CEVA

CEVA宣布中國資訊通訊科技集團(CICT)有限公司旗下子公司辰芯科技有限公司已經獲得授權許可，可將CEVA-XC DSP部署到其以高性能4G/5G無線和C-V2X蜂巢式車聯網應用為目標的軟體定義無線電(SDR)處理器和平台系列中。 CICT是專注於電訊領域創新研發的高科技企業集團，而成立於2017年的辰芯科技有限公司則是大唐集團中的一員，是CICT旗下重要企業，負責積體電路(IC)和系統單晶片(SoC)的開發和創新，推動實現5G終端和蜂巢式v2x數據機及基礎設施等下一代的無線通訊應用。辰芯科技充分利用了功能強大的CEVA-XC DSP來建構其無線通訊處理器架構的基礎，通過以軟體來執行應用的靈活平台，實現眾多複雜的使用案例。 CEVA副總裁暨行動寬頻業務部門總經理Aviv Malinovitch表示，非常高興與中國無線通訊領域的先驅企業辰芯科技合作。CEVA-XC DSP可讓辰芯科技利用功能強大的可編程設計通訊平台來滿足電訊和汽車產業的廣泛應用需求，從而有助於促進5G和C-V2X等新興技術在中國的部署。 辰芯科技副總裁劉迪軍表示，辰芯專注於開發先進的無線矽平台，以推動最新無線通訊技術在中國的應用。CEVA-XC DSP是辰芯科技軟體定義無線電晶片技術平台的理想選擇，讓辰芯科技開發出可滿足各種使用案例的解決方案，涵蓋從蜂巢式V2X和無人機通訊到5G終端和衛星。

CEVA和諾領科技(Nurlink)宣佈，已使用諾領科技的NK6010 NB-IoT系統單晶片(SoC)在中國電信NB-IoT網路上成功完成首次無線(OTA)通話。在此一於中國南京進行的測試中，諾領科技的SoC通過NB-IoT網路連接到中國電信的IoT雲平台，此一成果代表諾領科技建基於CEVA-Dragonfly NB2的SoC即將邁入大批量生產的重要里程碑。 諾領科技執行長孔曉驊博士表示，在開始SoC設計不到15個月的時間內，即在世界上其中一個最先進的NB-IoT網路上完成首次無線通話，感到非常自豪。CEVA-Dragonfly NB2平台以及CEVA卓越的技術支援是讓我們可以如此迅速站上此一重要里程碑的堅實基礎。 CEVA副總裁兼無線物聯網業務部門總經理Ange Aznar表示，CEVA致力於通過提供全面的NB-IoT IP解決方案，確保NB-IoT成為物聯網設備遠端連接的首選標準，而我們的NB-IoT IP解決方案可為那些有意尋求將此項技術整合到SoC設計中的企業大幅降低進入門檻。諾領科技所達成的最新里程碑令人擊節讚賞，同時充分肯定了其工程團隊的卓越表現以及CEVA-Dragonfly NB2 IP快速推進NB-IoT SoC設計的強大功能。 NK6010是一款具有超低成本和理想功耗效益的NB-IoT SoC晶片，專為用於大規模物聯網設備(如智慧電錶、穿戴式設備、資產跟蹤器和工業感測器)中的窄頻連接而設計。這款圍繞著CEVA-Dragonfly NB2解決方案所建構的SoC晶片，整合了RF前端、RF收發器、蜂巢式基帶、電源管理單元和應用處理器，以期最大限度地降低晶片的尺寸和解決方案的成本。NK6010隨全球主要營運商支援全NB-IoT頻段，以確保可在世界各地的任何一個NB-IoT商業網路上實現平穩、快速的設備認證。該SoC晶片還包括一個極低功耗的多GNSS子系統，該子系統支援GPS/北斗/Galileo/GLONASS全球導航系統，以容許快速定位並支援高精度的設備跟蹤。目前NK6010正由全球各地的營運商進行測試之中，預計將於今年稍晚進入大批量生產。 CEVA-Dragonfly NB2 IP解決方案是一模組化技術，由CEVA-X1物聯網處理器、最佳化的RF收發器、基帶和協定堆疊組成，以提供可大幅縮短產品推出市場的時間並降低進入障礙的完整Release 14 Cat-NB2數據機IP解決方案。它是一款完全軟體可配置的解決方案，可以通過多衛星GNSS和感測器融合功能進行擴展。這款IP包括完整數據機的參考設計，包括嵌入式CMOS RF收發器和PA、高級數位前端、實體層韌體和協定堆疊(MAC、RLC、PDCP、RRC和NAS)。

