技術頻道

光罩製造商正面臨重大的光罩量測挑戰，亟需那些不僅具有成本效益也能提供更為嚴格的對準規格和圖案對準認證的解決方案。 電子束光罩曝光機的局部對準誤差可能對光罩至晶圓的疊對誤差產生關鍵影響，這是因為該誤差非常局部並且在標準的質量控制方案和採樣條件下難以將其發現。當然，光罩誤差特徵依賴於寫入策略；但也可能由殘餘的偏移器對準問題而引起，並導致了晶圓上非常局部但可能是不可校正的關鍵微影疊對誤差。由於氟化氬浸沒(ArFi)光罩和EUV光罩所採用的電子束曝光機策略之間並無顯著差異，我們預期這兩種光罩類型具有相似的誤差特徵。 標準光罩對準策略所採用的資料採樣的區域密度不足以揭示這種局部對準(LReg)誤差，因為其所需的測量數量會對週期時間產生影響，並且導致產量降低和造成光罩對準機台的成本效益過低。因此，為了驗證電子束曝光機導入的實際局部誤差和偏移器的對準性能，如今的電子束曝光機控制方案依賴於那些每週或以更長時間間隔製造的特殊測試光罩。 通常觀察到的LReg誤差特徵需要一個幾十微米的感興趣區域，並且光罩圖案特徵表現為該局部感興趣區域的橫向偏移增加，LMS IPRO7採用新的方法，允許在合理的產量下提供關鍵的採樣密度，從而針對每個關鍵產品光罩實現電子束曝光機的實際性能測試。 採用順序測量確定光罩曝光特徵 LMS IPRO7平台採用順序測量的方法，可以提供高精度和可重複的標準光罩量測應用。該方法通過後續的平台移動、圖像採集和圖像處理獲取光罩上整個有效區域的網格資料點。 對光罩量測系統的產量進行量化的標準度量是其移動、獲取和測量(MAM)的時間，對於每個網格測量點這個時間通常是幾秒鐘。為了確定產品光罩圖案的電子束光罩曝光機特徵，因其所需的採樣密度和視場尺寸所對應的MAM數量級，將導致總測量時間為數天。 LReg測量採用了一種新穎的方法，其圖像採集不是完全按照順序，而是利用量測系統的整個視場同時確定幾個點的位置。因此，對於光罩上100μm長度和寬度的感興趣區域(ROI)的典型LReg測量時間可以減至不足一個小時。在該感興趣區域內，可以針對密集圖案中臨界尺寸(CD)低於200nm的單個特徵進行高精度測量；如果推算至單點MAM這相當於週期時間減少104倍。因此，LReg使得商業光罩的實際認證成為可行。 電子束曝光機引起的LReg誤差可能源於各種原因，因此採用了量測機台的網格校準方法以確認所觀察到的誤差特徵不是由局部對準測量自身引起的偽像。為了證明無旋轉變化，對光罩上相同的感興趣區域以標準光罩方向(0。)和90。旋轉方向進行測量。 結果證實了所觀察到的LReg誤差特徵相對於光罩坐標系沒有變化。為了測試LReg測量方法無平移變化，對感興趣區域以小於視場內特徵週期的距離進行移動並比較誤差特徵。此外，對相同的感興趣區域還以不同的採樣密度進行LReg測量，以排除採樣策略對LReg誤差特徵的影響。 通過LReg測量對不同光罩進行研究，其中包含兩個向量式電子束曝光機供應商提供的量產製造(HVM)--質量測試光罩。對HVM標準的ArFi光罩以及領先EUV測試光罩進行了研究。在LReg測量中，感興趣區域的最大長度和高度為100μm，並定義於光罩布局的密集元件圖案之上。 LMS IPRO可以進行x-方向和y-方向上週期長度<300nm的採樣。因為結果包含了幾千個測量點中的每個點x軸和y軸的LReg誤差分量，也因此，LReg結果的訊息密度很高。 局部量測助力電子曝光校正 為了將測試結果的LReg誤差的橫向分布可視化，簡單起見，本文採用兩個熱圖分別顯示一個LReg資料集的x分量和y分量。LReg誤差是每個測量位置與其對應的設計坐標之間的偏差。圖1顯示了150nm CD密集導線陣列的ArFi測試光罩上LReg測量的可視結果。x偏差的橫向分布在圖1a中顯示為熱圖，y偏差的橫向分布如圖1b所示並採用了相同的比例。在圖1a中可以觀察到週期長度為10μm的網格狀的系統性LReg誤差特徵。LReg誤差的y分量表現為與x軸相平行的分割線。兩個誤差分量的幅度均大於4nm。 圖1　在ArFi-HVM測試光罩A上，對150nm CD密集導線圖案上的面積為100μm乘100μm的感興趣區域進行測量。LReg誤差的x分量如圖1a所示，測試光罩採用標準方向(0O)。在圖1b中，顯示了同一測量中LReg誤差的y分量。 該LReg資料集總計測量了32,231個點。 本研究測試的一個主要目的是識別電子束曝光機本身所產生的特徵。因此，必須確認在LReg結果中觀察到的特徵不是由LReg測量方法本身造成的。圖2顯示了在光罩的相同ROI上兩個不同光罩方向的LReg測量結果。結果顯示使用了實際的光罩坐標系。因此，與LMS IPRO測量機台相關的任何誤差，例如由光學元件或橫向平移台引起的誤差，將在圖1a中相對於圖2b旋轉90。 圖2　在EUV測試光罩上，對200nm CD密集導線圖案上的面積為100μm乘100μm的感興趣區域進行測量。圖2a中顯示的LReg誤差的x分量，是測試光罩採用標準方向(0O)的結果，而在圖2b中顯示光罩圍繞z軸旋轉90O的測量結果。圖2b中的資料已經過反向旋轉，因此圖2a和圖2b中的x軸和y軸分別相互對應。該LReg資料集總計測量了4,875個點。 LReg誤差的幅度以任意單位縮放，但是圖2a和2b採用了相同的顏色代碼縮放。x偏差的橫向分布在圖2a中顯示為熱圖，可以觀察到平行於y軸的等距線的特徵(圖2)。對於x偏差這些線的周期長度約為9μm，而對於y偏差這些線的周期長度約為27μm(未顯示)。兩者的局部橫向偏移的幅度均大於4nm。圖2中顯示的兩個圖像在測試光罩的坐標系中表現出非常相似的LReg誤差特徵，因而可以確認無旋轉變化。 為了驗證LReg測量方法是否無平移無變化，採用ArFi光罩在200nm CD密集導線圖案上通過將兩個軸的ROI向正方向移動1.6μm進行測試。x偏差的結果如圖2所示，其中1.6μm的偏移相當於一個像素。圖3a中顯示出8μm週期長度的總體LReg特徵在圖3b中向原點中心偏移了一個像素，這確認了當ROI偏移時LReg特徵相對於光罩的設計坐標系保持不變，y偏差的數量級相同並且具有相似的周期長度。 圖3　 b)中的感興趣區域相對於a)向正x軸位移1.6μm，並且向正y軸移位1.6μm，這相當於一個像素。a)和b)測量均使用測試光罩E並以相同的分辨率和光罩標準方向進行。 該LReg資料集總計測量3,969個點。 為了確認採樣策略不會在LReg特徵結果中產生偽影，採用EUV測試光罩以不同的採樣率相同的ROI進行了相同方向的量。LReg特徵的x偏差如圖4所示。儘管圖4b中的特徵由於採樣率降低而非常模糊，但可以確認整個週期長度為9μm和幅度大於4nm，這與圖4a是一致的。 圖4　採用EUV測試光罩C的LReg測量X分量。對相同的感興趣區域的兩次後續測量中，b)的採樣率低於a)。在a)和b)中都觀察到平行於y軸的LReg特徵線。 b)的採樣率沿x軸相對於a)減小1.5倍。在該LReg資料集中，a)總計測量4,875個點並且b)總計測量3,225個點。 表1概括了不同測試的結果。並不是所有的不同測試光罩的LReg結果資料都顯示在表中。在分析中，採用了EUV光罩和ArFi光罩，並使用兩個主要供應商不同世代的向量式電子束曝光機對其寫入。可以說，對於所有測試光罩，至少有一個誤差分量，即x軸或y軸，都顯示出週期性特徵。對於所有的LReg特徵，橫向移位的幅度都超過4nm。所觀察到的LReg特徵(光罩域)被縮放到晶圓級別(晶片域)，以顯示LReg特徵對晶圓圖案疊對誤差產生的實際影響。即使對於領先的10nm節點光罩，晶圓疊對的影響也超過1nm。 圖2、圖3和圖4中顯示的結果都支持這樣的假設，結果中的系統橫向偏移實際上是向量式電子束曝光機引起的LReg特徵。透過證明誤差特徵無平移變化，無旋轉變化，並獨立於採樣率，可以排除可能與LMS IPRO測量方法本身相關的誤差特徵偽影。 ArFi光罩B(表1)的周期長度是42μm，並且可能與電子束曝光機的子偏移器視場設置有關。測試光罩A、B和C採用領先電子束曝光機寫入，而在這些光罩上所觀察到的誤差幅度都高於領先HVM光罩的疊對臨界值。 相比A、B和C，測試光罩E採用同一製造商的更早世代電子束光罩曝光機製造，因此LReg誤差的幅度甚至更大。光罩D採用另一供應商的向量式電子束曝光機製造，因此對於兩個主要供應商都觀察到顯著的LReg誤差。 EUV測試光罩C顯示出與ArFi測試光罩A和B類似的LReg誤差特徵。這正如預期，因為EUV微影的電子束寫入策略沒有重大差異。根據LReg誤差的周期性和觀察到的周期長度，可得出通過電子束曝光機校正來解決LReg誤差的結論。由於LMS IPRO是一種高精度的對準機台，因此可以從所呈現的LReg資料集中推導出必要的校正參數。所有資料均採用單次測量，每次測量持續不到一小時，考慮到測得的週期長度可以允許將ROI縮減，因此可以在15分鐘內對產品光罩做出表徵(ROI相對於特徵)。 為了評估LReg特徵(光罩域)測量對於不可校正的晶圓圖案疊對誤差產生的影響，在表1中的晶圓域一項下列出了計算數值。對於ArFi和EUV，為了對應於曝光機的縮小倍數4，週期長度和幅度均除以因子4。晶圓疊對的計算是基於兩個光刻層使用具有相同LReg誤差的光罩這樣的假設。因此，對於平均晶圓圖案疊對誤差，幅度乘以2並除以2的平方根。這也意味著局部誤差的極大值甚至可能更大，例如，對於14nm節點，它大於1.5nm。本文中提供的方法是一個能夠在不到15分鐘內對任何產品光罩上進行系統LReg誤差表徵的程序。 圖5顯示採用LReg測量的前饋例程的提議方案。其中，除了產品光罩的標準規格，即圖案的精度和準確度之外，還加入執行LReg測量。如文中所顯示的結果，該LReg測試僅僅會增加15分鐘的總光罩認證時間。根據LReg的結果，可以實施電子束曝光機校正和校準的改進，這將提升圖案疊對。 圖5　光罩車間在發貨之前適用於產品光罩的加強型質量控制(QC)的建議流程。100x100μm2的LReg測試區域可以位於適當的元件圖案上，也可以位於產品光罩功能圖案之外的相鄰測試圖案上。 本文針對ArFi和EUV微影技術展示了在領先光罩上進行的準確並有成本效益的LReg誤差特徵測量。其中測得的誤差幅度高於領先HVM光罩的疊對臨界值。高採樣率允許在密集周期性圖案上對LReg誤差進行測量，並且大ROI允許對相應的電子束曝光機校正進行推導，這可以顯著改善後續微影步驟的層間圖案疊對。 (本文作者皆任職於KLA)

