(guān)重要。這種預(yù)測(cè)性維護(hù)大大減少了生產(chǎn)線停機(jī)時(shí)間，因?yàn)樵谕耆收现皶?huì)主動(dòng)維護(hù)設(shè)備。這提供了巨大的成本節(jié)約和最小的效率損失。正如本杰明·富蘭克林所說(shuō)，“一盎司的預(yù)防勝過(guò)一磅的治療”。

隨著更多傳感器的添加，網(wǎng)關(guān)也可能被來(lái)自本地傳感器網(wǎng)絡(luò)的遙測(cè)數(shù)據(jù)淹沒(méi)。在這種情況下，有兩種選擇來(lái)緩解此數(shù)據(jù)和網(wǎng)絡(luò)擁塞?？梢蕴砑痈嗑W(wǎng)關(guān)，也可以將更多邊緣處理推送到終端節(jié)點(diǎn)。

將更多處理推向終端節(jié)點(diǎn)（通常是傳感器）的想法正在進(jìn)行中，并迅速獲得動(dòng)力。終端節(jié)點(diǎn)通常以mW范圍內(nèi)的功率運(yùn)行，并且大部分時(shí)間都在μW范圍內(nèi)的功率下休眠。由于終端節(jié)點(diǎn)的低功耗和低成本要求，它們的處理能力也有限。換句話說(shuō)，它們非常受資源限制。

例如，典型的傳感器節(jié)點(diǎn)可以由MCU控制，就像具有64 kB閃存的8位處理器和具有8 kB RAM的RAM一樣簡(jiǎn)單，時(shí)鐘速度約為20 MHz。

將邊緣處理添加到資源受限的終端節(jié)點(diǎn)設(shè)備中非常具有挑戰(zhàn)性，需要在硬件和軟件級(jí)別進(jìn)行創(chuàng)新和優(yōu)化。然而，由于終端節(jié)點(diǎn)無(wú)論如何都會(huì)在系統(tǒng)中，因此添加盡可能多的邊緣處理能力是經(jīng)濟(jì)的。

作為邊緣處理演變的總結(jié)，很明顯，終端節(jié)點(diǎn)將繼續(xù)變得更加智能，但它們也必須繼續(xù)尊重其對(duì)成本和功耗的低資源要求。邊緣處理將保持普遍，云處理也是如此。選擇將功能分配到正確的位置，可以針對(duì)每個(gè)應(yīng)用優(yōu)化系統(tǒng)，并確保最佳性能和最低成本。有效地分配硬件和軟件資源是平衡競(jìng)爭(zhēng)性能和成本目標(biāo)的關(guān)鍵。適當(dāng)?shù)钠胶饪梢宰畲笙薅鹊販p少到云的數(shù)據(jù)傳輸，最大限度地減少網(wǎng)關(guān)的數(shù)量，并為傳感器或終端節(jié)點(diǎn)增加盡可能多的功能。

超低功耗邊緣傳感器節(jié)點(diǎn)示例

RSL10智能相機(jī)由安森美半導(dǎo)體開發(fā)，其設(shè)計(jì)可按原樣使用或輕松添加到應(yīng)用中，從而解決了這些不同的挑戰(zhàn)。事件觸發(fā)的AI就緒成像平臺(tái)使用安森美半導(dǎo)體和生態(tài)系統(tǒng)合作伙伴開發(fā)的許多關(guān)鍵組件，為工程團(tuán)隊(duì)提供一種簡(jiǎn)單的方法，以低功耗格式訪問(wèn)支持AI的對(duì)象檢測(cè)和識(shí)別的強(qiáng)大功能。

采用的技術(shù)是使用微小但功能強(qiáng)大的ARX3A0 CMOS圖像傳感器捕獲單個(gè)圖像幀，并將其上傳到云服務(wù)進(jìn)行處理。在發(fā)送之前，圖像由尚加創(chuàng)新技術(shù)的圖像傳感器處理器（ISP）進(jìn)行處理和壓縮。應(yīng)用JPEG壓縮后，圖像數(shù)據(jù)通過(guò)低功耗藍(lán)牙（BLE）通信網(wǎng)絡(luò)傳輸?shù)骄W(wǎng)關(guān)或手機(jī)（也可以使用配套應(yīng)用程序）的速度要快得多。ISP 是本地（終端節(jié)點(diǎn)）邊緣處理的一個(gè)很好的例子。圖像在本地進(jìn)行壓縮，通過(guò)無(wú)線方式發(fā)送到云的數(shù)據(jù)更少，這提供了清晰的電源和網(wǎng)絡(luò)成本，從而節(jié)省了通話時(shí)間。

ISP 專為超低功耗運(yùn)行而設(shè)計(jì)，工作時(shí)功耗僅為 3.2 mW。它還可以配置為提供一些傳感器上的預(yù)處理，以進(jìn)一步降低有功功率，例如設(shè)置感興趣的區(qū)域。這允許傳感器保持低功耗模式，直到在感興趣的區(qū)域中檢測(cè)到物體或運(yùn)動(dòng)。

進(jìn)一步的處理和BLE通信由完全認(rèn)證的RSL10系統(tǒng)級(jí)封裝（RSL10 SIP）提供，也來(lái)自安森美半導(dǎo)體。該器件提供業(yè)界領(lǐng)先的低功耗運(yùn)行和較短的上市時(shí)間。

（圖 1.RSL10 智能相機(jī)包含可快速部署的邊緣處理節(jié)點(diǎn)所需的所有組件。

如圖1所示，該板包括幾個(gè)用于觸發(fā)活動(dòng)的傳感器。其中包括運(yùn)動(dòng)傳感器、加速度計(jì)和環(huán)境傳感器。一旦觸發(fā)，該板可以通過(guò)BLE將圖像發(fā)送到智能手機(jī)，然后配套應(yīng)用程序可以將其上傳到云服務(wù)，例如亞馬遜Rekognition服務(wù)。云服務(wù)實(shí)現(xiàn)深度學(xué)習(xí)機(jī)器視覺(jué)算法。對(duì)于 RSL10 智能拍攝相機(jī)，云服務(wù)設(shè)置為執(zhí)行對(duì)象檢測(cè)。處理圖像后，智能手機(jī)應(yīng)用程序?qū)⑹褂盟惴z測(cè)到的內(nèi)容及其成功概率進(jìn)行更新。這些類型的基于云的服務(wù)非常準(zhǔn)確，因?yàn)樗鼈儗?shí)際上有數(shù)十億張圖像來(lái)訓(xùn)練機(jī)器視覺(jué)算法。

結(jié)論

如前所述，物聯(lián)網(wǎng)正在發(fā)生變化并變得更加優(yōu)化，以實(shí)現(xiàn)大規(guī)模且經(jīng)濟(jì)高效的擴(kuò)展。新的連接技術(shù)不斷開發(fā)，以幫助解決電源、帶寬和容量問(wèn)題。人工智能不斷發(fā)展，變得更強(qiáng)大，更高效，使其能夠移動(dòng)到邊緣甚至終端節(jié)點(diǎn)。物聯(lián)網(wǎng)正在成長(zhǎng)和適應(yīng)，以反映持續(xù)增長(zhǎng)并為未來(lái)的增長(zhǎng)做好準(zhǔn)備。

審核編輯：郭婷