CEVA宣佈推出CEVA-SLAM軟體開發套件，旨在簡化同步定位和映射(SLAM)產品的開發工作，目標包括行動設備、AR/VR耳機、機器人、自動駕駛汽車和其他具有相機功能的設備。CEVA-SLAM用於CEVA-XM系列智慧視覺DSP和NeuPro系列AI處理器，它整合了所需的硬體、軟體和介面，為希望將高效SLAM實施整合到低功耗嵌入式系統的企業顯著降低了入門門檻。 CEVA視覺業務部門副總裁兼總經理Ilan Yona評論道，SLAM是實現設備周圍環境的高精度3D映射的基礎技術。它是包括AR/VR耳機、無人機、機器人和其他自動機器等廣泛新興設備的關鍵元件。CEVA充分利用公司在視覺DSP和軟體演算法設計方面的獨特技術，使得客戶更容易進入發展蓬勃但複雜的3D機器視覺領域。 CEVA-SLAM SDK整合了所需的硬體、軟體和介面，加速了SLAM應用的開發，在任何嵌入式系統中高效實施SLAM功能。這款SDK包含了使得CPU可將重載SLAM模組卸載到CEVA-XM DSP的詳細介面。這些構建模組利用高效DSP同時支援定點和浮點數學運算，並延長了設備的電池壽命。SDK構建模組包括影像處理功能(包括特徵檢測、特徵描述符、特徵匹配)、線性代數(包括矩陣操作、線性方程求解)、用於約束調整的快速稀疏方程求解等。 在CEVA-XM6 DSP上以每秒60畫面播放速率運行完整的SLAM跟蹤模組，功耗僅為86mW，可見CEVA-SLAM SDK的低功耗性能。當與CEVA-XM DSP或NeuPro AI處理器一起部署時，客戶可以在統一並且易於設計程式的硬體平台上滿足各種需要SLAM功能的用例和應用需求，比如視覺定位，以及用於圖像和視覺的傳統神經網路工作負載。

人工智慧(AI)已逐漸走入大眾生活。AI應用正逐漸滲透到各種領域，例如農漁業、金融、工業還有各式消費性電子產品中。 AI結合物聯網(IoT)時代已然到來，然而AI應用種類各異，各有千秋，不同的應用領域要求的AI技術也不盡相同。為了搶攻龐大的AIoT商機，並實現各種AI創新應用，各大AI晶片供應商不僅持續提供可實現高效運算的解決方案，同時也朝更靈活、彈性的架構發展。 滿足多元應用　AI晶片朝靈活架構發展 AI快速成長，生活智慧化的變遷顯而易見，而要如何在變化多端AI市場中搶占商機。面對AI的迅速發展，未來已不能倚靠單一架構滿足所有應用需求；在傳統的硬體設計方式及設計週期漸漸趕不上AI演算法的推陳出新之時，靈活、彈性的平台架構便應運而生，以滿足AI應用需求。 AI應用推陳出新　賽靈思力轉靈活彈性平台 賽靈思(Xilinx)大中華區業務副總裁唐曉蕾表示，AI應用相當多樣化，且屬性多不相同。也因此，在資料、記憶體結構、效能和精度上等方面都會出現客製化需求。以精度為例，有些應用需要99%甚至是99.9999%的精度，但有些應用則需97%的精度便已足夠。然而，97%和99%的精度雖然只差2%，但在運算資源需求上卻有著相當大的差異，因為要提升精度，須花費相當大的人力、物力和時間。也因此，在AI應用朝多元發展的態勢之下，為使運算時間、資源更有效率，應用業者不再只朝「最好」、「最強」發展，而是朝「最適合」，客製化需求由此而來，也因此，需要更彈性、靈活的設計平台。 賽靈思全球人工智慧市場資深技術專家張帆也指出，AI商業應用迅速增加，資料量以指數型成長，現有的運算架構已不敷使用。另外，由於各式AI創新應用不斷展露，也因此AI相關的訓練與推論呈現百花齊放的狀況，可說平均兩個星期到一個月就有一個全新的演算法提出，因此，更需要新一代具高效能、且彈性靈活的架構來因應此一狀況，滿足AI演算法和應用。 為此，賽靈思便積極轉型，將自身定位成靈活、彈性的系統平台供應及服務業者，而不再只是單純的可編程技術/硬體供應商，例如之前所發布的Versal ACAP平台便是其中一個例子。 賽靈思工業、視覺、醫療與科學市場總監Chetan Khona(圖1)說明，Versal ACAP結合許多創新成果，讓軟體開發者、資料科學家及硬體開發者都能自行加以編程與最佳化，以跟上AI的快速演進；且能讓開發者創建專用領域架構(DSA)，在不使用新晶片的狀況下就能自行著手開發客製化演算法。 圖1　賽靈思工業、視覺、醫療與科學市場總監Chetan Khona說明，AI晶片開發商未來面臨的挑戰為適應AI創新速度。 