多年來，電子產業早就意識到，元件和系統設計驗證會占用整個設計時間的絕大部分。現在當開始邁入超深次微米的時代之後，亦開始瞭解，相關驗證正在演變成一大問題。對縮小元件的技術而言，難度最高的是和電壓、製程以及晶片老化有關的變異；這些可能導致短期或長期產品問題，到最後造成設計團隊的困擾。 考量製程和製造過程產生變異的影響。長期下來，元件尺寸(Feature Size)已大幅縮小。就7奈米而言，約30個矽原子就能構成一個電晶體，任何製造缺陷都會影響電晶體的行為。此外，電介質層(Dielectric Layer)僅有一到兩層分子厚度。現在的FinFET約有10個參雜原子(Dopant Atom)，因此在製造後第8或第11個原子可能造成電晶體的行為差異。在這些嚴格的物理限制下，可能難以達成完美的製造。 矽晶片設計充滿變數/挑戰 製程變數不是唯一的設計挑戰，而這讓問題更為複雜。每個電晶體都處在不同的局部環境，電壓、溫度和供電也會從不同來源注入雜訊和擺動(Wiggle)。更糟的是矽晶片不會保持不變，它會老化，而且不像酒一樣越陳越香。因為劣化的關係，矽晶片可能5~10年後就停止運作。然而，由於設計攸關人命的系統，例如自駕車平台、醫療系統以及裝在難以構及基地台內的5G元件，需正常運作壽命長達數十年而非數年，如此一來掌握晶片的變異就變得更為重要。 長期施加電壓在元件上會造成矽晶片退化。例如將1伏特施加於1奈米上，電場強度高達每米10億伏特；這會將龐大的電場強度壓力施加在元件上，即使電流通過的導線都會因流經這些細小導線的高電流密度，導致電壓提升。 導線的問題包括電子遷移(EM)和靜電放電(ESD)，而元件的問題包括會導致故障的ESD、時間相關介電層崩潰(TDDB)。EM是一種時間相關(Time-based)故障現象，也就是大量電流長時間流經細導線會侵蝕金屬導線並形成峰谷，導致開路或短路，縮短產品壽命；而ESD是一種事件相關故障，成因是短時間施加足以導致金屬導線蒸發或閘級氧化層分解的高電壓。 就電晶體層級而言，除ESD問題外，還有其他過載效應，這會造成長時間的中等壓力，進而引起TDDB造成的氧化層磨損。這種狀況下，跨介電質的電場會將離子植入介電質。這可能導致模仿持續充電狀態的行為，防止邏輯閘在狀態從1變成0時完全放電。因為電晶體運作不再正常，開始非對稱運作(相較於正常設計行為)TDDB將導致元件故障(圖1)。 圖1　行動裝置效能變慢 此外，FinFET的老化原因還包括負偏壓溫度不穩定性(NBTI)和熱載子注入(HCI)。因此老化感知系統單晶片(SoC)時脈收斂對確保FinFET設計的長期穩定性非常重要。跨電晶體閘級的電場會慢慢使元件介電質退化。主要物理效應包括溫度不穩定性(Bias Temperature Instability, BTI)和熱載子注入(HCI)。 就電氣特性而言，徵候為臨界電壓偏移，這會導致驅動電流隨時間減少，進而導致延遲增加，最終導致時序故障。老化效應通常需時數年(2、5或10年)。常見的為個別電晶體效能緩慢衰退。部分電晶體的衰退可能很明顯，其他類似的電晶體卻不會受影響。老化現象對使用方式極為敏感，常見的設計技術如時脈閘控(Clock Gating)可能使問題更嚴重。 Monte Carlo SPICE處理異常值曠日廢時 半導體產業很早就知道上述效應。如果製程不先進、效應小，可以從設計限界(Margin)處理這些問題。而且以設計限界為基礎的方法很容易採用，大多數設計團隊也都用這種方法。但到了7奈米的層級，必須處理達30~40%的變異。在這種狀況下，靠設計限界處理的難度就很高(圖2)。 圖2　超低電壓運算意味著設計限界極小，變異非常嚴重 資料來源：ITRS Past, Present and Future(左圖), TSMC: Physical Design Challenges and Innovations, ISPD 2017(右圖)。 臨界電壓從28奈米到現在的變化並不大，因為晶片的限制，不能再改動臨界電壓，它一直在0.2伏上下。大多數電源敏感設計都以0.5V和0.6V運作，因此剩下空間有限；系統開始以類比方式運作，任何行為改變都有指數效應，不再能靠設計限界或擴展。這種簡單的機制以前能應付所有不想面對的問題，但現在已不再實用。 因此，接下來該怎麼辦？如果不能靠設計限界處理變異問題，就必須測量它。設計人員需要替所有相互作用的效應建立模型，並進行模擬，考量所有效應並準確預測晶圓代工廠會產生的問題；這種方法速度要快才有生產力，還要準確到讓設計團隊可以運用。 這就是當前變異挑戰諷刺的地方。產品必須要成功的負擔已從製造商轉移到設計團隊身上，後者以前從來就不需要處理製造變異問題，現在設計師要負責模擬變異行為及提供最高良率的設計保證。這是個不小的挑戰。 為了處理這個問題，大多數走在最前端的設計師採用的流程到了設計最後，都會藉由執行完整的Monte Carlo SPICE處理異常值。這種做法的主要挑戰在於，SPICE每次只會模擬一小部分，設計師必須進行數千次模擬，每次設定都有些微差異，這可能導致7奈米的特定路徑需進行多達35,000次的電晶體模擬。對於有效率工程而言，這實在太昂貴耗時了。 換言之，工程成本是另一大挑戰。專案時程非常重要，任何影響時程的因素都有增加成本和錯過重要市場商機的風險。甚至Monte...

隨著半導體產業的成長已不再僅受限於個人電腦、伺服器，甚至手機和平板電腦等各種運算裝置的銷售，各大半導體業者看到了來自多樣化市場的成長機會；例如雲端儲存、機器學習(ML)或人工智慧(AI)、虛擬實境(VR)和擴增實境(AR)、機器人、醫療和汽車，甚至包括自駕車的興起，都是挹注產業成長的重要應用。 市調機構例如Yole Développement認為，到了2035年，有超過一半售出的車輛都將擁有LEVEL 3的自主程度，這意味著，這些汽車將能在無需駕駛隨時關注道路的情況下進行自動駕駛。 另一方面，物聯網(IoT)也成為串聯各個市場區隔的關鍵。市場研究公司IHS預測，IoT連網裝置的數量將持續成長，到2020年將增加至300億台。 IoT應用驅動IC銷售量 對IoT應用來說，雖然感測器不可或缺(圖1)，但也涉及了通訊和智慧，需要微控制器、電源管理IC，以及類比和混合訊號晶片。通訊系統需要RF和MEMS元件，以及光電IC。資料中心的資訊處理則需要更多的邏輯、記憶體、儲存以及矽光子元件。 圖1　IoT不僅與感測器有關，在無縫的使用者體驗背後，它還涵蓋了感測、通訊和運算IC。 在未來，具完全自主程度的LEVEL 5自駕車將不僅依賴先進的感測器；在本質上，它可被視為一台裝著輪子的自動感知伺服器。IC Insights最近發布的McClean報告凸顯出IC及其製造的重要性。報告揭示，在2017~2022年期間，IoT和汽車IC終端使用者市場將是成長最快的領域，複合年成長率(CAGR)均超過13%。2017年，兩個市場的IC銷售額已分別達到209億美元和280億美元。 不同技術結合實現IoT應用 可使IoT和自駕車中的裝置結合在一起的不僅是感測或機器對機器(M2M)通訊，而是各種不同技術的匯聚。在邁向連網社會或萬物互聯世界的過程中，半導體業者需要發揮巧思，把各種的製造技術，包括材料與技術節點，創新地組合在一起，才能順利實現此目標。 目前使用中的製程技術包括：用來製造邏輯元件的互補金屬氧化物半導體(CMOS)製程、用於電源管理IC的雙極CMOS(BiCMOS)或雙擴散MOS(DMOS)、用於記憶體的DRAM、用於儲存的3D NAND、碳化矽(SiC)等寬能隙元件、MOSFET和氮化鎵(GaN)HEMT壓電材料如PZT、用於RF濾波器和MEMS感測器的氮化鋁(AlN)和鈧(Sc)摻雜AlN，以及用於RF IC的矽鍺(SiGe)。而在主要市場中，元件製造的特徵尺寸範圍從180奈米以上到28奈米以下都有，採用的製程設備有用來處理8吋晶圓的舊設備，也有12吋晶圓的新設備。 蝕刻/尺寸為晶圓廠共同挑戰 晶圓廠正面臨著保持蝕刻深度和關鍵尺寸(CD)控制均勻度的挑戰。即使是蝕刻的特徵幾何形狀或傾斜也會對良率帶來嚴重影響。這些都是在先進技術節點必須解決的問題。對於12吋晶圓，取決於晶粒大小的不同，外圍的8公厘邊緣包含了約10%的晶粒，而外圍2毫米邊緣約占3%的晶粒，這使邊緣處發生的情況成為影響整體生產力的重要因素。因此，在蝕刻過程中，材料、溫度和電場的邊緣不連續性會對良率造成顯著影響(圖2)。 圖2　無論晶圓廠是處理8吋或12吋晶圓，晶圓上發生的物理現象是一樣的。 