因此,它們在尺寸、功耗和靈敏度等基本物理和電氣性能方面經歷了革命性改變,同時引發了感測器整合方面的新思維——範圍從感測器融合到應用在類似霧運算(fog computing)的架構中基於AI的感測器處理演算法的生成。

這些創新背後的推手是對物聯網設備小型化和低功耗的訴求,應用包括:智慧消費性設備、穿戴式裝置和工業物聯網(IIoT)、先進駕駛輔助系統(ADAS),以及圍繞自動駕駛汽車、無人機、安全系統、機器人和環境監測等激動人心的發展。市場研究諮詢單位MarketsandMarkets預測,智慧感測器市場(包括一定程度的訊號處理和連接能力)總共將從2015年的185.8億美元增長到2022年的577.7億美元,相當於18.1%的年複合成長率(CAGR)。

最近,許多感測器及其背後的創新令人興奮。博世感測器(BST)最近直抵設計師所需要的核心功能,推出了針對穿戴式裝置和物聯網的低功耗加速度計,以及滿足無人機和機器人需求的高性能慣性測量單元(IMU)。

BST的這兩款元件均基於微機電系統(MEMS)——該技術自20世紀90年代首次用於安全氣囊以來,已歷經長期發展。從那以後,它至少經歷了兩個發展階段——迅速進入消費性電子和遊戲、智慧型手機領域,現在該產業已經進入物聯網階段。這就是BST全球業務發展總監Marcellino Gemelli所說的「第三次浪潮」。

這兩款元件瞄準的就是第三次浪潮。BMA400加速度計與以前元件的尺寸相同,均為2.0mm×2.0mm,但功耗僅為十分之一,這個特性非常關鍵。

據Gemelli稱,BMA400設計團隊為降低功耗從零開始設計了這款元件,為此需要考慮實際應用。他們很快發現,典型的加速度計所用的2kHz採樣速率,對於計步器和安全系統的運動檢測來說並不必要,意識到這點,該團隊將取樣速率降低到800Hz。隨著MEMS感測器和相關ASIC設計的其他更有針對性的改變,現在當事件發生、BMA400向主微控制器(MCU)發送中斷訊號時功耗僅為1μA,而典型指標是10μA。

BST在展會上宣佈推出的另一款物聯網MEMS元件是BMI088,一種為無人機和其他易振系統設計的慣性測量單元,這些應用對其既能抑制也能過濾和抵制系統的振動雜訊能力感興趣。BMI088大小為3.0×4.5mm(圖1),其加速度計測量範圍為±3g~±24g、陀螺儀的測量範圍為±125/s~±2,000/s。

20180309NT01P1 圖1 BMI088 IMU可減少和濾除從無人機到洗衣機等各種應用場合的振動。

據Gemelli的說法,BMI088設計團隊最初透過使用不同的膠水配方將MEMS感測器固定在基板上來抑制振動,「但還不止這些,這個方法更加全面。如果感測器產生無用資料,對任何人都沒好處。」考慮到這點,該團隊還修改了感測器結構和運作在ASIC上用於理解訊號的軟體。

然而,另一個關乎穩定性的關鍵特性是溫度偏移係數(TCO),其被指定為15mdps/K。其他主要特性包括在最寬±24g的測量範圍內,偏置穩定度小於2/h、頻譜雜訊為230μg/√Hz。

MEMS揚聲器登場

雖然感測器作為物聯網的資料收集工具備受關注,但換能器並未成為眾人關注的焦點。不過,透過與意法半導體(STMicroelectronics)合作,USound正在改變這種情況,最近該公司宣佈推出了首款基於MEMS的高階微型揚聲器(圖2)。

20180309NT01P2 圖2 來自USound和意法半導體的微型揚聲器,採用小體積、高效率、基於MEMS的技術(熱損耗可忽略不計)取代大體積、高損耗的機電驅動器。

微型揚聲器採用意法半導體的薄膜壓電換能器(PεTra)技術和USound的揚聲器設計專利概念。這些元件不需要機電驅動器,因此也就避免了其相關的尺寸和低效率之傷——這種驅動器的大部分能量以線圈發熱的形式耗散了。