Khona認為，網路邊緣的AI需要在效能、功耗及售價等因素之間取得理想的平衡點；而該公司的Edge AI解決方案能透過先進的量化以及剪枝(Pruning)技術克服此一挑戰。將網路量化為INT8與更低的單元，再搭靈活應變的架構，能讓系統層級效能提高約2倍，或發展出更具競爭力的技術；而剪枝技術則能將網路最佳化，在不犧牲精準度下達到更理想的效能、延遲、能源效率以及成本。 CEVA確保硬體/軟體編程彈性 CEVA客戶行銷及AI策略資深總監Yair Siegel(圖2)則表示，當今的AI應用市場相當分散，沒有一種設備可以滿足所有需求。不過，雖然說各種產品和應用對處理器性能要求都不盡相同，但相似之處皆在於希望能夠利用演算法上的簡單更新，來因應市場變化。所以AI解決方案要保持一定的靈活性，且還須要關注軟體的可編程性，才能使AI產品從研究、設計時期就能平穩地進入量產階段。 圖2　CEVA客戶行銷及AI策略資深總監Yair Siegel表示，2019年將開始看到更多帶有AI功能的攝影機出現。 因此，AI處理器的研究重點在於，演算法精確度與侷限於電池及成本因素的硬體最佳化。換言之，便是能否僅利用設備電池的小量電量，在有限的硬體區塊上執行最新技術。 Siegel指出，為此，CEVA備有用於邊緣深度學習的專用低功耗AI處理器「NeuPro」，可實現高效的硬體加速性能，同時仍保持可編程解決方案的靈活性，且憑藉軟體即可輕鬆升級，以滿足廣泛的終端市場需求，包括物聯網、智慧手機、監控、汽車、機器人、醫療和工業等。除此之外，CEVA還與演算法開發人員合作，讓後者專注於針對網路最佳化，利用設備本身來進行處理。期能讓設備製造商獲得性能更佳的硬體，且還可以快速、多次進行軟體更新。 Siegel透露，簡而言之，該公司的AI解決方案可實現相應的調整，採用全面性的解決方法，不僅能為不同的案例提供可擴展性，並能提供工具和函數庫的自動化以縮短開發時程，同時也兼顧靈活性和效率。 高效晶片仍占一席之地 上述提到，AI應用多元，驅使邊緣運算需求與日俱增，應用開發商與半導體業者皆積極將深度學習或機器學習導入前端設備，希望使前端裝置也有人工智慧的能力；而要滿足多樣化的AI產品，除了靈活多變的架構外，高效的運算也是不可或缺。 英特爾齊備邊緣運算方案 英特爾(Intel)業務暨行銷事業群商用業務總監Alex Cheng(圖3)表示，AI+AIoT是目前相當熱門的話題。在AI興起之後，前幾年產業多是發展「AI Training」；然而，當模型Training好之後，下一步便是導入實際應用，而IoT裝置即是個很好的應用目標，像是監控攝影機、視覺檢測裝置等，都已陸續引進AI。也因此，AI+IoT必將是日後的發展方向，同時也具備很大的潛在商機，成為兵家必爭之地，為此，英特爾也積極布局，備有各式解決方案。 圖3　英特爾業務暨行銷事業群商用業務總監Alex Cheng認為，AIoT已成為各大晶片商兵家必爭之地。 例如不久前所發布的全新視覺加速器設計產品(Intel Vision Accelerator Design Products)，強化邊緣裝置AI推論與分析能力。此一解決方案包含Intel Movidius視覺處理器與Intel Arria 10 FPGA，皆以OpenVINO軟體工具套件為基礎，提供開發者在多種Intel產品中使用進階的神經網路效能，在物聯網裝置中運行更具成本效益的即時影像分析和智慧化功能。 英特爾指出，用此一視覺解決方案的企業，不論是在資料中心、現場部署伺服器或於邊緣裝置內採用深度學習人工智慧應用，深度學習推論加速器皆可擴充至其需求程度。 除此之外，為更進一步擴展AI終端市場，英特爾近期也再度推出用於智慧邊緣的高密度系統單晶片處理器「Intel Xeon D-1600」。此一處理器是高度整合的系統單晶片(SoC)處理器，專為功耗和空間有限的密集環境而設計，其結合內建的Intel QuickAssist技術和Intel虛擬化技術，可為虛擬化網路功能(VNF)，控制平面和中階儲存解決方案提供更上一層樓的工作負載優化效能和硬體增強安全優勢。Intel Xeon D-1600處理器最多可支援8個核心。 添加DSP指令集　RISC-V處理器效能大增 搶攻AIoT市場，晶心科技則是推出其32位元A25MP和64位元AX25MP...