雖然晶圓邊緣的不連續性會影響CMOS的主要效能，但同樣地，蝕刻深度控制、CD控制和傾斜的幾何控制等問題也會影響最新一代的MEMS、功率和類比元件。這是因為晶圓上發生的物理現象是一樣的。因此，如果半導體設備業者能解決先進技術節點的相關物理挑戰，便可在其他的應用中借助這些有用的經驗。 先進設備增添8吋晶圓良率/產量 除了技術挑戰之外，晶圓廠還面臨著需以最佳成本建置產能的挑戰。現在，既有的晶圓廠能夠以遠低於在最先進技術節點增加設備的價格來掌握IoT和汽車市場商機。 以科林研發(Lam Research)旗下的Versys Kiyo45導體蝕刻產品為例，該產品發揮Lam在先進12吋晶圓取得的經驗，並將其應用於8吋晶圓，因此提高了再現性(Repeatability)、減少缺陷，實現更佳的晶圓間均勻度和更高的生產量。 同樣地，Lam的VECTOR PECVD系統已在重要的12吋晶圓電漿輔助化學氣相沉積(PCVD)應用中擴大了市場占有率，雖然此系統一開始並不是為8吋晶圓所設計。然而，由於它在12吋晶圓的成功，使得客戶也希望半導體設備業者提供適用於8吋晶圓的機台。其8吋晶圓版本自去年推出以來，已被廣泛採用，並能協助業者順利過渡到12吋晶圓。 把先進技術應用於8吋晶圓的回報並不止於此。電源、混合訊號應用、MEMS、CMOS影像感測器，甚至包括系統級封裝(SiP)在內的一些封裝應用，都能因在8吋晶圓導入Lam最新一代的深矽晶蝕刻(DSiE)製程模組而獲益，該模組採用了從Lam的12吋晶圓Versys Kiyo45系統和Syndion TSV蝕刻機台學習到的經驗與特性(圖3)。 圖3　把12吋晶圓的製程能力應用到8吋晶圓，可大幅提升晶圓製造環境的靈活性。 透過升級策略滿足市場需求 目前，市場上仍然有數千台的8吋晶圓Lam Alliance機台在運作中，而其中有許多都已經使用超過10年的時間。然而，這些機台仍然被大量利用，同時Lam的Reliant業務也繼續建構新的、整修過的版本支援客戶。另外，Lam的客戶還可以採用Lam 2300平台的先進控制系統和軟體架構來升級舊的Alliance機台。Alliance C升級還可讓機台執行先前並不支援的功能(圖4)。 圖4　透過提供舊機台的升級服務，Lam可協助客戶顯著提升其資產的效益。 只需升級控制系統架構和軟體，Alliance C升級就可以提高機台的時序和再現性。根據客戶的實際採用，它可提升46%的腔體到腔體CD標準差，同時製程能力指數(CPK)從2.3上升到4.5。 Alliance C升級還支援增加其他的升級功能，如生產量最佳化(TPO)、自動預防性維護(AutoPM)和濕式清洗最佳化(WCO)。無論何時更改製程組合或重新調整機台，TPO軟體演算法都會分析和最佳化設置，以提高機台效能。AutoPM是透過執行腳本以自動化大量的手動事件，並系統地、再現地使機台重新上線，因此能免除耗用不必要的工程資源並將其用於更重要的工作上。WCO功能是軟體引導的清洗指南，可以根據特定機台組合進行客製化，並減少勞動時間和非預期的清洗工作。 Lam Research已建立了深厚的12吋晶圓專業技術以及可滿足特定需求的完備產品組合，包括壓電和寬能間隙材料、以及高效能深矽晶蝕刻應用。但是，IoT和汽車市場的快速成長推動了對8吋晶圓產能擴充的需求，而且通常是28奈米以上的製程節點。透過發揮12吋晶圓設備的先進技術並將其利用硬體和軟體升級應用到現有的8吋晶圓產品線，現在已能以最適切的成本解決方案來克服這些挑戰，以滿足IoT和汽車的市場需求。 (本文作者為Lam Research公司CSBG策略行銷資深總監)

．大量客製化需求：顧客力量愈來愈大，希望能夠具有客製化、個人化的產品，來滿足需求。這使得傳統大量製造的程序與思維必須改變。 ．產品商品化：大量相同產品被製造出來，不斷地進行價格競爭，使得產品商品化、產品差異變小。製造業為求產品差異化，除了思考利基產品研發，也思考運用科技讓產品附加服務產生新價值。 ．製造價值轉變：由於電子商務發展，許多製造業跳過中間商直接面對顧客，接受顧客市場需求，也開始挑戰製造的價值。製造業開始思考提供附加服務、顧客體驗來滿足顧客新需求，也開始思考有別於傳統產品銷售的商業模式。 這三個因素使得製造業思考運用各項技術來協助進行數位轉型。許多大型的製造業由於資金雄厚及市場占有率，已經進行轉型並獲致成果，如：GE、西門子、Bosch、富士康、海爾電器等。中小型製造業亦亟欲運用相關技術進行數位轉型。 AI大數據改善工廠生產流程 改善工廠生產流程是製造業首先考慮運用物聯網或人工智慧等技術的方向之一。工廠運用大數據、人工智慧來提升生產流程的效率、提升產品良率、彈性生產，滿足大量客製化等需求。 生產過程監控與分析是許多工廠運用新興技術協助生產效率提升的第一步。當生產作業的設備、物料數據可以進行數據蒐集、視覺化展現後，進一步利用大數據或人工智慧技術進行處理、分析乃至於最佳化生產流程。這種初步應用可以稱為連接工廠(Connected Factory)。 連接工廠最初步的作法將生產計劃、生產任務、設備狀況、物料狀況、產品良率狀況等蒐集，透過工廠電子看板、桌上型電腦、智慧手機等，即時監視工廠各種狀況。亦可透過監視攝影機將產線現場操作狀況呈現，甚至危險動作可以警訊通知。進一步，利用物聯網技術，可將產線生產狀況，如設備是否正常運行或停機、已經生產多少產品等數據進行蒐集，進一步分析全局設備效率(Overall Equipment Effectiveness)，以提高設備利用率，減少停機待料、產品品質損失、換線時間等，進而改善生產作業的效率。運用人工智慧與大數據分析，可以分析比較不同時段、不同設備、製作不同產品OEE數值，找出影響OEE的關鍵因素，提供現場工作人員參考與主管的決策改進。 利用RFID智慧控制生產過程 生產過程控制是另一種在產線運用人工智慧的做法。最常見的方式是利用RFID的方式，進行備料通知，讓產線的備料能夠即時，達到不缺料、不囤積的目的。例如：惠而浦洗衣機工廠運用RFID在其塗料作業上，讓物料能即時送達。有些工廠則將生產訊息與物料搬運車連動，讓物料搬運車能自動搬運所需的物料至生產線或是發貨區等。 Amazon Kiva物料搬運車是最著名的人工智慧搬運車。Amazon在全球倉儲運用15,000台Kiva搬貨機器人協助倉庫搬貨。訂單出貨時，撿貨人員站在特定區域，Kiva機器人配置電腦視覺系統掃描地上條碼，並具備最佳化搬運路徑演算法，會將放置欲出貨商品貨架，頂到撿貨人員區。撿貨人員根據電腦螢幕顯示訂單貨品撿貨。撿貨完畢，可要求Kiva將貨品送至出貨棧板區。進一步，自動搬運車機器人要全面運用電腦視覺技術，建構現場3D環境及最佳路徑，並能學習分辨障礙物與繞路行走。致力於人形或動物形狀的波士頓動力(Boston Dynamics)則運用類犬型機器人、人形機器人進行搬貨是另一種新思考方式，不過這樣的運用尚未被大量試行在實務工業環境下。 另一種生產控制人工智慧應用則是輔助自動化產線的流程進行，例如一家紙尿布工廠已經發展整體產線自動化流程。然而，產線自動化流程會遭遇到某階段異常而使得生產程序延後或停擺。該工廠即運用人工智慧分析方法採集分析每道程序控制訊號以及狀態監控參數，找出正常生產狀態與偏差狀態的特徵。一旦人工智慧程式分析可能異常的尿布，則將該尿布轉到檢查區，以避免影響整個產線。一家輪胎公司運用人工智慧，讓前導製程的數據可以即時送到數據模型中運算，以確定下一道製程溫溼度、設備參數等。這將使得整個輪胎製程能動態根據環境與前道製程狀況進行最佳化調整。 除了分析設備、物料的參數外，也可以運用人工智慧電腦視覺分析的方式來分析生產過程問題進而進行控制。例如：釀酒工廠生產品質的關鍵之一是讓每個酒瓶應該注入一樣多酒。然而，注入啤酒會產生泡沫，造成每一次注入狀況不同而使得注入酒的數量不一致。一家工廠即在注入飲料製程上放入智慧攝影機，分析每次注酒成功(注入一定的酒量)或失敗。在注入過程中，智慧攝影機能夠在每秒30個酒瓶速度下，快速地辨別注入不夠或沒有蓋上瓶蓋的酒瓶，將其移到品質不良區。並在過程中，即時地紀錄成功與失敗酒瓶數目。該智慧攝影機晶片具備AI快速處理與分析能力。 對於製造業來說，如何確保生產產品品質亦是一項重要的管理要點。大數據與人工智慧可以協助生產品質的管理可從生產過程品質監控與預測以及生產過後的品質檢測來協助，以下分別介紹幾個應用案例與趨勢。 運用AI預測生產品質 如何在生產過程中預測生產品質可能狀況，進一步提前處理是另一個常見的人工智慧製造業應用。WD是世界上最大的硬碟製造商之一，其製造的挑戰是追蹤硬碟機生產每個過程，以確保產出硬碟品質，並可減少顧客使用過程中，因品質問題造成資料毀損。WD即利用大數據分析與人工智慧分析方法，從各項生產設備的資訊中找出可能的問題，並發出異常警訊以提前預測可能品質不良的產品而避免出廠，造成商譽損失。應用材料公司是半導體設備廠商，也將品質預測功能放入設備中，以減少其半導體客戶因為設備參數問題，而製造不良的晶圓。 村田製作所(Murata)公司生產電容、電阻、感應器等元件，應用在智慧型手機、汽車產品中。電子元件製造牽涉到多個站台的生產，必須整合數據進行品質、成本、產出時間的分析。特別是工廠、周圍或設備本身溫度都會影響元件生產的品質。設備與生產過程的數據量亦很大，不容易管理。該公司整合各種工廠、產線設備感測資料、環境感測資料以分析影響產品良率。其中，還包含空氣溫度、管線中水溫度、空氣中蘊含的粒子數等。