運動物聯網中慣性傳感器承擔著什么作用

在激增的高質量傳感器、可靠連接和數據分析的共同推動下，工業效率邁上了新的臺階，而不斷提高這些智能節點的自動化和移動化程度也能帶來好處。在這些情況下，對傳感器節點進行精密運動捕捉和位置跟蹤成為事關應用成敗的核心。這樣，智能農場就可以基于豐富的地理位置、傳感器內容以及分析學習結果來聯合利用自動化地面車輛和航空器更加有效地指導地面作業。智能手術室將經典的導引技術帶到手術臺上，供精密制導機械臂使用，其運用傳感器融合技術來確保各種條件下的精準導引。在多個領域，基于運動的傳感器成為移動應用的價值倍增器。

手機中普遍存在的消費類慣性傳感器使人們對其精度普遍感到失望，因此，在推動運動物聯網(IoMT)的概念方面，迄今都沒有什么成效。然而，新型高性能工業傳感器能支持精確的角度指向和精確的地理定位性能，同時還能達到必要的尺寸和成本效率要求，故而現在又做好了推動運動物聯網發展的準備。

工業系統智能檢測的推動因素

工業機械和流程最具價值的進步集中在有形的系統級優勢上，而這通常會帶來設計和實現方面的挑戰，這些挑戰又會發展成新的問題解決方案和業務模式。這種系統級推動因素可以歸納為三項追求，即對資源效率、關鍵精度和更高安全性的追求。瞄準這些橫跨多個行業的改進的應用，包括跨越空中/地面/海上、室內/室外、短期/長期和人/機等，但無論如何，它們都依賴于共同的屬性；即精度、可靠性、安全性和智能處理與分析，如表1所示。

表1. 運動物聯網應用重要的系統屬性轉變成極具挑戰性的設計需求

多種類型的傳感器成為目標應用設計任務的核心。目標設計涉及的系統復雜性要求基于廣泛變化的條件下慎重考慮傳感器質量和魯棒性。雖然有些行業有可能出于方便考慮而選擇傳感器（比如，利用手機上已經存在的傳感器組合），但其他行業則會重新設計傳感器組合，根據精度做出選擇，將傳感器智能地結合起來，以全面、可靠地覆蓋目標系統狀態。 智能檢測

在傳感器大量存在的背景下，這些已面世的智能型系統正在一些所謂的成熟行業掀起革命，把農業變成智能農業，把基礎設施變成智能基礎設施，把城市變成智能城市。由于傳感器被部署在這些環境中以收集相關的情境信息，數據庫管理和通信方面出現了新的挑戰，不僅要求傳感器之間的數據融合，而且要求實現跨平臺、跨時間的復雜融合（例如：對跨時間的基礎設施狀況、前一年的農作物產量、交通狀況及模式等進行基于云計算的分析），如圖1所示。

圖1. 新興工作需求將情境和運動檢測與多層融合結合起來。

從設備和環境中可靠地抽取哪些信息的決定成為這些新興應用最終效用和發展前景的主要度量指標。精度驅動效率，進而轉變成必要的經濟因素，同時也是確保安全、可靠運行的關鍵。雖然多數基礎傳感器可以添加簡單的功能，但添加的這些簡單功能卻無法滿足目標運動物聯網應用的需求，在這類應用中，是/否、上/下、開/關等狀態會被更精細的分辨率代替，添加的功能會影響傳感器的選擇。

運動的重要之處

多數情況下，物聯網都處于運動狀態。即使不處于運動狀態——比如，靜止的工業安全攝像頭——精密指向仍可能必不可少，或者，關于無用運動（篡改）的知識也可能非常有價值。如果能在惡劣的飛行條件下維持精確的指向角度，用光學載荷捕捉作物圖像的無人機就有可能更快地帶來更好的結果；如果能為光學數據提供準確的地理測繪信息，則有可能實現對數據和趨勢的歷史比較。智能交通工具，無論是地面交通工具，還是空中或海上交通工具，它們都越來越依賴GPS導航。然而，GPS遭受的精度壓力也越來越大，無論是有意為之，還是自然使然（建筑物、樹木、隧道等）。如果選擇時考慮了精度需求，則額外的傳感器仍然可以在事故中斷期間可靠地進行航向角推算。表2列出了使IoMT（運動物聯網）中的M（運動）概念名符其實的一些因素，注意運動與通用應用之間的關系。

表2. 運動知識、甚至運動知識的缺乏都事關多種應用的成敗

如果有機會和手段捕捉設備或人的自然慣性，抽取的系統狀態意義就會得到增強，并且可能與可用的情境信息適當地融合起來，如表3所示。

表3. 位置檢測是物聯網的價值倍增器

可靠、安全的運動物聯網節點

運動物聯網節點輸出的有效性和價值最為依賴的是核心傳感器的質量以及它們高保真地捕捉應用情境的能力。因此，融合處理是傳感器校正/增強的必然選擇，也是理想捕捉傳感器間狀態動態的必備條件（例如，在任意給定時間點，哪個傳感器最可靠）。應用級的處理以分層方式融入解決方案之中，并根據環境特點進行優化，包括適當的邊界條件。雖然這種方式是自動的，但在有些情況下，這些節點會協同工作，比如在地面或空中成群的無人駕駛交通工具中。在這些情況下會部署安全鏈路，強調可靠傳輸和受保護的特有身份信息，如圖2所示。