CEVA宣佈服務於音訊處理、無線和物聯網應用市場的無晶圓廠半導體公司中國上海山景集成電路有限公司已經獲得授權許可，在其以家庭音訊、汽車和智慧揚聲器等無線音訊應用為目標的最新BP1048音訊處理器SoC中部署使用CEVA的RivieraWaves藍牙雙模式IP。 BP1048是一款高度整合的音訊應用處理器，具有藍牙5雙模式、DSP和多個混合訊號音訊模組，還帶有音訊處理演算法以支援全面廣泛的音訊應用，比如藍牙音訊設備、智慧喇叭、卡拉OK麥克風、娛樂設備、音效處理設備和汽車音響等。 上海山景總經理劉縱表示，高品質的藍牙連接是無線音訊應用的必備功能，CEVA的RW藍牙雙模式IP提供出色的性能，並且備有專家技術支援。上海山景的BP1048 SoC結合了公司的音訊專業技術與CEVA領先的藍牙IP，為客戶提供了極具吸引力的無線音訊體驗。 CEVA無線物聯網業務部門副總裁兼總經理Ange Aznar表示，CEVA很高興宣佈上海山景成為CEVA藍牙IP的獲授權廠商，其BP1048是一款極具競爭力的無線音訊處理器產品，它反映了上海山景在這個市場中擁有公認的優勢。

CEVA宣佈民用無人機和航空成像(Aerial Imaging)領域的世界領導廠商大疆在其最新一代Mavic 2空拍無人機產品中部署CEVA DSP核心和平台，實現了設備上的人工智慧、先進的電腦視覺和長距離通訊功能。 CEVA執行長Gideon Wertheizer表示，大疆的無人機產品利用人工智慧(AI)、電腦視覺和其他顛覆性技術提供真正前所未有的體驗，將會改變許多產業的樣貌。Mavic 2系列無人機充分體現了這方面的創新；對於CEVA用於電腦視覺、AI和長距離通訊的先進DSP和平台能夠幫助大疆引領市場。 Mavic 2是專為專業人士、空拍攝影師和內容創作者所設計的產品，也是大疆有史以來最先進的空拍無人機系列。這款無人機融合了世界上最受歡迎的Mavic Pro最具代表性的折疊設計，是具有全新平衡環穩定(Gimbal-Stabilized)相機和Hyperlapse及ActiveTrack等先進智慧功能的強大平台，能夠更輕鬆地拍攝出更引人入勝的作品。出色的Mavic 2擁有長達31分鐘飛行時間以及更穩定的視訊傳輸系統，可為拍攝史詩級鏡頭提供最佳的飛行體驗。

CEVA宣佈CEVA-Dragonfly NB2晶片已經在沃達豐位於德國杜塞道夫的物聯網未來實驗室中成功通過了首次測試試驗。利用沃達豐開放式實驗室設施所提供的真實Narrowband-IoT技術端至端即時環境，CEVA實現了Vodafone NB-IoT網路連接，並憑藉運行3GPP NB-IoT Rel.14合規軟體堆疊的CEVA-Dragonfly NB2測試晶片展示了端至端IP連接。 CEVA副總裁兼無線業務部門總經理Michael Boukaya表示，這一重要的里程碑是CEVA長期致力於大規模NB-IoT市場革新的又一項重大成就，為新的IC廠商提供了具有快速上市、低風險、低物料清單(BOM)成本，並且通過一級行動營運商預先認證的IP解決方案。 CEVA-Dragonfly NB2 IP解決方案是一項模組化技術，由CEVA-X1物聯網處理器、最佳化的RF收發器、基帶和協定堆疊組成，可提供完整的Release 14 Cat-NB2數據機IP解決方案，大幅縮短了產品上市時間並降低進入壁壘。這是一款完全軟體可配置的解決方案，可以利用多衛星GNSS和感測器融合功能進行擴展。這款IP包括完整數據機設計的參考晶片、帶有嵌入式CMOS RF收發器和PA、高級數位前端、實體層韌體和協定堆疊(MAC、RLC、PDCP、RRC和NAS)。