透過綜合各工廠、產線資料，運用大數據、人工智慧進行生產品質預測，以改善生產良率。 生產品質預測除了利用設備參數進行預測外，也可以運用視覺檢測的方式來檢視產品問題進一步進行預測。例如日本IT大廠NEC推出「AI Visual Inspection」視覺檢測，運用機器學習技術，可以檢測生產線上的產品影像。例如金屬、人工樹脂、塑膠等產品加工業的生產線，運用 AI進行高速檢查，找出不良品，提升生產線效率。 事實上，工廠中本來已經存在自動光學檢測系統(Automation Optical Inspection, AOI)檢測產品問題。傳統自動光學檢測系統，必須花許多時間校調產品光學檢驗方式，無法適用在小批量多樣產品線的生產。結合大數據、人工智慧影像處理的新興檢測系統，則可以根據產品的樣式、顏色、形狀各種面向同時檢測，以同時檢測不同產品生產。同時，運用機器學習的技術，也可以讓作業人員即時糾正錯誤判別的狀況，讓檢測系統學習以不斷地提高檢測準確性。這使得新興人工智慧檢測系統更能應付大量客製化彈性工廠需求。IVISYS生產檢測設備公司即發展人工智慧產品視覺檢測方案，可以針對產品的樣式、顏色、形狀各種面向同時檢測。首先，IVISYS根據不良品進行分析，建立產品不良視覺檢測模型，進行產品檢測作業時，具備檢視畫面，能讓現場人員而非專業工程人員進行同步修正，以強化檢測模型。IVISYS攝影機具備多方向鏡頭，可以針對產品不同面向進行攝影，以進行3D成像建立。影像資料也持續記錄，可以持續地改善模型。在某一個產業案例中，IVISYS不良品檢測比人工檢測速度提升35%，且能做到針對每個產品進行檢測。此外，檢測結果報告亦可以提供人員進行生產排程參考。 不論製造業或服務業，對於理解顧客喜好，分析市場趨勢等，均能提供產品服務設計、營運方向的參考。特別是網際網路發達，顧客在部落格、公司官網、社群媒體、電商網站等均留下許多數據可以提供分析。例如：Maruti Suzuki是一家汽車公司，即運用透過各種管道資料分析顧客需求並進行交叉銷售。Maspex是一家飲料公司，運用透過各種管道資料分析線上評價以協助行銷。GE運用KDD分析家電產品數百萬抱怨紀錄，分析原因為何。Grandi Salumifici Italiani運用數據挖掘分析全球不同市場銷售預測。HP運用數據挖掘技術分析電話、網站、Emails、銷售夥伴等通路，以理解顧客喜好、抱怨，進而改進產品。 事實上，需求預測系統在1980年代即已經有許多系統發展，甚至2000年代供應鏈規劃系統亦盛行。傳統需求預測系統以過去銷售紀錄為主，進行數據計算與預測。然而，影響需求的原因還包括：顧客對產品的喜好程度、市場品牌訊息乃至於天氣變化、原物料價格等複雜因素。新興人工智慧需求預測系統即是蒐集各種多元、大量數據進行分析以找出規則並進行預測。特別是許多顧客留下訊息在Email、電話、社群媒體等文字紀錄上，運用新興文字分析技術或自然語言處理技術的人工智慧技術，協助分析顧客抱怨或喜好，進一步可進行產品需求趨勢與銷售預測。 (本文作者為資策會MIC產業分析師)

因此，如果有了踩腳的壓力大小就可以分辨出在遊戲的過程中，是否以正常的走路亦或是躡手躡腳方式前進；再者，如果有了腳底各點的力大小，亦可形成一個方向的標示，也就可以得知使用者的行徑方向。 而作為一個熱衷於遊戲的玩家，多了一個感測器就像是多了一顆按鍵的鍵盤，只要有越多的不同的訊號輸入就可以越來越貼近人體操作。換言之，只要多了一對腳部感測裝置，就可以使VR裡的角色做出更多符合現實人體所做出的相對應動作。這也意味可讓遊戲往下一個真人模擬世代前進。 添加肢體感應強化VR遊戲體驗 隨著科技的進步，人們漸漸地意識到身體健康的重要性，但是工作的繁忙，使得大部分的人只有少數的假日，以至於沒有多餘的時間去安排一些運動活動。而這少數的假期又因為工作的勞累或是需要待在家裡陪伴親愛的家人，甚至是因為天氣太熱，變成了不想出門運動的理由。 因此，本文想利用薄膜壓力感測器製作可偵測腳底壓力的互動VR裝置，再配合遊戲的互動操作。這樣不僅可以和家人一起遊玩，也可以抒發工作所累積的壓力，更不用擔心因為天氣太熱而中暑，或是因為下雨而掃了興致。 同時，以往的遊戲是利用鍵盤滑鼠在螢幕上做操控，現在則是轉為手把及搖桿來當輸入裝置，並且螢幕輸出改為虛擬實境頭戴裝置，進而將遊戲產業提高的一個不同的層次。 不過，對遊戲玩家來說，虛擬實境遊戲雖能夠讓使用者以肉眼感受到遊戲世界，但跟現實的感知相比還是略有不足。例如，玩家只能在定點上玩遊戲，被追趕時，不能用使用現實雙腳來驅動遊戲內的角色跑步。因此，此設計將腳底壓力感測裝置加入操控器的一部分，藉此來實現可以與遊戲內的角色同步腳部動作，增添遊戲的樂趣。 換句話說，現在的VR遊戲日益增加，但市面上的遊戲使用介面大多以雙手感應來體驗遊戲，較少有其它的肢體感應。因此，為了追求更完善的體驗感覺，因而做出可以讓使用者使用雙腳的壓力與互動操控方式來提升遊戲樂趣的作品。以下列出本產品之相關特色： ．以往的VR裝置都是手部或頭穿戴裝置，腳部裝置很少。 ．腳部感測裝置體積小且輕，可方便使用者穿戴。 ．使用的感測器體積較薄，穿戴時不易有感覺異物。 ．透過HID技術將感測結果轉為鍵盤的指令，不必再安裝其他程式分析指令。 ．藉由九軸和腳底壓力感測器來感測使用者行走的方向、速度或模式。 ．Unity遊戲內的角色透過接收裝置的指令作出與使用者相似的行動。 ．腳部感測裝置能充電並非一次性使用。 ．安裝腳底壓力感測裝置的鞋墊可藉由裁剪符合使用者的腳部大小。 ．腳部感測裝置利用RF傳輸資料，方便架設與使用。 腳底互動裝置設計要素 本產品使用盛群旗下的HT66F2390與UART、SPI、I²C、HID、FSR與九軸感測器等元件與技術，以下將一一說明。 UART串列介面 UART是一種通用非同步收發傳輸器，通常稱作UART，是電腦硬體的一部分，可將資料由串列通訊與並列通訊間作傳輸轉換。UART通常用在與其他通訊協定(如EIA RS-232)的連結上。在串列傳輸通訊協定的格式內容，每一個符號由四種資料共11個位元所組成，共分為： ．起始位元(Start Bit) ．資料內容(Data) ．奇偶同位元檢查碼(Priority Bit) ．停止位元(Stop Bit) 如圖1所示，資料透過FIFO(First Input First Output)的方式，由最低有效位元LSB(Least Significant Bit)開始傳輸直至最高有效位元MSB(Most Significant Bit)，但奇偶同位元(PB)可以選擇忽略不使用。 圖1　UART資料傳輸格式示意圖 SPI 串列介面 SPI為一主從式架構，通常有一個主機端(Master)和一或多個隨從端(Slave)，連接方法及內部硬體構造如下圖2所示；而SPI工作模式一共4種，其詳細的時序圖可參考圖3所示： 圖2　SPI硬體構造圖 圖3　各種工作模式下的SPI時序圖 其中，圖3的SCLK可藉由軟體定義CPOL=0或1，並分別使SCLK在不工作時，準位保持在0或1。而CPHA可控制Master的SPI暫存器讀值或傳值在SCLK的正緣或負緣觸發。 在一般的情況下，Slave只會支援一種工作模式。因此，Master端必須要把工作模式設定成與Slave端一樣，並且事先確認Master與Slave是使用相同的模式進行操作。 目前較常用的操作模式為1或3。此外，還須注意SS訊號負緣對於大多數的Slave晶片使用來識別Master送來的第一個bit，所以盡量不是直接把SS接地。 I2C串列介面 I2C串列傳輸包括四個部分：起始訊號、設備位址發送、數據傳送和停止訊號。相關特性如下所列： ．只能Master<->Slave，無法Slave<->Slave，每個Slave都要有一個特定且唯一的位址。 ．START狀態：SCL=High且SDA為負緣。 ．STOP狀態:：SCL=High且SDA=為正緣。 由Master發送起始訊號來開始通訊，所有的Slave Device接收到起始訊號後會進入接收數據模式。緊接著，Master需要發送通訊目標設備的位址及R/W資訊。目前的規範是提供兩種位址模式：7-bit和10-bit。 此外，須注意的是，只能Master<->Slave，無法Slave<->Slave，每個Slave都要有一個特定且唯一的位址，且由Master發送起始訊號來開起通訊，所有的Slave裝置接收到起始訊號後會進入接收數據模式。緊接著，Master需要發送通訊目標設備的位址及R/W資訊。 Unity軟體 Unity軟體是一套跨平台的遊戲引擎，可開發執行於PC、Mac OS單機遊戲，或是iOS、Android手機或平板電腦的遊戲。Unity也可開發線上遊戲，只需在網頁瀏覽器安裝外掛程式後即可執行Unity開發的遊戲。此外，Unity亦可用於開發PS3、XBox360、Wii遊戲主機上的遊戲。 本團隊利用免付費的模組及資源來設計能與本系統配合之遊戲。其中，Unity能藉由C#抓取鍵盤所傳送的按鍵值，藉由模擬鍵盤來操作遊戲中的角色，並將遊戲中的溫度、振動與電擊等，回傳到具備互動操作的手套，實現超越一般「虛實」體驗與體感互動系統設計的功能。 USB HID人機介面裝置 USB HID設備是直接與人互動的設備，例如鍵盤、滑鼠與搖桿等，具有以下功能。 ．模擬鍵盤、滑鼠輸入指令。 ．不需加裝其他特殊驅動程式，裝置插上即可使用。 ．能遊玩眾多使用鍵盤及滑鼠操作之遊戲。 ．可提供跨平台之操作，方便安裝與移植。 