资讯
物联网（IoT）推动建筑和家庭系统中更多设备和传感器连接网络：根据Gartner的估计，在2017年物联网覆盖的设备数量已达80亿。
但随着连接到云的传感器数量日益增加，对网络带宽、远程存储和数据处理的系统要求也迅速提高。边缘处的智能处理可以减少发送到中央服务器的数据量，增加传感器本身的决策量。这可以在提升系统可靠性的同时，减少决策延迟和网络成本；如果服务器关闭，您最不愿意看到的就是传感器无法检测物体和做出决策！
边缘智能和连接
毫米波（mmWave）传感器以两种方式实现边缘智能。首先，毫米波可提供距离、速度和角度等独特的数据信息，同时具有反射不同目标的能力，这使传感器能够检测探测范围内不同物体的特定特征。例如，速度数据可使传感器看到微多普勒效应 - 来自微小运动的调制效应 - 其包含目标对象的典型特征，例如自行车车轮的旋转辐条，行走的人摇摆的手臂，或者动物奔跑的四肢。系统可以使用该数据来分类和识别传感器视场角中的各种对象类型。
减少错误检测
其次，毫米波传感器通过片上处理实现边缘智能。包含微控制器和数字信号处理器（DSP）的传感器能够执行初级雷达处理，以及特征检测和分类。
图1显示了在一项安全应用中，使用片上智能在50米室外入侵探测器的一项实验结果。入侵探测器用于确定人员是否已进入受保护区域，例如货运场、停车场或后院。一些依赖光学或红外传感的传感器可能会检测到附近树木和灌木的错误运动。而毫米波传感器使用处理和算法来滤除和防止错误检测，仅在人体运动时触发探测器。安全摄像头和可视门铃可以通过连接网络服务器处理图像，执行相同的错误检测过滤。这些基于服务器的系统所提供的功能通常需要用户付费，而毫米波技术可实现在传感器本身进行决策无需联网服务器。
图 1：用于长距离室外入侵探测器的片上过滤示例
图2显示了使用毫米波技术的入侵检测；毫米波传感器分析场景中对象的速度，过滤出移动背景中的运动，仅跟踪人物。
图 2：来自室外入侵应用的动画点云。黑点表示移动的对象，包括人、树木、灌木。该算法将人显示为绿色，同时过滤掉其他移动对象
图3显示了行走的人和摇头风扇的微多普勒特征的差异。一旦识别出分离两个对象的正确特征，分类器就会在设备上实时进行区分。
图 3：两张图显示了行走的人和摇头风扇随时间推移的微多普勒信息
图4显示了片上处理如何使毫米波传感器根据其特征实时识别和分类目标。这些特征或是基于尺寸、反射率、微多普勒效应或是其他特征，并且可以帮助识别典型的行为以辨别不同的移动对象。例如，分类功能可用于在室内或室外安全应用中识别人和动物，在家庭自动化系统中区分儿童和成人，或确定人在限制区域内是跑步还是行走。
图 4：使用毫米波传感器执行分类的示例：中间图上所有移动目标都分配了一个轨道，彩色区域表示人
边缘处理和智能可以成为强大的工具，有助于提高物联网传感器、网络的质量和稳健性。具有集成处理功能的毫米波传感器，能够在边缘实现智能，通过对对象进行过滤和分类，更智能地识别场景中发生的事情并实时做出决策，从而解决错误检测问题。