CEVA宣佈與Autotalks合作，為採用CEVA-XC DSP的Autotalks晶片組增添C-V2X Rel.14/15支援，使其成為世界上第一款也是唯一一款能夠同時支援DSRC和C-V2X直接通訊的解決方案。這款解決方案已在CES 2019展會上由HARMAN、Valeo和其他業者展示。 隨著多家OEM廠商宣佈計畫為其新車型配備V2X通訊，此一技術也正逐步邁向被大眾市場採用的階段。近年來，V2X分為DSRC和C-V2X兩種不同的技術，兩者採用不同的架構，因此難以協調單一的全球通用解決方案。Autotalks充分利用其晶片組中CEVA-XC DSP的軟體定義功能，為其準備大規模量產的第二代晶片組新增C-V2X支援，加上原有的DSRC支援，滿足了業界對可適用全球的解決方案的需求，並且還具有最高的安全等級。 Autotalks研發副總裁Amos Freund表示，Autotalks和CEVA長久以來合作無間，CEVA獨特的蜂巢和通訊DSP專有技術與Autotalks在無線技術領域中的專業知識相輔相成。除了DSRC支援之外，CEVA-XC DSP還使得Autotalks能夠在晶片組上快速無縫地實施C-V2X支援，從而成為世界第一款也是唯一一款真正安全的全球通用V2X解決方案。 Autotalks部署就緒的第二代V2X晶片組是世界上第一款同時支援以802.11p/ITS-G5標準為基礎的DSRC和符合3GPP規範的C-V2X的解決方案。該晶片組可以讓客戶輕鬆地在DSRC和C-V2X通訊之間切換。新的晶片組將V2X與蜂巢網路進出裝置(NAD)隔離開來，從而提供遠端資訊處理控制單元(TCU)部署的域分離(domain separation)和安全性、可擴展性和潛在的成本最佳化。 V2X與車載資訊娛樂系統的隔離可確保V2X系統的安全相關用途不會受到影響。此外，V2X隔離與Autotalks公認的網路安全領導地位相結合，可實現真正的安全平台。Autotalks的全球適用之V2X晶片組可提供給客戶和合作夥伴以進行C-V2X的展示。

CEVA宣布推出其RivieraWaves藍牙5.1 IP的最新版本。這款IP能夠利用到達角(AoA)和出發角(AoD)進行測向(Direction Finding)的熱門全新功能，從而實現增強的定位服務。CEVA同時提供藍牙雙模式和低功耗藍牙兩種版本。 ABI Research研究分析師Henrique Rocha指出，即時定位系統(RTLS)和室內定位系統(IPS)的市場潛力無窮，涵蓋包括智慧製造、醫療保健、零售中的近端裝置搜尋服務(Proximity Service)、機場尋路、商場和酒店等眾多領域。隨著AoA和AoD測向功能正式成為藍牙5.1標準的一部分，藍牙技術便可提供一種具有釐米級精度的改良式定位服務解決方案。隨著此一產業不斷地擴展，藍牙技術憑藉其極具成本效益和功率效益的特性，以及互通性保證支援，必將成為RTLS和IPS的首選技術。 CEVA無線連接業務部門副總裁兼總經理Aviv Malinovitch表示，CEVA從客戶群中看到他們對精確室內定位和資產追蹤的濃厚興趣，並且已經與一些客戶簽署了多份授權協議，讓他們使用CEVA此一最新的藍牙5.1 IP。CEVA很自豪能夠藉由這方面的能力，協助客戶快速增強其具備藍牙功能的產品。 藍牙技術聯盟執行董事Mark Powell 表示，藍牙社群不斷地想方設法來滿足持續變化的市場需求並開啓新的機會，增添藍牙測向功能正展現出藍牙技術聯盟致力於在定位服務市場推動創新及開拓豐富增長機會的決心。

本文的目標讀者為期望拓展關於執行同步創新方法新知的通訊及訊號處理工程師，以及有志於NB-IoT通訊系統的工程師。並提出同步程序，以強化NB-IoT在UE喚醒時的主要同步程序性能。此新程序能讓UE以相對低的偵測延遲評估傳輸的NB-IoT訊號正時及頻率，即使在非常艱困的都會環境亦然；此程序是發展用在CEVA-X核心系列進行高效率執行。 本文分為上下兩篇，上篇主要探討不同的已知同步程序、討論其優缺點；下篇則針對DSP架構實作提出能加強運用窄頻主要同步訊號(NPSS)結構的新同步程序。 NPSS同步有訣竅 同步程序可視為以少數未知參數進行估算的程序，如時間、頻率、相位及其他等等。這類問題已在不同領域經過廣泛調查，如通訊、GPS系統、雷達及聲納。 同步程序是接收資料或估算目標參數的第一步。接收器已明確或部分已知預先判定的訊號(也稱為領航訊號)，領航訊號的一般構造也是如此(如訊號期間和重複模式)。