腳底壓力感測器 圖4為力敏電阻(FSR)工作原理，腳底壓力感測器是由3片FSR組成，其功能為： 圖4　FSR 工作原理圖 ．是一個可以根據受力大小產生不同電阻變化的元件。 ．隨著力量的增大，電阻會逐漸變小。 ．力量和電導(conductance=1/r)成正比。 九軸感測器 九軸感測器共包括三軸加速度計、三軸陀螺儀、三軸磁力計，其中，三軸加速度計與三軸陀螺儀說明如下。 根據牛頓第二定律，物體加速度(m/s2)與受到的合力(N)成正比，與其質量(kg)成反比，而加速度方向與合力相同。值得注意的是，加速度計的作用力檢測機制擷取了作用力產生的加速度，所以加速度計實際測量的是力，而不是加速度。也即是加速度計是藉由檢測施加在其中一個軸向的作用力來間接測量加速度。 加速度計也是一種包括孔、空腔、彈簧和通道等以MEMS微型製造加工的機電裝置。而加速度計採用多層晶圓製程，以物體重心相對於固定電極的位移來測量加速力。 陀螺儀是一種用來感測與維持方向的裝置，基於角動量不滅的理論設計出來的。陀螺儀主要是由一個位於軸心可以旋轉的輪子所構成，陀螺儀一旦開始旋轉，由於輪子的角動量，陀螺儀有抗拒方向改變的趨向。而陀螺儀多用於導航、定位等系統。 無線收發晶片NRF24L01 NRF24L01是一款工作在2.4~2.5GHz世界通用ISM頻段的收發晶片模組，最大0dBm發射功率，在空曠的地方進行傳輸時，則可以達到100公尺的傳輸距離，並且支援六通道的資料接收。以下，為此模組的基本規格： ．工作電壓(Vcc)：1.9~3.6V，建議3.3V。 ．發送模式下，電流耗量(0dBm時)：11.3mA。 ．接收模式下，電流消耗(傳輸率2Mbps時)：12.3mA。 ．內置2.5G天線，體積輕小。 ．當工作在應答模式通訊時，快速的空中傳輸及啟動時間，極大的降低電流消耗。 ．具有自動重發功能，可由軟體控制重發次數及重發間隔時間。 ．在接收到有效資料後，模組自動發送應達訊號，減少單晶片進行程式檢測時間。 腳底互動裝置結構解析 如圖5所示，是本產品方塊示意圖。本產品採用盛群的HT66F2390 MCU作為腳部感測裝置的核心元件，且在腳部(左腳與右腳)感測裝置有鋰電池可以供電給HT66F2390和NRF24L01模組。 圖5　整體系統方塊示意圖 其中，分別使用HT66F2390的ADC、I2C、GPIO及SPI的介面功能，並且分別讀取腳底壓力感測器、控制九軸感測器與NRF24L01。 如圖6所示，為本系統之硬體架構圖。發送端的腳步裝置包含左右腳部分，都是由HT66F2390、九軸感測器、壓力感測器及NRF24L01元件所組成。 圖6　整體硬體架構示意圖 其中，HT66F2390將會透過I2C介面讀取九軸感測器的數值，以及使用ADC的方式讀取壓力感測器的數值。最後，將這些資料整理存入陣列後，由SPI將資料送給NRF24L01，再由NRF24L01將資料發送給接收端。相對地，接收端則利用NRF24L01來接收從腳底壓力感測裝置所傳出的資料並加以進行判斷，爾後再將相符的鍵值透過USB HID介面傳送至遊戲中控制。 如圖7所示，為腳部感測裝置的電路Layout圖。將NRF24L01置於最右側執行無線傳輸，並將開關、LED、micro USB放置於左下角，便於操作，而實際整體電路板則是放置在鞋墊邊緣，以方便操作。圖8為本作品軟體流程圖。當遊戲一開始，首先判斷玩家所踩踏出之壓力數值來模擬遊戲上的動作，使玩家在遊戲裡的角色得以移動，經過層層闖關及完成挑戰。 圖7　腳底壓力感測裝置的電路layout圖 圖8　腳步感測裝置之NT66F2390系統流程圖 驗證/測試確保腳部感測裝置順利運作 本產品是透過NRF24L01之間互傳資料，並使用HID技術將資料轉為鍵盤的指令，而相關的執行結果先由UART觀察是否正確以避免錯誤的數據傳輸，實際測試方法如下所列。 腳部感測裝置是將九軸感測器與腳底壓力感測器透過NRF24L01傳給PC主機的接收端。而為了確保資料正確接收，於是透過UART將NRF24L01所收到的資料利用XCTU顯示。 圖9為NRF24L01之間互傳資料示意圖，其中，傳送的資料共11bytes，依順序為九軸感測器的加速度計X、Y、Z軸、陀螺儀的X、Y、Z軸、腳底壓力感測器的壓力數值以及左右腳符號與換行符號。 圖9　NRF24L01之間互傳資料示意圖 如圖10所示，使用I2C傳輸協定來對九軸進行讀取與寫入暫存器的動作。首先，要先傳九軸的地址並加上是要讀取還是寫入，緊接著，九軸會回傳一個ACK的訊號，代表它接收到了。緊接著，就可以繼續之後的動作，看是要寫入或是讀取暫存器，並使用孕龍分析儀檢測傳輸的資料是否正確。 圖10　MPU9250傳輸格式示意圖 當PC主機的接收端收到資料後，將進行資料的判斷，並依照判斷的結果透過USB HID將相符合的鍵值送入到遊戲軟體中。其中，如圖11所示，利用XCTU來顯示由USB HID傳入的鍵值。 圖11　USB HID技術模擬鍵盤的指令畫面圖 當腳部感測裝置沒電時，可利用micro...

接下來，我們來看看可受益於INA的一些應用。例如，一種使用感測器調整鐳射步進馬達進行視力矯正眼科手術的醫療儀器。高精確度至關重要，並且不允許手術室中的其他設備影響感測器訊號，避免導致意外後果。另一個例子是工廠沖床。這些機器對金屬施加數千磅的力，將其彎曲成特定形狀。利用感測器，這些機器設計為在感測器檢測到人手時停止。在此範例中，非常關鍵的一點是其他工廠設備的電氣雜訊不能造成會導致故障的干擾。 在上述兩種情況下，感測器訊號都會最先通過儀表放大器。必須在所有環境下精確放大微小的感測器訊號。儀表放大器專門用於精確放大微小訊號，在高雜訊環境中實現高增益精確度。 進一步增強INA效能的其他注意事項。還包含低功耗對於延長電池壽命至關重要。低工作電壓使電池可以在耗竭曲線上使用得更久，進而延長電池壽命。另外，寬輸入電壓範圍可以相容更多感測器，輸入端的阻抗匹配有助於無縫的與感測器連接。 隨著消費電子、醫療和工業應用的數量不斷增加，為了充分利用INA提供的效能優勢，INA的設計多年來一直在不斷發展。接下來，我們來看看INA設計如何從原始方法發展到如今的儀表放大器。本文將透過回顧這些架構及其相關的優勢和局限性，展示當今儀表放大器的效能改進與實際應用。 在深入研究不同的方法之前，我們先透過圖1瞭解正在嘗試完成的任務。感測器輸出連接到用於放大差模電壓的INA輸入。雜訊有多種來源，包括輻射雜訊和傳導雜訊。典型雜訊可能來自開關電源、馬達和無線設備。可以通過遮罩和良好的PCB布局來降低這種雜訊，但有些雜訊仍會通過。幸運的是，大多數雜訊表現為同相共模電壓(VCM)，疊加在差模輸入感測器電壓(VDM)上，設計合理的儀表放大器具有良好的共模拒斥比(CMRR)，這會大幅降低這種電壓以保持增益精確度。對於直流，通常會指定最小CMRR，而對於交流，則會在效能曲線中記錄CMRR效能。 圖1　感測器介面到INA的框圖 分立式差分放大器存有多種缺點 如果想要放大感測器輸出端的電壓差，一個簡單的差分放大器就可以實現，但它有許多缺點。在圖2所示的簡單實現中，單電源應用的VIN+偏向VREF(通常為電源電壓的½)。由於運算放大器設計用於放大差模電壓，因此本身可提供良好的CMRR，但這會被周圍的電路拖累。任何外部電阻的不匹配(包括連接到VREF的任何分壓網路造成的不匹配)都會限制運算放大抑制共模訊號的能力，進而降低CMRR。電阻公差不足以維持INA預期的良好CMRR。使用下面的公式可以看出電阻不匹配對CMRR的影響。 圖2　分立式差分放大器 在公式1中，差分放大器的增益G=1V/V，TR為電阻公差。 如果TR=1%，則最差情況下的直流CMRRDIFF為34dB。 如果TR=0.1%，則最差情況下的直流CMRRDIFF為54dB。 K是R1/R2與R3/R4的淨匹配容差  K可以高達4TR(最壞情況下)   公式1 放大器放大輸入端的差模電壓，放大器的增益為： VOUT=G*VDM     =(R1/R2)*(VIN+-VIN-)+VREF 問題是差模電壓(VIN-和VIN+)包含疊加雜訊，並且任何未受抑制的共模電壓(由於CMRR較差)都將被放大，進而導致輸出被雜訊破壞。 這種簡單的方法還有其他缺點。通常，運算放大器的輸入阻抗很高(MΩ~GΩ範圍)，但是由於存在回饋路徑和參考電壓，阻抗會減小且不平衡，進而增加感測器負載並增加不準確性。雖然此電路會放大小型訊號感測器的訊號，但在雜訊環境下的增益精確度較差，因此不適用於儀表放大器。 三運算放大器存在共模電壓限制 這是單個積體電路(IC)中一種常見INA封裝(圖3)。該電路分為兩級。輸入級有兩個反相緩衝放大器，輸出級是一個傳統的差分放大器。整個設計中使用的內部電阻需要匹配到一個非常精密的容差，只有微調電阻半導體設計能夠實現。這可以產生更高的CMRR。輸入級放大器還提供高阻抗，可最大限度減少感測器的負載。設計人員可以使用增益設置電阻RG在元件工作區內選擇任何增益(通常從1V/V~1000V/V)。輸出級是一個傳統的差分放大器。通過內部電阻比率R2/R1設置內部差分放大器的增益，大多數儀表放大器的典型值為G=1V/V(由第一級放大器提供總增益)。從輸入到輸出的平衡訊號路徑會產生出色的CMRR。該設計易於實施，占用空間小，元件數量少，這有助於降低系統成本。該設計還與使用VREF接腳的單源供電相容。但是，即使採用這種設計，也需要考慮一些限制。三運算放大INA通過匹配差分放大器的片上電阻實現直流下的高CMRR，但回饋架構可能會顯著降低交流CMRR。