圖2. 綜合情境和位置信息的互聯安全傳感器。

傳感器是自動化的核心

就如人體一樣，自動運動物聯網節點依賴檢測多個輸入來實現需要的感知能力，從而獨立行動并根據隨機、甚至亂序事件優化其結果，最終隨時間改進。如表4所示，從基本測量到控制、再到自動化的過渡會提高傳感器融合層的復雜性以及嵌入式設備計算的復雜性。由于這些節點也會取得很高的互聯能力和自適應性學習能力，所以他們可能走向人機融合。

表4.以高質量傳感器為基礎，日益提升的集成度和智能程度推動自動化和人機融合

沒有基礎設施的定位

GPS無處不在，除非衛星信號被阻擋或中斷。在可用的條件下，無線測距技術可能非常精確。如果未受干擾，始終都有磁場讀數。慣性具有獨有的自恃性。顯然，慣性MEMS傳感器有自身的不足（漂移），但這些不足都在可控范圍以內，采用小尺寸經濟型封裝的新型工業慣性測量裝置(IMU)具有前所未有的穩定性。

慣性MEMS器件采用標準半導體工藝、復雜封裝和集成模式，通常以線性加速度(g)或角速度（°/秒，或速率）為單位，直接檢測、測量和解讀其運動，如圖3所示。由于除要求最溫和的應用以外，所有其他應用都擁有所謂的多自由度（實際上指，可以在任何所有軸上運動，且所有設備在其運動中都相互不受限），這就必須捕捉x、y和z各軸的加速度和角速度值；或者在有些情況下，稱為翻滾軸、俯仰軸和偏航軸。綜合起來，這些有時被稱為六自由度慣性測量單元。

圖3. 用于確定精密運動的微機電結構。

雖然經濟上的考量自然會促使MEMS設計師用最少的硅片面積在各個軸上（x、y、z）抽取這些多個檢測類型（加速度、角速度），但仍然需要采取更加平衡的性能設計視角，以滿足更具挑戰性的工業檢測需求。事實上，有些MEMS結構在嘗試用單個MEMS模塊測量所有6種模式。在考察這種方式對于高性能檢測的有效性之前，我們必須知道，MEMS器件需要捕捉一些運動，這非常重要，但同樣重要的是，同一器件還要能夠放棄會變成誤差的其他形式的運動（或者不受其影響）。例如，雖然陀螺儀測量角速率，但它同樣應該能做到忽略角速率測量上的加速度或重力效應。對一個簡單的MEMS器件來說，如果試圖以小小的結構測量一切，自然（在設計上）會非常容易受到這些其他干擾誤差源的影響，并且無法把有用運動與無用運動區分開來。最終，這些誤差源會變成導航或應用中的噪聲和誤差。

運動物聯網要兌現必要時提高資源效率、增加安全或關鍵精度的承諾，就需要比當今移動設備中無處不在的簡單傳感器具有更高的精度。著眼于性能的設計模式就變成了為每種檢測模式和每個檢測軸獨立設計的模式，但其目的是走向融合和集成。最后，必須知道的是，為性能設計并不一定意味著不能為經濟考量而設計。

功能或性能

有些應用可以通過添加功能（設備的手勢/方向模式切換）獲得極大的價值，用簡單的MEMS器件就能相對容易地獲得這些信息。工業或專業器件可能更容易測量不同方位的精度與亞度間的差值，或者能以優于一個數量級以上的精度分辨位置，同時還能在高振動環境里工作。低端傳感器與高端傳感器之間的性能差異并不小，事實上，二者的差異非常大，在選擇組件時有必要慎重考慮。

最終應用將決定所需的精度水平，而所選的傳感器質量將決定其能否實現。表5選擇了兩種解決方案進行比較，說明了傳感器選擇對設計過程和設備精度均很重要。如果只在很有限的情況下依賴傳感器，并且應用有較高的容錯性，那么可以使用低精度傳感器——換言之，如果不是安全或生命攸關的應用，相對較低的精度便足夠了。雖然多數消費級傳感器在有利條件下噪聲很低且性能良好，但它們不適合用于動態運動（包括振動）下的機器，因為性能較低的慣性測量單元無法將動態運動與簡單的線性加速度或所需的傾斜測量區分開來。在工業環境中工作時，為實現優于1度的精度，應當選擇專門設計的傳感器，以便抑制振動或溫度影響導致的誤差漂移。這種高精度傳感器能夠支持更大范圍的預期應用狀態，工作時間也更長。