以領航訊號的知識為基礎，UE即可校準系統組態以提升資訊處理能力。 在此處的NB-IoT主要同步階段範例中，主要重點為接收器已知領航訊號，並可因此估算系統參數。 NB-IoT UE使用NPSS以執行蜂巢網同步的主要部分，亦即估算基礎系統參數(如無線訊框的正時和傳輸訊號的頻率)。無線訊框開頭的估算是直接以領航訊號(NPSS)開頭的估算為基礎，無任何模糊性。 以同步而言，假定訊號可用原生取樣頻率240kHz(低速率)或更高的1.92MHz取樣頻率(高速率)處理訊號。主要同步程序包括下列階段： 第一階段為粗估算未知參數，如後「粗估階段」所述。 第二階段為時間及頻率的精細估算，如後「細估階段」所述。 第一階段同步結束之後，UE會繼續第二階段同步流程以獲得蜂巢網ID，以及無線訊框邊界。圖1中顯示資料擷取後的同步程序。 圖1　同步流程 粗估階段 主要同步程序的粗估階段會以240kHz 的較低速率完成，以降低運算複雜性。在多維估算問題中，有鑒於正時和頻率的高不確定性範圍，故粗估算階段有其必要。粗估階段會粗估算接收訊號的正時及頻率。 細估階段 粗估階段完成後將進行時間及頻率細算，以在同步程序完成後加強UE的資料擷取能力。此階段稱為細估階段。粗估算可降低時間及頻率的不確定性，藉以降低細估階段的複雜度。 在此階段中，將進行下列各項： ．演算法以1.92MHz的取樣率並根據粗時間估算開啟「短訊號窗段」。 ．接收訊號的頻率會根據粗頻率估算偏移。 細估階段的輸出為正時及頻率估算值，且錯誤低於粗估算。估算出正時及頻率後，UE會以240kHz的低速率並根據NSSS繼續偵測蜂巢網ID及訊框邊界，例如套用頻域交互相關及循環字首移除。 交互相關同步方法 最直觀的同步演算法為交互相關方法，在此稱為全長交互相關。 此方法依賴接收器側對同步訊號的瞭解。應用於NB-IoT系統時，全長交互相關方法可透過在11msec窗段中的時間τ(以x表示)的接收訊號，與特定頻率假說fn NPSS共軛之間的相關性推導，例如公式1。＼ 公式1 其中NNPSS是NPSS的長度。τ是無線訊框的候選同步點(如無線訊框內的時間點或樣本編號)。 全長交互相關同步方法會產生最多的增益，因為此方法運用系統及傳輸訊號的完整知識(即檢查正時偏移和頻率偏移的不同候選點，以算出明確的NPSS)。交互相關輸出可做為「成本函數」以評估同步表現，而成本函數的峰值為NPSS開始時無線訊框窗段的時間偏移候選點。以成本函數的峰值與平均值比(PAPR)為基礎，即可評估同步程序的可靠性。 有鑒於NB-IoT系統及都會環境的艱困室外條件，UE無法使用11msec窗段估算NPSS的正時並同時維持低假警報機率。為了解決此問題，NPSS會每10msec重複一次，讓成本函數能不連貫加總，直到符合預先判定的條件為止(即成本函數的高PAPR)。 全長交互相關方法需要解決二維估算問題，即同時估算時間及頻率。頻率維度採頻率假說的網格測試，並根據網格的頻率值判定領航訊號的頻率。頻率候選點的網格必須盡可能縮小尺寸以降低複雜性，但若真實頻率與最接近假設頻率之間的最大距離過長，則交互相關引發的衰減會因 NPSS的時段偏長而導致系統表現劣化。 以初始蜂巢網搜尋為例，CFO錯誤的範圍會因為±20ppm±7.5kHz的大頻率偏移及持續的時間偏移而非常高。考量到CFO的範圍和NPSS訊號的長時段(約0.78msec)，全功能交互相關方法所需的假設頻率數量會非常高(約50個假設頻率)。 在NB-IoT系統中，高假說數量會導致高複雜性及高記憶體消耗(用於各假設頻率的成本函數)，亦即將全長交互相關方法用於NB-IoT系統的同步做法非常不可行。曾有學者提出在頻域運算交互相關性以降低交互相關方法的複雜性。然而，即使針對交互相關方法實作特殊硬體，此方法的複雜性仍約比其他已知方法高10倍，如自動相關方法。 總結而言，全長交互相關方法的優點是能提供非常低的同步延遲，特別是低SNR的情形。但是，此方法對NB-IoT系統的缺點為高複雜性以及高記憶體需求。 自動相關同步方法 另一眾所周知的同步方法稱為自動相關方法。