此外，寄生電容無法完全匹配會導致不匹配，並降低不同頻率下的CMRR。共模電壓輸入範圍受到限制，因此內部節點不會飽和。VREF接腳需要使用緩衝放大器以實現最佳效能。最後，外部和內部增益電阻的溫度係數不匹配也會導致CMRR下降。 圖3　三運算放大器IC方法 在數學上，增益精確度取決於電阻匹配程度： 公式2 其中：   公式3 ICF具成本低/外部不須匹配內建電阻優勢 間接電流回饋(ICF)INA採用新穎的電壓電流轉換方法(圖4)。它由兩個匹配的跨導放大器GM1和GM2以及一個高增益跨阻放大器(A3)組成。該設計不依賴於平衡的電阻，因此不須內部微調電阻，因此降低了製造成本。另一個優點是外部電阻不需要匹配任何內建電阻。只需要盡可能匹配RF和RG外部電阻的溫度係數，減小增益漂移。 圖4　間接電流回授方法 由於放大器GM1會抑制共模訊號，因此直流CMRR很高。交流CMRR也不會隨著頻率的增加而顯著下降。需要指出，為了防止內部節點飽和，三運算放大器方法的輸入範圍受限。使用ICF時，輸出電壓擺幅不會與輸入共模電壓耦合，這樣便可達到三運算放大器架構無法實現的擴展工作範圍。第二級(GM2和A3)以差分方式放大訊號，進一步抑制VFG和VREF上的共模雜訊。仍然可以使用單電源操作對VREF施加偏壓。 ICF INA的增益為： 公式4 其中VDM是差模電壓   公式5 圖5顯示了INA的一些典型應用。可通過INA精確放大所示的各種感測器訊號，並送入轉換器和微控制器。 圖5　使用INA與感測器的典型電路示例 多年來，在雜訊環境下放大微小訊號的需求不斷增加。分立式運算放大器是最簡單的實現方法，但不適合用作INA。整合三運算放大器方法具有顯著優勢，包括高直流CMRR、平衡的高輸入阻抗以及一個增益電阻。但是，由於存在共模電壓限制，因此難以匹配內部和外部電阻溫度係數，進而導致增益漂移。除非使用緩衝器，否則VREF接腳處的阻抗也會對CMRR產生不利影響。ICF方法也具有高CMRR(即使在較高的頻率下)、較寬的共模電壓範圍且沒有片上微調電阻，這有助於降低成本並減小溫度係數增益漂移。設計人員可以使用INA放大微伏電平的感測器訊號，同時高度的抑制在雜訊環境中發現的共模訊號。 (本文作者為Microchip混合及線性訊號業務部資深產品行銷經理)

本文將探討在系統中加入高精準隔離機制。對於包括監視遠離系統的水體pH值、監視持續變化的基準值、或是在發生誤差時保護系統不受高電壓影響等應用情境而言，這種機制至關重要。 pH值衡量液體的酸度與鹹度，其數值是無單位的讀數，定義為氫離子活性對數的負值，公式如下： pH = –log10 a(H+) 純水的pH值為7，pH值低於7定義為酸性水，高於7則為鹹性水。一般常用的指示劑會根據pH值變成相對應的顏色以用來量測pH值，但這類量測法僅能提供概略的數值。圖1顯示的電路，作用是裝在組合式玻璃電極中執行檢測。其精準度為0.5%的pH值，範圍從0~14，並對溫度進行補償。該電路支援種類眾多的pH感測器，支援高阻抗值，範圍從1 MΩ~數GΩ。 圖1　pH感測器電路連至組合電極   pH值探棒包含一個量測電極以及一個參考電極，整個迴路的作用相當於一個電池。當探棒浸入到受測溶液時，量測電極會根據氫離子活性高低產生相對應的電壓。典型的輸出值是攝氏25度下每個pH值單位為59.14 mV。由於具溫度相依性，這個值可能隨著溫度升高到70 mV/pH。之後這個電壓值再和參考電極比較。若受測溶液為酸性(低pH值)則探棒的輸出值會大於零; 鹹性溶液則會低於零。輸出值再根據以下公式進行計算： 這裡的E是探棒的輸出電壓，E0是標準電極的電動勢(一般為0伏特)，實際數據依探棒而異。 R是通用氣體常數。R = 8.31447 J mol−1 K−1。 T為溫度，單位為克耳文(Kelvin)。 n是轉移電子的數量(或當量數)。 F為法拉第常數。F = 96485.34 C mol−1。 pH是已知溶液的氫離子濃度。pHREF = 7，參考電極的參考值。 隔離式ADC構造簡單/精度高 電路的三個主要元件包括偵測的緩衝區、類比數位轉換器(ADC)、以及電壓輸送的隔離器。這裡選用的是緩衝運算放大器，因為它具備低功耗、低雜訊、以及極低的輸入偏壓電流。低輸入偏壓電流通常為200 fA，確保經過內部電阻的電流導致的電壓降會減至最低程度。另一個重要元件為ADC，這裡所選用的是AD7793，這個24位元∑-Δ 轉換器內含整合式電源以及可編程放大器。整合式電流電源產生的電流會經過Pt1000，在這個設計中，會在處理器中進行必要的量測溫度補償步驟。相同的電流還會經過5 kΩ電阻(0.1%容許公差)，進而產生1.05伏的參考電壓。電阻的第二功能是拉高共模電壓。經過上述元件以及參考電壓之後，系統就會完全利用ADC的輸入範圍：探棒輸出±414 mV~最高±490 mV。隔離器選用的是ADuM5411，這個隔離式直流對直流轉換器還能同時為ADC的SPI介面提供隔離功能。 為了達到高精準度，選用的運算放大器其輸入偏壓電流為200...

隨著物聯網(IoT)的興起，目前市場呈現一項成長趨勢，即蒐集和匯聚來自各種智慧家庭、工業、綠色能源、運輸和智慧城市應用的感測器資料。產業界普遍認為發送到雲端或本地控制系統的數據越多越好。 這些感測器數據大部分都採用物理性感測的方式，用於人員偵測、物體偵測、溫度、濕度、光線、聲音和振動等。隨著時間的推移，開發人員意識到部署大型感測器網路的困難度，許多雲端公司對此做出結論：如果無法對資料進行決策，那麼存取龐大數據並不一定會增加價值。 目前在講求成本的環境中，每個部署的感測裝置或網路都必須在開發和部署的複雜性與IoT服務供應商、雲端公司和終端用戶的價值之間取得平衡。在已部署的感測器網路中，現在看到的趨勢是：簡化網路並僅測量那些可以節省成本和/或更佳的終端使用者經驗的內容。 零售商店/商業辦公大樓　IoT感測器數量典範 讓我們看看兩種應用範例，它們展示了部署物聯網應用所需最佳感測器數量的新趨勢：零售商店和商業辦公大樓。 商店中最有價值的不動產是其商品貨架，關鍵的指標是顧客轉換率。多數的大型零售商受益於感測器網路，該網路可以測量占用率、客戶和物品位置、庫存量等。理想情況下，系統將使用感測器數據增加顧客購買的可能性。感測器可以使用新的藍牙追蹤技術，例如到達角(AoA)和離開角(AoD)以及接收訊號強度指示(RSSI)或距離相移。這種AoX(圖1中的AoD定位系統)和測距技術使得網路能夠對客戶的智慧手機或嵌入在購物籃/購物車中的設備的位置進行三角測量，偵測客戶的位置以及消費者在商店中的哪裡停留了更長時間。這些數據與臉部辨識技術或智慧手機識別互相結合，可替每位消費者分配購買組合，預測他們最有可能購買的商品，並提供店內促銷或產品搭售，或在光臨店面後提供目的性的行銷活動。 圖1　藍牙5.1支援的到達角和離開角(AoX)技術增強了室內定位系統的發展。 優化的感測器網路還可以為商店經理提供有關各種產品類型的購買決策建議。例如，感測器網路可能揭露某些顧客花費大量時間比較牙膏品牌，同時快速選定洗髮乳，選擇他們所知道的品牌。這些資訊協助商家更智慧的在貨架上擺放顧客更有可能購買的商品，進而提升商店的效率和獲利。 將辦公樓轉變為裝設有感測器的智慧建築可減少維護和營運成本，增加居住者的安全、舒適度和便利性。環境控制是設施管理的主要成本因素。一個標準10萬平方呎的建築物，每個月可能花費超過5萬美元來充分降溫或加熱。透過增加30萬美元的智慧感測器網路減少15%成本，將會是聰明的投資，在幾年後便能收回成本。另一個附加價值是為防止損壞而優化的感測器網路。能夠偵測如漏水、淹水、煙霧和火災等威脅，然後迅速做出反應，可以節省大量維修成本，同時保護居住者，甚至挽救生命。透過感測器網路減少威脅也可能降低保險費。 雖然這兩種感測器網路應用範例會直接增加部署者的營收或淨利，但在裝設感測器網路時需要考慮兩個關鍵挑戰：部署感測器的傳輸媒介以及處理感測器數據的方式。 感測器傳輸媒介須考量應用場景 每個感測器網路的配置都不同，具體取決於其應用需求和物理環境。例如，有些網路可以部署在具有統一覆蓋範圍的零售環境中，而其他網路要在具備不同大小房間的公司辦公室中實施部署。有些網路需要24小時全天候不間斷的使用，而其他網路只在某一天部分時間運行。受到電機產生的電磁雜訊干擾的工廠，對感測器網路而言可說是極具挑戰性的環境，讓某些類型的感測或通訊技術無法作用，每種情景都需要最佳的感測解決方案。 來看看商業建築的例子。共同的目標是降低照明和HVAC系統的耗能和成本。有兩種選項：在幾乎無人使用的區域中最小化照明和HVAC使用，或實施節能的照明和環境控制。無論選擇哪種，都需要部署必要的感測器類型，例如偵測是否有人、照明度和溫度感測器等。附加的濕度或壓力感測器可以透過優化照明和空調，確保居住者更加舒適。 要部署最佳的感測器網路，開發人員必須事先做出一些決定：「感測節點將採用電池供電還是電線供電？」由於不受電線的限制，電池供電的無線感測器節點更易於安裝。但每隔幾年更換一次電池對ROI回報率造成負面影響。採用電線(壁上電源或乙太網路供電)也可能產生昂貴的前期成本，而且在地法令相容性因地區而異。部署像PoE這樣的低電壓系統比向每個感測器節點輸送110V或220V更具成本效益。另個經濟實惠的選擇是安裝低電壓LED照明和感測器網路，以便更輕鬆地節省能耗。 開發人員也必須決定：「感測節點採用有線還是無線通訊？」解決方案在採用「有線供電和有線數據通訊」還是「電池供電和無線數據」之間進行權衡。