从安森美RSL10看物联网边缘计算的魅力

本文编译自embedded-computing

在2019年之前，大多数IoT系统由超低功耗无线传感器节点（通常由电池供电）组成，可提供传感功能。

他们的主要目的是将遥测数据发送到云端进行大数据处理。随着物联网成为新的流行语和市场趋势，几乎每个公司都在这样做以启用概念验证（PoC）。云服务提供商拥有不错的仪表板，可以以吸引人的图形显示数据，以帮助支持PoC。 PoC的主要原因是说服利益相关者对物联网进行投资并证明投资回报率，以便可以为更大的项目提供资金。

随着生态系统规模的扩大，很明显，通过云来回发送更多数据。这可能会阻塞带宽管道，并很难足够快地将数据移入和移出云。这也将产生最小程度的等待时间，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做出了重大改进，但与云通信的大量IoT节点更呈爆炸式增长。除了数量庞大的设备外，成本也在增加。早期的物联网基础设施和平台投资需要回报，并且随着节点数量的增加，基础设施既需要扩展又要有利可图。

大约在2019年，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内实现了更高级的处理。这样可以最大程度地减少需要通过网关到达云并返回的数据量。这样可以直接降低成本，并在需要时为其他节点释放带宽。每个节点传输较少的数据也有可能减少收集数据并将其传输到云所需的网关数量。

增强边缘计算的另一个技术趋势是人工智能（AI）。早期的AI服务主要基于云。随着创新的发展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，其使用已成为标准实践。一个著名的例子是Amazon Alexa语音助手。听到触发词“ Alexa”后的检测和唤醒是边缘AI的一种常见用法。在这种情况下，触发字检测是在系统的微控制器（MCU）中本地完成的。成功触发后，其余命令将通过Wi-Fi网络到达云，在此完成最苛刻的AI处理。这样，可以将唤醒延迟最小化，以获得最佳的用户体验。

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更多好处。例如，在预测性维护中，可以将小型传感器添加到电机中以测量温度和振动。经过训练的AI模型可以非常有效地预测电动机何时出现或将出现不良轴承或过载情况。获得此预警对于在电动机完全失效之前进行维修非常重要。这种预测性维护大大减少了生产线停机时间，因为在设备完全故障之前就可以对设备进行主动维修。这样可以节省大量成本，并且效率损失最小。正如Benjamin Franklin所说，“一分预防胜于一磅治疗”。

随着添加更多传感器，网关也可能会被来自本地传感器网络的遥测数据所淹没。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，或者可以将更多边缘处理推送到端节点。

将更多的处理推向端节点（通常是传感器）的想法正在酝酿之中，并迅速获得发展势头。终端节点通常以mW范围内的功率运行，并且大多数时间都以µW范围内的功率休眠。由于终端节点的低功耗和成本要求，它们的处理能力也受到限制。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，就像一个8位处理器一样简单，它具有64 kB的闪存和8 kB的RAM，时钟速度约为20 MHz。或者，MCU可能与具有2 MB闪存和512 kB RAM，时钟速度约为200 MHz的Arm Cortex-M4F处理器一样复杂。

向资源受限的终端节点设备添加边缘处理非常具有挑战性，并且需要在硬件和软件级别上进行创新和优化。但是，由于末端节点仍然会存在于系统中，因此增加尽可能多的边缘处理能力是经济的。

作为边缘处理演进的总结，很明显，终端节点将继续变得更加智能，但是它们还必须继续尊重其对资源和成本的低资源要求。边缘处理和云处理一样将继续盛行。具有将功能分配到正确位置的选项允许针对每种应用优化系统，并确保最佳性能和最低成本。有效地分配硬件和软件资源是平衡竞争性能和成本目标的关键。适当的平衡可最大程度地减少向云的数据传输，网关的数量，并为传感器或终端节点增加尽可能多的功能。

超低功耗边缘传感器节点的示例

由安森美半导体开发的RSL10智能镜头相机可立即使用或轻松添加到应用程序中，从而解决了这些挑战。事件触发式AI就绪成像平台使用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便的方法，可以以低功耗格式访问具有AI的对象检测和识别的功能。

所采用的技术是使用纤巧但功能强大的ARX3A0 CMOS图像传感器捕获单个图像帧，然后将其上载到云服务以进行处理。发送之前，图像将由图像传感器处理器（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（也可以使用配套的应用程序）。ISP是本地（端节点）边缘处理的一个很好的例子。图像在本地进行压缩，并且更少的数据通过空中发送到云中，由于减少了通信时间，因此可以提供更小的电源和节约网络成本。

ISP是专为超低功耗操作而设计的，工作功耗仅为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，例如设置感兴趣区域。这允许传感器保持在低功率模式，直到在感兴趣区域中检测到物体或运动为止。

同样由安森美半导体提供的，经过完全认证的RSL10封装系统（RSL10 SIP）提供了进一步的处理和BLE通信。该器件可提供业界领先的低功耗操作，并缩短了上市时间。

（图1：RSL10 Smart Shot Camera包含可快速部署的边缘处理节点所需的所有组件。）

从图1可以看出，该板包含多个用于触发活动的传感器。其中包括运动传感器，加速计和环境传感器。一旦触发，开发板就可以通过BLE将图像发送到智能手机，在该应用中，配套应用程序可以将其上传到云服务，例如Amazon Rekognition服务。云服务实现了深度学习机器视觉算法。对于RSL10 Smart Shot Camera，将云服务设置为执行对象检测。处理完图像后，将使用检测到的算法及其成功概率更新智能手机应用程序。这些类型的基于云的服务非常准确，因为它们实际上具有数十亿个图像来训练机器视觉算法。

（图2：RSL10Smart Shot Camera的图像传感器处理器允许将图像通过低功耗蓝牙（BLE）发送到智能手机，再发送到云端，在云端可以将计算机视觉算法应用于物体检测。）

结论

正如讨论的那样，物联网正在发生变化，变得更加优化，以实现大规模且具有成本效益的扩展。继续开发新的连接技术，以帮助解决功率、带宽和容量方面的问题。AI不断发展，变得更加强大和高效，从而使其能够移动到边缘甚至终端节点。物联网正在发展并适应不断增长的趋势。

安森美半导体的RSL10智能相机是如何成功解决将AI置于边缘的主要问题的现代示例：功率，带宽，成本和延迟。