由於NPSS是由11個相同的OFDM符號組成(乘以預先判定的11-長度偽隨機二進位覆蓋碼)，因此自動相關同步方法是適合NB-IoT系統使用的選擇。舉例而言，假定運算最多四個NPSS符號的自動相關延遲(k=1,2,3,4)，如公式2。 公式2 其中： x(l,τ)是從同步候選點τ算起的第l個符號。s(k)是覆蓋碼。除了覆蓋碼外，自動相關的同步演算法不會使用NPSS。 在真實候選時間偏移點，CFO在兩個相鄰NPSS符號間引發的相轉期望值會與分式CFO及符號間的距離成比例，亦即公式3。 公式3 分式CFO是真實CFO及最大CFO值的模數並可加以估算；這會造成頻率估算的模糊性，但可在同步的細估階段解決。 相較於前所述的全功能交互相關方法，自動相關方法的成本函數反而能連貫累計。因此，可從不同的自動相關延遲形成成本函數，而成本函數在真實時間偏移的相等於單一延遲自動相關的相位。此成本函數可表示為公式4。 公式4 成本函數可隨無線訊框逐漸連貫累計，因而可減少需要的累計次數，因為系統內的雜訊與時間無關。NPSS真實正時的預期相等於公式5。 公式5 這代表雖然可估算傳輸訊號的頻率，但由於CFO的高範圍，因此可考慮使用多個頻率解法(即頻率估算流程存在高模糊性)。 總結而言，自動相關方法的優點為： ．成本函數可用於估算NPSS的起點及訊號的頻率。 ．成本函數可隨時間連貫累計。 ．可簡單有效以遞迴實作。 但是，此方法對NB-IoT系統的缺點如下： ．表現低於全功能交互相關方法，特別是低SNR時。 ．頻率估算存有模糊性。 兩相關同步方法 如前所述的兩個知名同步方法提供相反的同步表現： ．全功能交互相關方法 全功能交互相關方法會從單一交互相關性產生最多的增益，且只需少數累計次數即可在10msec窗段內以低機率估算NPSS的真實位置。 此方法的缺點為若CFO的範圍非常大，則需要高複雜性(很有可能在NB-IoT系統的初始蜂巢網搜尋時發生的情境)。也需要高記憶體配置。 ．自動相關方法 自動相關方法雖然實作簡易，但在低SNR的情況下會表現不良(主要是高同步延遲及高RF-ON耗電量)。 兩相蜂巢網同步新程序上路 下列章節描述稱為兩相蜂巢網同步方法的新同步程序。此程序是專門針對NB-IoT系統設計，並在性能與複雜性之間達到平衡。此方法是針對NB-IoT系統提出的新方法，用以改進同步表現(即降低系統延遲)，同時在可行範圍內維持系統複雜性。兩相關同步方法包括多個步驟。各步驟如下列章節所述。此方法藉由以240kHz的低取樣率處理訊號後抽取，以偵測無線訊框內的NPSS時間偏移及接收訊號的頻率。 NPSS是由重複的OFDM訊號乘以覆蓋碼組成。此方法使用重複的OFDM(以及各OFDM符號的值知識)，以針對無線訊框(10msec窗段)內的NPSS位置進行良好估算，亦即時間同步。圖2顯示兩相關同步訊號方法的流程。 圖2　兩相同步訊號方法流程 第一步：OFDM全符號交互相關性 兩相關同步訊號方法的第一步是找出OFDM全符號長度交互相關性，亦即獲得接收訊號與NPSS的OFDM符號之間的17個樣本長度交互相關性。 NPSS是由11個相同的符號乘以二進位覆蓋碼組成。只需將下列因數相乘，即可輕易證明兩個頻率不同的相同訊號間的交互相關性衰減：第一個因數是兩個訊號頻率間的差值；第二個因數是同步訊號的時段。 藉由將全長NPSS訊號(約0.8msec)的交互相關長度減到OFDM符號的較短長度(約0.07msec)，兩個訊號頻率間的可能差值就會增加11倍。 在實作概覽中，增加真實頻率與假定頻率間的最大差值會導致粗估算流程的假說數量降低11倍，另可降低11倍的演算法複雜性和記憶體消耗量。 NPSS具有重複結構，因此該短長度交互相關方法具有降低複雜性的優點，可使用遞迴運算演算法以減少實作此方法所需的運算次數。針對每個時間偏移候選點，若不運算11個交互相關性，則可改用遞迴運算以節省先前時間偏移候選點的輸出數，然後僅運算單一短長度的交互相關性；這能大幅減少需要的運算量，且只需管理少量的記憶體配置(尺寸不大)。舉例而言，短長度相關性可如下求出公式6。   公式6 其中： 1.NPSSsymbol是NPSS的符號。 