表5.推動精度和效用的是傳感器的質量而非傳感器融合的復雜性

精密儀器設計師最感興趣的一般是慣性測量裝置(IMU)，這類裝置輸出的是經校準的加速度和速率而非運動角度或距離，因為這種系統級的信息高度依賴于具體應用，因而是系統設計師而非慣性傳感器設計師的工作重點。結果導致的問題，舉例來說，是從慣性傳感器規格表中分辨指向精度。

表6展示的是一款中端工業器件的規格，同時還用手機中常見的消費級傳感器進行了比較。請注意，也有更高端的工業器件可用，其精度比表中所示器件要高一個數量級。多數低端消費級器件未提供諸如線性加速度效應、振動校正、角度隨機游走之類的參數規格，而這些規格在工業應用中恰恰可能是最大的誤差源。

表6.工業MEMS器件對所有已知潛在誤差源進行全面測定，通常能實現消費類器件高出一個數量級或更高的精度水平

這款工業傳感器樣品設計用于預期會有相對迅速或極端運動（2000°/s、40 g）的場景，寬帶寬傳感器輸出對最佳地辨別信號也很關鍵。工作期間的失調漂移（運動中穩定度）應最小，以降低對更多補充傳感器（用來校正性能）的依賴。在某些情況下，應用無法為后端系統濾波校正提供所需的時間，此時必須使開機漂移（可重復性）最小化。低噪聲加速度計同陀螺儀一起使用，以幫助區別并校正任何關于加速度的漂移。

陀螺儀傳感器設計可用來直接消除任何加速度g事件（振動、沖擊、加速度、重力）對器件失調的影響，可大幅改善線性加速度；通過校準，溫漂和對準均得以校正。若不進行對準校正，典型多軸MEMS器件即使集成到單片結構中，也可能有較大對準誤差，使其成為誤差計算的主要貢獻因素。

近年來，噪聲在區分傳感器級別上所起的作用有所降低。在超出簡單判定或相對靜止運動確定的應用中，線性加速度效應和對準誤差之類的參數成為噪聲源，通過芯片設計方法或器件專用校準來改善它們需要付出高昂的成本。

傳感器融合能補救劣質傳感器嗎？

答案很簡單，不能。傳感器融合是一個濾波和算法處理的過程，它將相對于環境、運動動態信息和應用狀態對傳感器組合進行合并或管理。傳感器融合可以提供確定性的校正（如溫度補償），并會基于系統狀態知識，管理從一個傳感器到另一個傳感器的切換過程，但無法彌補傳感器內在的缺陷。

在傳感器融合設計中，最關鍵的任務是首先要深入挖掘應用狀態知識，為設計流程的剩余環節提供支撐和動力。針對給定的應用選擇適當的傳感器時，應先進行詳細分析，了解其在總體任務的不同階段中的權重（相關性）。在行人導航定位推算示例中，解決方案主要取決于可用的設備（如智能手機中的嵌入式傳感器），而不是通過性能設計。因此，會嚴重依賴GPS以及其他可用的傳感器，例如嵌入慣性和磁性傳感器，僅為確定有用的位置信息發揮一小部分作用。它在室外能夠正常工作，但在具有挑戰性的城市環境或室內，GPS就不準確了，其他可用傳感器的質量很差，存在較大差距，換言之，位置信息的質量具有不確定性。盡管先進的濾波器和算法通常用來融合這些傳感器的數據，無需任何額外傳感器或質量更好的傳感器，軟 件對于彌補不確定性差距的作用不大，最終只是大大降低了報 告位置的信心。圖4中為概念性說明。

圖4. 應用級精度取決于傳感器質量而非傳感器融合復雜性。

與其形成鮮明對比的是，工業導航定位推算方案是針對系統性能定義而設計的，要根據具體精度要求選擇組件。更高質量的慣性傳感器允許其發揮主要作用，適當利用其他傳感器來縮小不確定性差距。比起推算/估算可靠的傳感器讀數間的位置，算法在概念上更關注最佳權重、切換和傳感器互補，以及對于環境和實時運動動力學的認識。

精度在任何一種情況下都可以通過選擇質量更高的傳感器來提高，雖然傳感器濾波和算法是解決方案的重要一部分，但它們本身并不能消除低質傳感器覆蓋范圍的差距。

新型工業傳感器的性能已經接近以前用于導彈制導的傳感器的水平。這些新型工業傳感器采用最初針對可靠和精密汽車應用設計并以經濟型工藝制成的架構，在性能-成本比和性能-尺寸比方面具有獨特的優勢，如圖5所示。

圖5. 工業級6自由度IMU ADIS1647x和ADIS1646x，在復雜和動態環境中也能提供高精度水平。

精密運動檢測不再是小眾應用的專屬，其他應用也別無選擇，只得投資采購昂貴的跟蹤解決方案。隨著迷你型IMU工業級精密傳感器的上市，物聯網設計師現在可以通過整合優質運動檢測功能和嵌入式情境檢測功能，成倍提高其產品的價值。