当AI嵌入到MEMS传感器中，更智能的应用场景要来了

从2000年起，传感器的作用承载的就是检测物理信号，然后提供给上层使用，所以它是单一的MEMS和模拟前端，在做一些数字电路的信号处理，然后直接把物理信号转成一电信号提供出来，相对功能比较单一。

在经历一定的发展后，我们可以定义它单一的硬件，集成更多的算法和软件的功能，去做一些定制化的配置，集成一些更丰富的功能，甚至可以在内部置入一颗可编程的处理器，去做算法的集成，实现更多的功能。

现在，边缘AI算法也可以集成到小小的传感器产品中，因为处理器功耗已经非常低，处理能力也可以实现AI算法的运行。所以在整个过程中，传感器这个单一的硬件慢慢承载了更多的任务，去做更智能的应用场景。

什么是边缘AI

传统的AI承载的就是信号的传递，它通过无线或者其他的方式把物理信号传递到网络端，网络端收到成百上千甚至上万个传感器的信号之后，可以对大数据做建模，在云端提供一些智能的响应、智能的策略。

“除了方案之外，其实边缘AI算法也可以集成到传感器本体中，因为传感器只要集成一个超低功耗的处理器，就可以实现此动作。”近日在第11届EEVIA年度中国硬科技媒体论坛暨产业链研创趋势展望研讨会上，BoschSensortecGmbH高级现场应用工程师皇甫杰表示，“这也是BoschSensortec现在正在做的事情。”

BoschSensortecGmbH高级现场应用工程师皇甫杰

AI算法集成到器件中的好处

第一，可以在器件端做定制化或者个性化。需求是有差异的，对每个用户做适配，可让传感器识别精度适应到每个独立的用户。

第二，传感器的数据无需上传至云端，只存在设备本身，甚至传感器内部。这样可以保证传感器数据的安全性，或用户数据的安全性。

第三，实时响应，速度更快。无需将数据上传云端，再反馈到设备端，直接在器件中响应。

第四，进一步减少设备功耗，来延长电池的使用寿命或者电池的日常使用时间。

案例分享

BHI380传感器

BoschBHI380(命名规则：B代表Bosch，H代表hub，I代表ACC和陀螺仪二合一的传感器)传感器的尺寸非常小，所以其可以应用在手机、手表、TWS耳机等电子产品。

据介绍，BHI380传感器的关键优势在于：

紧凑的尺寸，更便于集成到各类消费类电子产品中;功耗非常低，因为它集成了一个超低功耗的处理器，这保证了在数据做融合时，功耗在一个毫安以下，达到微安级别。通过内置处理器，集成一些基本的功能，比如集成了一些AI的算法。用户可根据Bosch提供的资源进行二次开发，集成自己的算法，以获得更高的扩展性。

BHI380传感器应用场景：

一是现在在TWS耳机中最常见的3D音效。它的原理就是检测用户的头部在转动时，所对应的音效场景，或者用户听到的声音，它的音响的位置不变，所以用户在转动头部时，耳朵听到一个立体声的效果，这是基于陀螺仪检测头部转动角度实现的。

二是手势的识别或者动作的识别。比如在走路、骑车、跑步，或者在坐车、坐高铁、坐飞机，这些场景都可以通过传感器的数据做融合来做识别。

三是人机交互。

四是PDR。PDR是步行导航，因为现在基本上人手一个智能手表，或者智能手机，可以基于ACC和陀螺仪的数据，结合Bosch的算法去做运动轨迹的记录。此记录无需GPS参与，包括在室内，比如在商场里，没有GPS信号，但可能会有一些内部地图，这时可以结合商场内部地图做路径规划。

五就是AI健身相关的记录，或者健身动作的追踪，包括游泳姿态的算法。

据介绍，Bosch传感器BHI380已集成了一些AI相关的运动监测相关算法，用户可在日常使用过程中，自行定义做一些健身的动作，或者用内部自带的动作。用户可以无缝去切换，不需要去干预手表，或者需要做不同的健身动作时，都不要在手表上做特定的设置。设备可以自动检测用户当前在做什么动作，做了多少次。

二是器件的功耗较上一代产品降低54%，它很适用于穿戴设备。

三是集成耳机检测用户头部追踪，得到立体声的效果。

这是个性化，也是AI算法的核心内容。除了内嵌的十几个健身动作之外，用户可以定义新的健身或者其他的任何动作，这就是AI的典型学习能力。

BME688四合一传感器

BME688作为Bosch最新的四合一环境类传感器，它也是目前世界上最小的一颗四合一传感器，它里面集成了温度、气压、湿度、气体。基于此环境类传感器，可以给用户提供一个微环境的监测，甚至可以做一些微环境的天气预报预估，以及配合智能家居的联动等。

此传感器如何实现AI功能?

这颗传感器没有进一步集成控制器或者处理器，所以Bosch通过PC端提供一个AI学习的开发工具，用户可以基于此工具去做一些定制，或者应用场景定制。

根据案例介绍，因为用BME688可以检测不同的气体，主要是VOC类的气体，怎么做气体区分呢?第一步，用户定义好自己的气体种类，比如他想要检测某一种咖啡的气味，他就可以基于咖啡的目标气体，让传感器去采集目标气体的信号。数据收集到之后，在PC端有一个对应的简化工具，可以让用户基于采集到的目标气体的传感器信号，去做数据特征的捕捉。在捕捉到数据特征之后，结合工具生成一个数据模型，去对这种目标气体做识别。最后就是通过生成的模型，集成到客户算法中，就可以结合传感器的物理信号，在真实应用场景的中做功能的检测。

VOC气体应用领域特别广，如森林野火的检测，对人体有害的气体检测，对婴儿纸尿片的检测，在冰箱中检测食物新鲜程度，甚至还有室外空气指数的检测。

BME688工作原理是通过传感器内部去加热金属氧化物，来跟目标气体发生还原反应，在不同的温度点，它的还原反应的特征不一。所以通过采集多个温度点，对应的还原反应的电阻值，对特征做捕捉，捕捉到之后可以做区分。比如有三个挥发气体，它捕捉到的特征不一样，所以可以快速通过不同温度点，传感器报出来的电阻值做特征的模型建立。

气压传感器BMP581

因气压计在北美的手机里是标配器件，因为该地手机运营商要求所有手机在拨打报警电话时，必须要知道报警者的坐标，这就是通过气压计来识别的。

这边有一个实际的数据采集，左边是不同的楼层，气压计的变化很明显，右边是走楼梯的时采集到的气压计的变化。蓝色的是最新的BMP581的数据，走到每一个台阶，气压计的数据变化跟台阶是一对一的。可以表明它的传感器噪声和数据是精度非常高的。

气压计在耳戴产品或者穿戴产品中，也有一些典型的场景，比如用户在佩戴智能耳机，在做俯卧撑的时候，气压计可以检测用户贴到地面或者撑起身体时的高度变化，来识别用户做了多少次俯卧撑。

还有用户做引体向上时也是同样的道理，可以检测到用户在拉伸或者双臂完全放直的高度差，通过气压计也能快速识别用户的拉伸动作。

此外，气压计涉及到的应用案例非常多，例如：配合GPS做高度的识别，因为GPS可能只是XY两个方向的识别，加上气压计还有高度的识别；还有卡路里计算和跌倒检测，因为我们可以利用手表或手机中内置的气压计，来识别出一个人跌倒时的高度变化；还有就是扫地机堵塞检测，也可以通过气压计来识别，因为一旦堵塞，气压会跟外界大气压有明显变化。