隨著無線感測與感測器技術演進，物聯網的應用逐漸落地，其中設備維護、無線網路連接、深度感測及人工智慧(AI)運算需求，皆是物聯網發展的重要技術。工業4.0透過自動化狀態監測(CbM)的即時預警，能確保產線上的設備正常運作，以及大型公共建設與交通系統安全。Wi-SUN千點組網則確保遠距傳輸的穩定性跟速度，而3D深度感測實現各項環境辨識與虛擬實境應用。最終加上人工智慧的運算助力，感測器的精準度便能顯著提升。
MEMS感測器高穩定/低成本助攻CbM
工業4.0時代，工廠走向智慧化、自動化，生產線上的機械手臂應用越來越多，但設備存在長時間使用後失效的風險，因此需要感測器即時預警生產線上的突發狀況，避免造成巨大損失。茂宣專業技術經理王浚睿(圖1)說明，以晶圓廠為例，設備失效最嚴重的狀況，可能是產線停工所導致千萬元的損失。此外，CbM也能應用在公共建設與交通工具，如橋梁、飛機、火車系統中，能夠避免意外發生。
CbM的振動量測在感測器的選擇上，常見壓電式(Piezo)或微機電系統(MEMS)兩種類型。Piezo是市場上目前比較常見的震動感測器，使用陶瓷材料設計的壓電元件，只能手工量產，所以產出有限且成本較高，在低頻訊號方面的反應較為遲鈍，並容易受到環境溫度影響而出現飄移。相較Piezo，MEMS感測器採用CMOS製程，具有產品的一致性佳，對於低頻訊號的反應回饋良好，且雜訊強度(Noise Density)低、不容易因為溫度變化飄移等優勢，可以做為震動感測的選項之一。例如亞德諾半導體(ADI)的ADXL系列MEMS感測器除了噪聲比較低，還具備無線模組，使得感測器的布建更方便。
建置MEMS感測器時，需考慮位置、連接方式、馬達以外的機件、尺寸四大面向。王浚睿解釋，位置方面，尋找震動源之前，須確定量測的位置正確。如果測量的位置跟震動源距離太遠，或是傳導的時候震動幅度已經遞減，量到的訊號就不夠精確。同時，感測器連接的方式很多，找到正確的感測器型號來連接待測物是一大重點。各型號的感測器頻率響應曲線不同，須依照感測器標注的最大測量頻率選擇適合的類型。接著，確定在機械結構中欲測量的部分，才能確認震動所造成的異音為高頻或低頻訊號。最後，感測器的尺寸應取決於整體的配重。感測器不能比待測物重，以免影響待測物本身的震動狀況。
藉由CbM的應用，正確建置的MEMS感測器能隨時感知生產線上的震動狀況，並在出現異常現象時即時預警，避免設備問題而影響產線運作。此外，CbM為交通系統與大型公共建設維持安全性，促進工廠安全及城市安全的維護工作朝向自動化發展。
Wi-SUN具遠距傳輸/高穿透特性
智慧城市的應用與物聯網息息相關，未來物聯網將有非常多結點布建到城市中，海量的連線需求需要高覆蓋、穩定的通訊系統支援。濎通科技行銷經理呂沐勳(圖2)觀察物聯網通訊的痛點，遠端更新是必要的功能之一，因為軟體不斷更新，如果裝置不具備遠端更新的功能，就需要靠人力個別更新，不符合成本效益。電池方面，使用電池發電的裝置，需要考慮電池壽命，如果電池更換得太過頻繁便會拉高成本。同時，有些通訊協定由廠商自行開發，因此發展新應用時，必須諮詢原先制定協議定的公司，才能擴大發展相關應用，顯得限制重重。
面對大範圍的無線網路傳輸需求，呂沐勳認為，Mesh組網的Wi-SUN技術可以解決前述的物聯網通訊痛點，適合應用在智慧城市、智慧能源等領域，如東京電力公司已全面使用Wi-SUN智慧電表，取代NB-IoT電表。Mesh組網具自適應的網路系統，可以自動組網，當環境中增加新的節點，Mesh組網會自動連線。另外，因為Mesh組網具備自動修復功能，如果網路中增加新的建築物，切斷原本的組網路徑，Mesh組網便會透過別的節點重新連接，維持連線順暢。
看好Wi-SUN的特性，濎通科技提出Wi-SUN通訊方案，採用RF及PLC的雙模融合技術，設計出整合線傳輸PLC跟無線傳輸的單晶片，運用演算法自動切換，在無線連線中斷時執行有線傳輸，有線傳輸中斷時則改用無線連接，達到同時滿足快速且穩定的長距離傳輸效果。