與此相對,這款微型揚聲器採用了矽MEMS,預計將是世界上最薄的產品,重量只有傳統揚聲器的一半。設計應用包括耳道式耳機、包耳式耳機或擴增實境/虛擬實境(AR/VR)頭盔。該產品不僅體積小,功耗也更低,且發熱可忽略不計。

但是,由於體積小,在聲壓級方面會不可避免地打折,因此意法半導體提供了一張MEMS揚聲器與參考的平衡電樞式揚聲器的對比圖表,顯示前者具有1kHz的平坦回應(圖3)。

20180309NT01P3 圖3 USound的微型揚聲器(Moon)採用意法半導體的薄膜壓電換能器技術來生產平坦聲壓級回應達1kHz的MEMS揚聲器。圖中BA指得是平衡電樞。

Chirp將換能器化身感測器

設計人員可以利用多種方式將接近和運動檢測整合到其物聯網設計,以實現在場檢測或使用者介面,或者兩者兼有。超聲波已成為多年選擇,聲納就是個好例子。然而,Chirp Microsystems透過推出CH-101和CH-201超聲波感測器,將基於聲波的檢測引入到物聯網。

利用180°的寬範圍超聲散射,該感測器使用揚聲器(換能器)產生超聲波,然後運算返回到拾取麥克風(感測器)所花的時間以確定距離。除了寬散射外,該超聲波的優勢在於低功耗(等待模式下為15μW)、低成本和小體積(可小至1mm)。

除了距離和接近檢測外,設計師還可以利用Chirp Microsystems正在申請專利的基於機器學習和神經網路演算法的手勢分類庫(GCL),開發基於手勢的物聯網設備介面。然而,對於手勢檢測,至少需要3個感測器,以及Chirp的IC和三邊測量演算法來確定手在3D空間中的位置、方向和速度。

該元件結合了手勢、在場、距離和動作檢測與低成本、低功耗和小尺寸(3.5mm×3.5mm,包括處理器)等優勢,提供簡單的I2C串行輸出,整個元件完全工作在1.8V。

LiDAR和攝影鏡頭的感測器融合

不久前有段時間,人們認為光達(LiDAR,雷射檢測及測距)本身即是自動駕駛汽車的發展方向。最近,我們已經明瞭,即使LiDAR性能獲得顯著提高,安全性需要也要求使用多種技術來實現高速、精確和智慧的環境檢測。考慮到這一點,AEye開發了智慧檢測及測距(iDAR)技術。

iDAR是一種增強型LiDAR,它將2D配置攝影鏡頭畫素疊加到3D體積畫素(voxel)上,然後使用其專有軟體對每個幀內的這兩種畫素進行分析。此舉透過使用攝影鏡頭來檢測諸如顏色和標誌的特徵,以克服LiDAR的視敏度限制,然後使其可以關注感興趣的物件(圖4)。

20180309NT01P4 圖4 AEye的iDAR技術將2D攝影鏡頭畫素疊加到LiDAR 3D體積畫素上,因此可以識別特別感興趣的物件並將其展現出來。

雖然AEye的技術是資料和處理密集型,但它確實允許動態配置資源,根據速度和位置等參數來自訂資料收集和分析。

融合感測器與AI和霧運算

據Gemelli介紹,下一步是重新思考該如何設計和應用感測器。Gemelli並不是指從頭開始設計感測器及其相關演算法,而是建議現在就開始應用AI技術,根據對隨時間採集到的資料和應用進行分析,自動生成感測器使用的新演算法。例如,一套不同的感測器可以很好地執行特定功能,但是利用AI監控,可能會發現,這些感測器可以用來追蹤我們從未打算將其用於檢測的參數,或者可以提高它們的使用效率。

Gemelli表示,這個概念越來越受青睞。它也與霧運算架構相吻合—該架構的目標是盡可能縮小感測器與雲端之間必須傳遞的資料量。相反,透過應用AI,感測器本身可以進行更多處理,隨著時間的推移,其僅在需要時才會去使用較大的網路和雲端。

(參考原文:Sensors and transducers fuse with AI and fog computing,by Patrick Mannion)