通過毫米波感測器在邊緣進行智慧處理可以減少發送到中央伺服器的資料量，增加感測器本身的決策量。
物聯網（IoT）推動建築和家庭系統中更多設備和感測器連接網路：根據Gartner的估計，在2017年物聯網覆蓋的設備數量已達80億。
但隨著連接到雲的感測器數量日益增加，對網路頻寬、遠端存放和資料處理的系統要求也迅速提高。邊緣處的智慧處理可以減少發送到中央伺服器的資料量，增加感測器本身的決策量。這可以在提升系統可靠性的同時，減少決策延遲和網路成本；如果伺服器關閉，您最不願意看到的就是感測器無法檢測物體和做出決策！
邊緣智能和連接
毫米波（mmWave）感測器以兩種方式實現邊緣智慧。首先，毫米波可提供距離、速度和角度等獨特的資料資訊，同時具有反射不同目標的能力，這使感測器能夠檢測探測範圍內不同物體的特定特徵。例如，速度資料可使感測器看到微多普勒效應 - 來自微小運動的調製效應 - 其包含目標物件的典型特徵，例如自行車車輪的旋轉輻條，行走的人搖擺的手臂，或者動物奔跑的四肢。系統可以使用該資料來分類和識別感測器視場角中的物件類型。
減少錯誤檢測
其次，毫米波感測器通過片上處理實現邊緣智慧。包含微控制器和數位訊號處理器（DSP）的感測器能夠執行初級雷達處理，以及特徵檢測和分類。
圖1顯示了安全應用中50米室外入侵探測器使用片上智慧的一項實驗結果。入侵探測器用於確定人員是否已進入受保護區域，例如貨運場、停車場或後院。一些依賴光學或紅外傳感的感測器可能會檢測到附近樹木和灌木的錯誤運動。而毫米波感測器使用處理和演算法來濾除和防止錯誤檢測，僅在人體運動時觸發探測器。安全攝像頭和可視門鈴可以通過連接網路服務器處理圖像，執行相同的錯誤檢測過濾。這些基於伺服器的系統所提供的功能通常需要使用者付費，而毫米波技術可實現在感測器本身進行決策無需聯網伺服器。
圖 1：用於長距離室外入侵探測器的片上過濾示例
圖2顯示了使用毫米波技術的入侵偵測；毫米波感測器分析場景中物件的速度，過濾掉移動背景中的運動，僅跟蹤人物。
圖 2：來自室外入侵應用的動畫點雲。黑點表示移動的物件，包括人、樹木、灌木。該演算法將人顯示為綠色，同時過濾掉其他移動物件
圖3顯示了行走的人和擺頭風扇的微多普勒特徵的差異。一旦識別出分離兩個物件的正確特徵，分類器就會在設備上即時進行區分。
圖 3：兩張圖顯示了行走的人和擺頭風扇隨時間推移的微多普勒資訊
圖4顯示了片上處理如何使毫米波感測器根據其特徵即時識別和分類目標。這些特徵或是基於尺寸、反射率、微多普勒效應或是其他特徵，並且可以説明識別典型的行為以辨別不同的移動物件。例如，分類功能可用於在室內或室外安全應用中識別人和動物，在家庭自動化系統中區分兒童和成人，或確定人在限制區域內是跑步還是行走。
圖 4：使用毫米波感測器執行分類的示例：中間圖上所有移動目標都分配了一個軌道，彩色區域表示人
邊緣處理和智慧可以成為強大的工具，有助於提高物聯網感測器、網路的品質和穩健性。具有集成處理功能的毫米波感測器，能夠在邊緣實現智慧，通過對物件進行過濾和分類，更智慧地識別場景中發生的事情並即時做出決策，從而解決錯誤檢測問題。
作者介紹:
Keegan Garcia是TI的行銷經理，負責推進毫米波感測器在智慧基礎設施和工廠中實現新應用。他擁有TI多核DSP處理器的硬體應用經驗，曾對DDR3、SerDes和PLL等高速介面提供支援。