呂沐勳進一步說明，良好的物聯網通訊解決方案應具備三項特色，其一是無頻段授權/通訊費。以電信商營運的NB-IoT為例，在電信商的管理之下，每個節點都需要支付電信費用，導致傳輸成本較高。二則是具有長距離/高穿透/廣覆蓋，以及自動組網/自動修復功能，以濎通的VC7300為例，其優勢便在於可從地下2樓傳輸到地上6樓，滿足智慧電表的抄表需求。最後則是支援IPv6協定，才能讓每個節點都有身分認證，確保連線安全。
3D感測走入消費市場
感測技術與無線通訊的結合促使物聯網應用落地，而感測領域其中的一大趨勢即為3D感測。艾邁斯半導體台灣區總經理李定翰(圖3)提及，3D感測的應用越來越熱門，其發展主要聚焦在行動裝置、智慧家庭、工業自動化與自動駕駛四個面向。行動裝置上的應用演進最快，從過去以鏡頭為重心的設計，轉為加入距離測量、人臉辨識、虛擬實境遊戲、實境導航等功能。在安全驗證方面，智慧型手機及智慧建築的身分驗證不只透過指紋，更搭配臉部辨識提高安全性。同時隨著疫情出現戴口罩而難以辨識人臉的情境下，中國已研發出可以辨識戴口罩的臉部辨識系統。
當3D感測應用在智慧家庭，以掃地機器人為例，過去的掃地機器人大多藉由放置虛擬牆或使用紅外線偵測決定移動路線。新一代放入ToF感測器的機器人，在清潔空間之前，會先行掃描環境，甚至搭配3D感測布建地圖，計算出最快速及省電的打掃路徑。如果將3D感測模組放入冰箱中，便能測量裡面的材積容量大小調整溫度，或者提出某些區塊的食物已經放超過一個禮拜的警示，達到省電與協助管理食材的效果。
李定翰表示，目前ToF的應用逐漸從iToF走向dToF。iToF的鏡頭有很多限制，在陽光下感測器很容易飽和，同時進行多工傳輸的路徑容易讓運算有問題。而dToF的量測則更為精確，可測量的距離也更遠。隨著電子元件及PVC的精確度、製程進步，dToF很快就會取代iToF，例如臉部辨識的變型，可以結合最新的dToF輔助演算。如線上購物廠商，為鞋子、衣服的尺寸數據建立資料庫，消費者只需要輸入身高、三圍，即可在網站上進行3D試穿模擬。
AI力助終端感測
除了3D感測，在AIoT市場，感測器的應用也開枝散葉，智慧醫療、智慧家庭、智慧城市、智慧農業，無處不見AI、IoT與感測器結合的應用。Arm應用工程總監徐達勇(圖4)舉例說明，醫療照護藉由生理感測預警疾病症狀；工業4.0藥品包裝產線，採用人工智慧視覺辨識，確認每個包裝內的藥品數量相同，或者透過震動感測確認工廠設備有無異常；農業中的蝦子養殖，運用AI影像辨識，確保蝦子的飼料不會因為過量而影響水質，也能隨時觀察蝦子的健康。
AI運算的位置分為雲端、本地及裝置三種，徐達勇指出，調查客戶希望AI運算的位置，53%的客戶青睞在裝置端運算，比較困難的特定需求再進行雲端運算。雲端運算雖然提供強大的算力，但是延遲問題、高頻寬需求、安全性跟隱私疑慮，促使多數客戶傾向選擇在裝置上運算。
雖然客戶偏好AI的終端運算，然而終端運算會面臨幾項挑戰。一是終端裝置的應用很重視使用者體驗，需要提高算力才能達到提高使用者體驗的目的。此外，終端裝置的設計重視成本控制，同時裝置電力來源多半是電池，因此低功耗也是設計重點。最後，不論選擇何種運算方式，隱私安全都是客戶重視的關鍵。對此，Arm近期設計的IP Cortex-M55便以加速AI運算為目標，特別加強DSP跟機器學習的運算能力。
如果採用通用處理器執行機器學習運算，相對的效能比較差，生產晶片的成本就會提高，所以此設計聚焦在DSP/機器學習的運算能力提升，並且提高處理器或能源的效率，達到降低功耗的目的。資安方面沿用Arm第8代MCU開始的TrustZone功能，處理器可以分成兩種執行模式，安全性比較敏感的內容就使用安全模式執行。
觀察AIoT的趨勢，徐達勇表示，Arm預估2020~2024年，每年AIoT裝置會有至少20%的成長，並且到年底之前，至少20%的終端裝置會具備機器學習功能。因此Arm專注AIoT的市場發展，IP瞄準AI終端裝置的效能需求設計，可望滿足未來不斷增加的市場需求。