無線更具有成本效益，因為不需要在整個建築物中部署數據線，但在部署無線網路時，必須考慮其他前期施工成本和複雜性。對於新建築，部署CAT5線纜相當容易，它可以將數據和電源傳輸到每個節點。使用CAT5線纜，傳輸速率通常低於標準的1 Gbps，這表示CAT5線纜可以傳輸達100公尺以上。然而，對於一些大樓翻新，進入難以到達的地方部署線纜(例如天花板吊頂)幾乎是不可能的。在這種情況下，無線連接可能是最佳選擇。 在裝設無線網路時，開發人員必須考慮使用何種傳輸媒介和協定。由於廣泛部署的基礎設施和熟知的IP數據封包，Wi-Fi因其易用性而具吸引力，但Wi-Fi只支援有限數量的終端節點和存取節點，與其他短距離無線傳輸技術選項相比有大量功耗。 雖然Zigbee解決了耗電問題，但對於缺乏網狀專業知識的開發人員來說，開發Zigbee網路可能極具挑戰性。部署人員需要評估每個協定選項的優缺點，如圖2所示，才能確定最佳路徑。沒有完美的解決方案，最好的無線選擇，是採用可接受的權衡來實現最佳應用目標。 圖2　開發人員可為大樓自動化中使用的無線感測應用提供多種短距離協定選擇。 「感測器數據的決策將在何處進行？」也是開發人員要思考的問題。根據商業大樓或家庭的需求，打開或關閉HVAC系統的決策，可以透過HVAC控制器在建築物本地進行。或者，可以將感測器數據發送到雲端進行處理，進而實現HVAC系統的遠端控制。 這種對在地或遠端資料處理和控制的選擇取決於許多因素，包括實現決策所需的運算複雜性、必須處理的數據量、以及是否需要後期資料處理或遠端監控。對於具備有限數據要求的智慧家庭，本地處理和控制可能是切實可行的。然而，對於管理建築物中許多房間的HVAC系統，可能需要閘道將資料傳輸到雲端。 處理感測器數據挑戰大 處理數百個感測器節點產生的數據，對於許多試圖部署大規模感測器網路的開發人員來說是一個障礙。在實驗室中設置幾個節點，並使它們與主機或雲端通訊相對簡單，但隨著節點數量的增加，網路設計的困難度呈指數增加。 蒐集本地或雲端數據的應用，必須識別所有數據並加上時間戳記，以構建區塊的準確模型。對於智慧辦公室，主機系統將從數百個感測器接收資料。這可能是一個不切實際、昂貴且相當困難的問題。雖然每個終端節點上的感測器可能只花費0.50美元，但對網狀網路和雲端運算的開銷需求，可能遠遠超過感測器的成本。經驗豐富的感測器網路部署者，現在只增加每個終端節點必要的內容。這種合理精簡的優化方法能夠減少數據開銷，降低終端節點的功耗，進而節省電池更換成本。 網路拓撲是一個多變數問題。解決方案的趨勢是使用結合網狀網路、匯流排或樹狀拓撲的混合拓撲。例如，在智慧辦公室中，部署許多較小的感測器網狀網路是有意義的，這些網路可以相互跳躍將訊息發向閘道器或存取點(圖3)。這種存取點可以是另一個網狀網路的一部分，它與主機只差一步距離或者含括主機和其他閘道器。透過在閘道器和主機之間分擔工作，使用這些「中間」節點簡化了這一難題。 圖3　智慧辦公室可以部署較小的感測器網狀網路，這些網路相互跳躍將訊息發向閘道器或存取點。 使用混合式拓撲，雲端可以接收組織過的數據，減輕雲端應用的負擔並實現更具擴展性的網路。雲端應用很可能是針對特定任務而設計，必須被創建或授權才能為建築物提供監控功能。 目前的趨勢是透過軟體即服務(SaaS)來實現此應用。例如，希望降低HVAC成本的保險公司，通常不具備自行開發這種應用的核心能力。此應用提供回饋以及配置，設施管理人員可以根據自身喜好，自訂控制他們的建築環境。 感測器網路部署將是一項挑戰。沒有一個感測器網路布局或測量組合適合每種IoT應用。一個網路可能專注於追蹤資產或人員，而另一個網路則優先偵測環境變化，以降低成本或避免災難。無論選擇哪種感測器網路方式，都必須帶來價值，此價值必須抵銷部署傳輸媒介以及處理數據並最終做出決策的系統的成本和複雜性。 從電池供電的終端節點到大規模的雲端應用，感測器網路部署必須仔細規劃。在部署或設計感測器網路時，需要考量所有面向，即使是最輕微的疏忽也可能導致難以克服的權衡利弊。考量如何為每個感測器節點供電，如何傳輸數據和到達主機應用的路徑，以及如何隨著時間的推移對網路進行服務或擴展。感測器網路正在開始實現最佳的性價比，更多企業將部署它們以降低成本、導向智慧化並從競爭中脫穎而出。 (本文作者為Silicon Labs MCU和感測器產品經理)

服務導向閘道改善駕駛體驗 如今，車輛通常會部署一個閘道，它是一個中心樞紐，可跨異構車輛網路安全地互連和處理資料，往返於功能領域，如動力總成、資訊娛樂、遠端資訊處理和先進駕駛輔助系統。這些領域由數十台專門製造的硬體電子控制單元或ECU組成(高階車輛裡約有150+個ECU)。 這種以硬體為中心的模型正在過渡到基於軟體、以服務為中心的模型，在這種模式中，連接的車輛從雲中接收無線(Over-the-Air, OTA)更新，以使車輛適應車主偏好、應用安全和安全更新、位址保修維修，提高車輛性能，並提供新的服務。服務導向的閘道擴展了傳統閘道功能，處理和網路性能呈指數級成長，以提供新服務、整合ECU功能和及處理車輛資料的爆炸式成長。 汽車行業感興趣的服務範圍廣泛，可透過面向車輛的閘道實現。由於閘道是車輛資料訪問的核心，因此它是接收原始資料的理想選擇，並透過邊緣分析，可為基於使用的保險(Usage-Based Insurance, UBI)、車隊管理和車輛健康監測等服務提供有價值的見解。 閘道管理空中更新自己的服務和ECU功能，以適應和改進車輛。隨著時間的推移，司機偏好可用於提供感興趣的新功能，因此車輛始終在改進，並為消費者提供更好的體驗，同時為汽車製造商和協力廠商服務提供者提供新的收入來源。移動服務，如共享機車和共享汽車租賃與無縫個人化的車輛也是目標。 服務為導向時代來臨　產品須有差異化特性 汽車行業正在提出新的移動服務，在這些服務中，保持無縫、個人化的車輛體驗和使用非常重要。付費訂閱的高級功能將隨人移動，無論車輛，關鍵是要擁有基礎架構，並提供面向服務的閘道和連接的雲服務。 隨著感應器數量的迅速成長和駕駛協助工具的快速成長，未來幾年，車輛每天可產生幾TB的資料。這些車輛生成的資料結合了駕駛行為、環境、位置和其他上下文資訊，提供了原始資料的金礦，可以在處理和分析時提供可操作的見解。面向服務的閘道是將原始資料轉換為資訊的核心，使用車載邊緣運算，汽車製造商和生態系統合作夥伴可以使用這些運算來釋放車輛大數據的價值。 如今的消費者，尤其是千禧一代，習慣了一個以服務為導向的世界，其產品隨著時間的推移而適應，並願意為其付費，因此這對汽車製造商擴展到汽車是有吸引力的。它還使他們能夠與客戶保持密切的售後關係，提供不斷改進的產品，並實現差異化，提高品牌忠誠度，同時帶來新的收入來源。 增添硬體加速以提供更有價值服務 閘道處理器必須不斷的發展，以支援啟用新服務所需的這些功能和軟體體系結構。當前的汽車閘道微控制器(MCU)不能滿足服務導向的閘道需求，這些閘道要求在性能和網路功能方面提高數量級。需要微處理器(MPU)來處理應用程式，並支援高級作業系統和虛擬化服務導向的體系結構(SoA)。支援越來越多的網路介面(如CAN FD)和多個Gb乙太網介面的出現大大增加了資料頻寬，需要卸載處理器的硬體加速，以便專注於提供有價值的服務，而不是管理資料。同時還增加了安全要求，以支援公開金鑰基礎結構與加速非對稱加密(RSA/ECC)，以處理增加的資料頻寬。 可以使用服務導向的體系結構框架提供輕鬆取得車輛資訊的能力以及與整合到車輛中的新協力廠商服務的合作能力。AUTOSAR自我調整平台(AUTOSAR Adaptive Platform, AP)正在成為提供高性能計算和通訊機制的關鍵，並提供靈活的軟體配置以支援複雜的應用程式，同時允許最大的靈活性和可擴充性，進程分配和計算資源配置為支援動態服務提供了基礎。 車輛網路晶片實現更高運算/網路性能 服務導向的閘道需要較高的計算和網路性能，為此，半導體業者已宣布車輛網路處理晶片組解決方案提供這種級別的性能，以使汽車製造商能夠釋放聯網車輛資料的價值，並提供有價值的新服務。例如，MPC-LS晶片組解決方案結合了恩智浦(NXP)MPC5748G閘道微控制器和自動認證的商業網路lS1043A通訊處理器，以提供服務導向的閘道所需的高水準性能和網路。生產就緒晶片組獨特地將即時和應用程式處理與乙太網封裝加速和嵌入式硬體安全結合在一起。 總而言之，服務導向的閘道打開了大量新的商機，而半導體業者已準備好應對技術挑戰，並使汽車行業能夠開始實現服務導向閘道所帶來的機會。 (本文作者為恩智浦汽車電子產品管理總監)

