在物联网的世界里，微机电系统(MEMS)传感器是搭建用户与其周边众多设备(如智能手机、可穿戴设备、机器人和无人机)之间的桥梁。然而，仅仅凭借设备的传感和物联网卡连接根本不足以实现物联网的远大目标。只有以人为本，即解决现实生活中的日常挑战、使生活更便捷并提升易用性，物联网才能取得成功。此外，随着周遭环境的日益复杂，各类设备对众事物无时无刻的传感功能也让传感器供应商面临着巨大的挑战。下面将从传感器供应商的角度探讨这些挑战及其解决方案。

　　智能传感器在物联网领域面临的三大挑战

　　当今的智能传感器模块包含与原始传感器集成的某些处理能力，它所面临的主要挑战可归结为以下三点：

　　第一个挑战是技术本身。供应商欲利用其核心MEMS和系统技术来完成这项不可能完成的任务。对于工程师来说，这是一种物理限制的挑战。封装尺寸不能无限缩小，而对低能耗和高性能的要求也不断提高。供应商不得不改进系统，使其更智能、更具感知性。要实现这一目标就必须使技术跨越多个产品平台。

　　第二个挑战源于行业宽泛的分散特性。当下，MEMS传感器的大部分收益来源于智能手机——每年智能手机销量超过十亿部，每台智能手机至少包含一台MEMS传感器。根据智能手机原始设备制造商(OEM)设定的规格，Bosch Sensortec等厂商开发了相应的MEMS传感器。

　　但物联网是一个特殊的领域，其特点在于竞争性技术平台结构的高度分散性。在整个物联网空间，对由传感器、微控制器和执行器组成的传感器子系统的要求有很大差异。因此，Bosch Sensortec等供应商需要创建集成硬件和软件的跨平台解决方案，并提供专用的应用软件。借助软件和专业应用技术，供应商在帮助客户解决具体问题时无需特意为每个应用程序定制硬件解决方案。

　　最后的挑战则是呈几何式增长的复杂性。物联网系统本身十分复杂，只提供组件已不能满足原始设备制造商的需求，通常需要一站式解决方案或参考设计。处于市场领导地位的供应商将更多的系统处理能力纳入单个模块化设备，以此为基础开发集成智能传感器的解决方案，从而满足大幅降低复杂性的需求。而由于没有一家公司能够提供全面的解决方案，所以供应商还必须在创建参考设计等方面与第三方密切合作并建立伙伴关系。

　　物联网传感器信息的层次结构

　　物联网信息结构包括几个层次。典型应用的层次按信息有用性的递增状况排序如下：

　　传感器信息层次结构

　　1.原始数据

　　2.运动检测

　　3.活动监控

　　4.情境感知

　　5.意图预估

　　尽管原始数据可能被过滤、补充和更改，但大多数情况下它们会明确限制用户对数据的使用。在第二等级，通过识别模式和应用算法分析数据，以提供运动检测信息。然后，通过添加额外的传感器功能，例如根据气压测量的高度，就能进入下一个等级，来分配推断活动监控的信息。在当代无处不在的计算环境中，设备情境感知的定义更加丰富：如与其他设备的交互、适应环境噪声与光线条件以及网络状态等。这使任务变得更为复杂：如需要基于情境和行为模式的加权评估生成预测性决策。

　　在这一点上，传感器系统处理数据的方式与人类大脑功能具有可比性。人脑在数据处理时主要运用两个系统：认知系统和边缘系统。认知系统类似于云计算——有延迟现象的高处理效能和大容量内存。相比之下，边缘系统则是原始、反应和反射的系统——与传感器系统中的局部处理，即边缘计算相对应。

　　反观物联网，传感器信息层次对确定测量数据重要与否至关重要。不具备可行性的数据基本无法使用，从而导致大部分应用程序中存在大量冗杂多余的数据。

　　直观地说，简单地将传感器永久地保留下来，等待识别有用信息(例如计步应用中的加速度计)通常更有效。传感器系统需智能地筛选出值得传输到云端的数据，从而有效利用可用的带宽和功率。关键在于，本地传感器能够自动过滤掉大部分无用的数据，从而节省宝贵的系统驱动容量。

　　物联网系统驱动程序

　　在物联网传感器应用中，有以下几个影响系统和组件设计的关键系统驱动程序：

　　对于小型或便携式设备的某些应用来说，低能耗至关重要。这种情况下，与感测元件(“传感器机器人”)匹配的自主传感器处理器有助于边缘处理，即确定何时将数据传输到云端，从而降低数据传输的资源成本。

　　在需要最短时间内传输大量数据的情况下，缩短延迟时间则尤为重要。例如在虚拟现实(VR)中需要实时发送图像，以便与用户头部的运动同步。

　　快速行为学习应用的系统中，高数据采样率必不可少。例如在振动机械的预测维护中，传感器必须以足够高的速率进行采样，以便捕获导致设备故障的所有相关数据。

　　简单集成的变数很大，由于投入时间的长短和工程资源的大小不同，原始设备制造商往对传感器数据的预期往往也不同。为简化应用中传感器的集成，越来越多的公司使用智能传感器，将嵌入在传感器中的数据处理装置与供应商提供的软件解决方案相匹配。例如在机器人技术领域，原始设备制造商更专注于机器人本身的运动，倾向于完全不处理原始的传感器数据。

　　边缘运算则类似于上述的边缘系统。我们有时需要边缘处理功能，而这通常以低功耗和易于集成为先决条件。

　　由于传感器模块中的存储器成本非常高，云存储成为本地存储和处理可行的替代方案。一方面，我们不希望传输大量不必要的数据，而另一方面，我们受到传感器物理存储容量的限制。因此，我们必须使传感器智能化，并确保传感器能够过滤掉大部分无用的数据，从而防止超出内存。

　　应用示例

　　我们举例来说明上图的几点。首先，可穿戴的应用程序，如计步器必须永不断电且电池要尽可能小。这类应用程序的关键是低能耗，通过将计步功能直接集成于传感器本身来实现。除非绝对必要，否则不会唤醒可穿戴设备的主处理器，从而节省电池电量。

　　为节省资源，使用者无法将所有计步数据传送到主机，这也是边缘计算应用的典型特点。从耗能角度考虑，BHA250或BHI160的超低能耗解决方案是理想的选择。

　　另一个例子是快速原型工艺的开发趋势，这一趋势在大型公司越来越普遍地用于市场验证中。快速原型工艺通常在如Arduino、Raspberry Pi或其他类似的开源系统之类的开发平台使用，其中包括传感器组件的组合验证。

　　这类应用需要传感器供应商提供相对复杂的软件，以最大程度地实现集成。开发时间必须尽可能短，且原始供应商也需要利用有限的传感器知识进行系统设计的探索。将传感器用于Arduino和Raspberry Pi等多个平台，能够极大地简化集成。

　　要实现物联网应用的成功，需要一位能够理解这种高度复杂的物联网环境的合格传感器供应商作为合作伙伴。他们能够提供广泛且高性能传感器组合，并为客户的应用提供优质解决方案。质量、本地支持和与强有力的第三方合作伙伴同样重要，这些能够提供参考设计和系统层面的专业知识。

　　物联网需要对多种应用的深入了解并满足各种传感器和处理的要求——低功耗、易集成、数据速率、缩短延迟等。只有了解这些不同因素之间的相互关系，才能为快速发展的物联网市场设计创新化的优质产品，使用户的生活更加便利，从而实现物联网的承诺。