2.Nsymbol是符號的編碼範本。 3.k是符號編碼(如k=0,1,…,10)。 4.fh是頻率假說。 由於雜訊與時間無關，因此短長度交互相關性可大幅降低雜訊的功率。針對傳輸訊號的真實CFO與CFO假說間的距離，訊號的功率會對應衰減，但即使只有少量CFO假說，輸出SNR後短長度交互相關性仍會大幅增加。 第二步：全符號相關性 自動相關方法的一大優點是在低SNR時的表現。NB-IoT系統在設計上需要面對低SNR及頻道劣化的艱困室外條件。在這類條件下，對收到的訊號求出自動相關性會增加假警報並造成高同步延遲。求出前一步驟所述的短長度交互相關性後，交互相關輸出的SNR會大幅增加，因為雜訊的功率會與符號的長度等比例下降。 計算交互相關輸出後即可求出三維變數yh(τ,k)，其中h,τ,k分別是CFO假說、正時候選點及符號索引。 確認自動相關方法的輸出SNR會隨輸入的SNR降低而大幅降低。我們提議使用交互相關輸出計算全符號自動相關性，因其SNR大幅高於收到的訊號。考量到這點，透過下列方程式算出的自動相關性SNR輸出會大幅高於已接收訊號的自動相關性。自動相關性的運算需考量覆蓋碼s(.)，並可表示為公式7。 公式7 自動相關性可透過極低的記憶體配置輕易的以遞迴算出。此時可輕易發現求出的自動相關性輸出與自動相關方法非常類似，唯一的差別只有此輸出是以特定頻率假說計算。 由於同時採用NPSS的重複性質及 OFDM訊號的知識，故此方法預期能取得比自動相關方法更好的表現。 第三步：成本函數公式化 成本函數可用Sh(τ,m)的加權組合表示為公式8。 公式8 其中wm代表連貫合併的權數。 正時錯誤接近0且CFO假說成本函數最接近真實CFO時，成本函數的量級即可最大化，而成本函數的相位也會與真實 CFO與CFO假說間的差值成比例；這代表給定CFO假說及成本函數峰值的相位，即可如公式9求出成本函數的良好估算值： 公式9 第四步：連貫合併 為了讓系統能耐受艱困環境和低SNR，NPSS會每10msec重複傳輸一次。成本函數可連貫累計以提升估算表現。透過公式10簡易IIR濾波器進行累計： 公式10 ρΣ,h(τ),α為累計的成本函數及衰變因數。衰變因數可用於根據過去的累計次數來加權成本函數及累計成本函數，另外也能耐受時間偏移。 第五步：NPSS偵測臨界值 根據給定的臨界值比較成本函數的峰值與成本函數的平均值(即PAPR)即可找出 NPSS。PAPR測試會在每一無線訊框間隔進行。 符合臨界值條件時，即可根據成本函數峰值的位置及其相關分別估算NPSS的位置及訊號的載波頻率偏移。在粗估階段估算的時間偏移及載波頻率需要細算，這會在下一步驟中完成。 第六步：正時及頻率的粗估算 以時間及頻率偏移的粗估算為基礎，可在1.92MHz的更高速率進行額外測試，以細算時間及頻率的估算值。 細估階段的重點包括以更高速率求出交互相關性，這會在各無線訊框期間不連貫累計；頻率估算也會在此階段細算。 SNR降低　殘餘延遲表現提升 初始蜂巢網搜尋主要階段的延遲表現是如前所述的三種同步方法模擬。模擬作業是以500次獨立試驗進行，並採用下列的頻道情境： 1.ETU及都卜勒1Hz，如圖3所示 圖3　各同步方法的比較 (ETU-1) 2.EVA及都卜勒5Hz，如圖4所示 圖4　各同步方法的比較(EVA-5) 3.EPA及都卜勒0Hz，如圖5所示 圖5　各同步方法的比較(EPA-0) 在以上測試中，偵測率大於99%。在下面的圖示中，延遲表現是以第90百分位的殘餘延遲為基準，亦即在90%的測試中指定SNR及頻道低於或等於延遲。 由於全功能交互相關方法從收到訊號取得的增益最高(因此延遲最低)，故其他方法的延遲會以此方法標準化。延遲表現是以保護波段部署及最低-12.6dB的SNR為準示範。 從以上圖示可發現，隨著SNR降低，自動相關方法的殘餘延遲表現會比交互相關方法的延遲大幅提升。但是，我方提出的兩相關同步方法表現仍非常接近交互相關同步方法的表現，即使在非常低SNR的情況下亦然。 (本文作者為CEVA演算法工程師、演算法團隊負責人與資深系統架構師)