近期，這類對汽車的駭客攻擊經常登上頭條新聞。這並不特別令人吃驚，因為越來越多的車輛都已經配備了自己的介面，與外部進行資料交換。 車輛已經成為了行動的生活空間；汽車正在發展成為一種行動設備。尤其對於年輕一代的使用者來說，他們對舒適功能的需求正不斷成長，以便隨時保持聯網，或者透過應用來共用油耗或功率輸出之類的車輛資料，然後對這類資料進行評估。 因此，聯網汽車已經成為了現實。這一課題不僅涉及到客戶與製造商，安全研究員和IT專家也參與其中。並且，在最壞的情況下，還會招來駭客。多年以來，安全專家們都已經注意到了這樣一個事實，那就是個人電腦已經不再是數位攻擊的唯一目標了。現在很大一部分的惡意軟體都經過設定，可以攻擊行動設備。如果認為這種發展趨勢不會蔓延到聯網汽車，那就未免太天真了。 到目前為止，入侵車輛及其系統的駭客攻擊是極少數的例外情況。但是，聯網汽車的安全性至關重要，目前這對於OEM來說已經是顯而易見的了。當汽車成為一種車主用來通訊的個人行動設備並且還可能透過應用來實現個性化時，這種組合就會產生極大的可能性，使得攻擊者有機可乘，有機會將其操縱(圖1)。 圖1　汽車通訊功能使其成為駭客攻擊的可能目標。 空中軟體更新保證安全性 但是，汽車產業如何能夠保護自身以及客戶免受數位攻擊呢？汽車產業一部分從業者一直傾向於取消全部空中介面，但是這並不符合客戶的利益。資料交換連接的需求也明顯地表現在創新的V2V或V2I服務當中，這些服務將會進一步的發展，其中還涉及與自動駕駛的關聯。因此，從今以後，並沒有辦法完全地避免在車輛中使用藍牙、無線區域網路或者蜂巢通訊。 另一方面，召回或者在汽車修理廠採取補救工作的傳統方法也將無法即時保護車輛免受數位攻擊。此外，召回不僅會產生高昂的費用，並且損害汽車製造商的聲譽。 以這種方式來贏得與汽車駭客的競賽是不可能的。畢竟，透過這種方式來為全部被波及的車輛打補丁須要花費數月的時間。與此同時，駭客還會繼續作惡。此外，要這樣長的時間才能解決危險問題是令人無法接受的，因為受操縱的車輛會對駕駛員及其所處的環境產生巨大的風險。同時，在很多情況下，這樣一段時間內還可以更進一步的發現車輛的其他弱點。因此，這些補丁在安裝時就已經過時了。 那麼讓我們來瞭解一下行動設備的世界，進而找出替代維修召回的方法：應用和智慧手機作業系統的供應商不斷地為終端設備提供產品的最新版本。有時候，幾個小補丁即可彌補弱點，而在其他情況下包含新功能在內的新版本則會發布到市場上。 這類軟體和韌體上的更新以「空中(OTA)」的形式完成，也就是說，透過空中介面的方式。只要這些更新傳輸到了設備，它們就會馬上提取出來，自動安裝。 FOTA快速為多台設備更新 快速為多台設備採用最新的更新，是不易解決的挑戰，空中韌體升級(FOTA)可以作為一個答案。更新程式有潛力透過相應的補丁來快速、持續的為弱點提供補救，與此同時整合起新的功能並採用現代化的加密演算法，從而確保各個組件的安全，比如說控制單元。 為了確保大量的控制單元可以透過FOTA方式進行更新，我們可以採用閘道的方法。在後端以及要更新的控制單元之間，配有行動無線介面的一台控制單元可以承擔中間人的角色。可以藉由空中介面接收所有的套裝軟體，然後再透過CAN匯流排系統或者乙太網之類的效能更高的通訊通道，將其分發給各台目標設備。此外，閘道ECU還具有控制和協調整個更新過程的主功能。比如說，如果出錯，那麼就必須啟動回滾機制(圖2)。 圖2　以閘道的方法確保大量控制單元可以用FOTA方式進行更新。 除了可以利用FOTA來彌補安全上的問題以外，在設備側當然還需要許多其他的技術措施，例如對全部ECU介面採用密碼保護，這在透過行動通訊、藍牙和無線區域網路進行無線連接時尤其重要。 另外，組織和開發流程也須要迎合新的形勢。例如，端對端的風險分析並不是一項通則，但是到了現在，這應是製造商向其供應商提出的強制性要求。在這一工作中，對該鏈條上的任何組成部分可能發起的駭客攻擊的場景都會接受詳細檢查，其中就包含了對安全性的影響以及最終對於功能安全的影響。在這些結果的基礎上，可以採取充分的防護措施。OEM、後端解決方案的供應商以及控制單元的製造商必須從開發階段的早期就展開合作，才能保證在這種方法上取得成功。 該方法要求不再對控制單元採用黑箱的開發方法，而是透過一種整體研究的方式來確保安全性。此外，即使在開始生產後，也不得終止提供安全措施。在任何產品的整個壽命期間，都必須持續的執行由FOTA提供的安全分析、面向安全的測試以及安全性漏洞的補救措施。 比如說，與安全的開發和生產過程有關的組織措施可以包含對秘鑰和證書之類機密資料存取方式的控制，以及與安全相關的元件有關的開發規範。此類資料和文件必須以加密的形式儲存在受保護的伺服器中，存取權限則以認證的方式僅限於極少數的幾個人。 此外還必須特別重視安全測試。滲透測試尤其能夠有效地找出安全性漏洞。透過採用駭客的手段和方法，測試人員可以故意嘗試侵入到系統當中。結果則可以表明目前的安全級別，並且將告知開發人員相關的應對措施，並將關鍵的弱點除去。 只要看一看FOTA的過程鏈以及涉及的功能單元，就可以瞭解到其中的複雜性以及對技術的極高要求。在這方面，安全性的優先順序最高。我們必須得到這樣一個保證，那就是FOTA過程本身是可以安全實現的，而沒有遭受任何潛在的攻擊。如果FOTA被濫用，不當的將受操縱的軟體導入到一台設備當中，那麼在安全性以及甚至最終在功能安全上造成的後果可能會是無法估量的。 對於安全的FOTA機制來說，空中介面的加密保護是一個先決條件。通常的做法是以TLS的方式建立起安全連接。這裡所需的密鑰和證書必須以防止操縱的保密和安全的方式導入到設備當中，然後儲存在設備中一個受保護的儲存位置。對於實現安全儲存並且安全的執行加密程式來說，專用的硬體安全模組(HSM)是必不可少的。 採用安全安裝流程(安全快閃記憶體)以及在啟動設備軟體時採取安全的檢驗(可信引導)，可以避免錯誤安裝受操縱的軟體。在任意一種機制下，都可以透過數位簽章來驗證軟體的真實性。 UART、USB或者JTAG之類的開發介面也必須在串列產品上停用，或者透過加密程式來進行保護，以避免對設備的侵入。否則，攻擊者可能會嘗試透過這種管道去讀取或者操縱軟體或機密資料。除了安全執行FOTA過程以外，還應該尋求快速有效的進行作業。一方面，行動通訊的資料量以及成本也應降至最低程度。另一方面，應當盡量不要對車主構成妨礙。 透過增量更新可以實現高效的處理。在這過程中，只會以二進位或者檔案的方式來傳輸和安裝對已安裝軟體的變更。採用的增量演算法以及劃分到靜態和可變更資料區的軟體分區，都會對資料包的大小產生顯著的影響。 FOTA過程必須極其穩健並具有極高的容錯性，從而防止安裝的軟體不相容、崩潰或者不一致，否則會造成功能受損。由於這個原因，透過完整性檢查以及對通訊通道的監管來辨識出錯誤具有極高的重要性。出錯時，須要做出適宜的回應，例如，可以透過回滾作業的方式來回復到無差錯的狀態(圖3)。 圖3　為保證FOTA過程穩健，必須嚴格地檢查並對通訊管道監管以辨識錯誤，並做出適當回應。 TCU具充足儲存空間/處理能力 從技術的角度來說，任何配有行動無線電通訊的控制單元都可以發揮FOTA閘道的作用。 然而，遠端資訊控制單元(TCU)比其他單元更能勝任這一任務。比如說，車頭裝置(Head Unit)也可以作為許多車輛的一個整體組成部分，此外，它還具有充足的儲存空間和處理能力。但是，大多數的車頭裝置都含有大量的無線介面。 畢竟，這一單元須要透過藍牙、WiFi或者NFC來接受外來的接入，此外還存在著許許多多的要求。這種對於外部世界基本的開放性妨礙了針對操縱的有效防護能力。 此外，該單元是直接安裝在儀表板上的，這就排除了將車頭裝置定義為FOTA中央閘道的可能性。畢竟駭客們可能也會在這裡採用便利的物理入侵方式。然而，TCU的物理位置位於車輛內部更深處，難以從車廂內觸及。總而言之，它的連接數量更少，此外，在需要時還可以停用。 並且，到現在為止，許多其他對於安全性至關重要的功能都已經在TCU中提供，例如防盜控制系統的遠端啟動功能。正是由於存在這些關鍵的安全功能，為TCU建立的各類安全措施，例如後端的編碼和驗證等等，都是必然具備的。TCU畢竟已經成為了安全拓撲上的一種確立已久的成熟組成部分，被製造商廣泛採用。 當須要確保車輛的安全時，我們要採取整體性的解決方案，因此這已經成為了一項優勢。後端、空中介面、閘道、車輛匯流排以及各個控制單元都是這一鏈條上的各個環節。如果鏈條上最薄弱的部分能夠受到攻擊，那麼所有其他單元的安全也會存在漏洞。 對於TCU在FOTA架構中處於中心位置的專案，從安全的角度來說，這類專案不僅僅因為這一組件已經高度成熟而受惠，即使是在製造方面，供應商和OEM在安全流程的設計上也具有相對豐富的經驗，成為了另一項優勢。 建立FOTA有效降低成本/提升安全 透過TCU來建立起FOTA可以為OEM提供巨大的潛力，這樣的做法不僅僅是因為安全上的考慮。同時，車輛召回工作代價高昂，由於時間、成本和人工的原因，所以並不受到客戶的歡迎，因此在車輛中出現弱點時，不一定會採用這種解決方法，至少在處理軟體相關的問題時，不一定會進行車輛召回的維修動作。 許多問題實際上毋須在客戶端採取任何作業即可良好得到解決。只要補丁可以透過無線的方式送達車輛，對於車輛中許許多多類型的弱點的補救措施，就不會再須要工作人員進行物理上的接觸來解決。 而且，在建立新的業務模式與客戶關係時，FOTA也可以發揮極具建設性的作用。美國汽車製造商特斯拉(Tesla)的例子就證實了這一點。在這家公司向客戶提供的一次收費約2,000美元的更新中，包含了自動駕駛功能。這樣一來，許多的特斯拉汽車都已在繼續演變成為(部分)自動駕駛汽車。 對於OEM來說，這種安排開闢了一個嶄新的視角。當今的認知裡，有一個極普遍的情況就是，只要一離開最初的銷售地點，一輛新車的價值馬上就會下跌一半以上。 並且，隨著時間的推移，價值還在不斷地遞減。到了未來，由於隨著時間的推移會不斷推出新的功能，車輛可能並不一定會喪失價值，而且實際上價值還可能會得到保留甚至增加。 那麼，到現在為止，FOTA已經遠不再是一種煩人的承諾。這種更新的重要性不僅在於可以為互聯汽車提供確保安全性的基本先決條件。 而且，在這一基礎上，OEM可以不斷地在車輛上創造出附加值，確保客戶的忠誠度，並且在銷售完成後的很長時間內都會一直保持良好的客戶關係。 (本文作者為Molex互聯汽車技術研究進階工程師)