您真的需要感測器的所有原始資料嗎？不！還有更好的方法

如果您正在打造一個能饋送感測器資料流的應用，您可能是像我一樣的資料迷。看著感測器元件將資料灌入應用，並且透過大量隨時可用的感測器，輕鬆便捷地增加更多資料流，定會讓您感到心滿意足。

感測器系統能捕捉大量的事件，而這些事件又能解構成更長的測量序列，呈現出驚人的細節。儘管如此，就算是最瘋狂的資料迷也不得不承認，大量原始資料本身並不能促進應用目標的達成。關鍵在於事件本身，而並非每個事件精細切割的測量資料。幸好，智慧型感測器的出現，讓焦點又重回到與應用和應用使用者有關的重要事件上。

由於更多的感測器資料變得更容易產生，資料流也變成一堆氾濫的原始測量資料，淹沒了理應將資料變成有用資源的嵌入式軟硬體。這不只是資料量超出處理能力和通訊管道傳送能力的問題。過於詳細的測量資料，可能會讓應用開發人員和使用者分心，將時間浪費在不重要的細節上，而忽視決策時經常需要的較高階抽象資訊上。

處理抽象資訊

即然是抽象，依其定義就表示會缺少某些細節。如果是以資料為中心的應用，工程師不太敢使用從多種原始測量資料中抽取而來的資料，這是可以理解的，因為將來可能會發現，某些過濾掉的細節其實很重要。在運輸或保全這類應用上，這種顧慮很合理，因為這些應用需要識別出某種新事件，或者排除某種根本原因。

但是，對許多消費應用和工業應用來說，需要給予關注之事件的具體特徵非常明確。例如，人或物突然倒落會產生特定的動作假影，工業馬達故障時會出現可預測的振動模式。通常，這些特徵的細節，對許多更高階的應用來說並不重要。這些應用只需要在人或物倒落或故障出現時收到警報即可。當然，用於偵測警報狀況的機制，確實需要詳細的感測器測量資料。

我在進行一個專案時遇到同樣的問題；此專案要為處理高階事件的應用產生大量資料。若要產生那些高階資訊，就需要詳細的資料。但是，如果要在某個簡短活動時段以外，將任何測量資料歸檔，儲存空間可能就會不夠。我們使用一個以機器學習和其他分析方法為主的抽象方法，解決了這個問題。

經過大量測試後，我們確信能夠即時產生抽象資訊，而且只要覆寫舊的測量資料即可。

專注於事件

STMicroelectronics 的 iNEMO 系列慣性量測單元 (IMU) 之類的頂尖感測器，能讓常開型應用擁有這種能力。這類低功耗的 IMU 包括：用於電池供電式消費型應用的 LSM6DSOX、用於高準確型應用的 LSM6DSRX，以及用於工業型應用的 ISM330DHCX。這些 IMU 整合了可編程有限狀態機 (FSM) 及機器學習核心 (MLC)，並且您可以使用自已的訓練資料集對後者加以訓練 (請參閱《使用智慧型感測器內建的機器學習核心，可最佳化「常開型」動作追蹤功能》一文)。

當其中一項元件偵測到與關注事件關聯的模式時，即可為主機處理器產生一個中斷。接著，主機處理器就能執行適當的應用邏輯。事實上，如果您只想要原始動作資料，或者想同時取得事件中斷，則可以像任何動作感測器一樣，讀取原始測量資料 (圖 1)。

圖 1：STMicroelectronics 的 iNEMO IMU 內建一個完整的數位鏈，可產生已設定條件的資料，以用於內建的 FSM 和 MLC，並透過 IMU 的先進先出 (FIFO) 緩衝存取主機。(圖片來源：STMicroelectronics)

感測器用於監控本身測量資料和辨識更多抽象事件的能力，可減少處理器和通訊通道的負荷，為產生新一代智慧型感測器指引方向。更重要的是，能夠在內部分析原始資料並產生有用資訊的感測器，可為效率更高的機器學習設計提供方向，以便不僅提供原始測量資料，更可提供衍生性資料。

結論

讓應用解決方案側重於衍生性資料而不是原始測量資料，並不需要具有機器學習功能的感測器。如果是相對簡單的資料集，感測器系統的主機處理器或許有足夠的週期來執行決策樹，以識別事件。但是，如果是較大型的部署，您可以使用感測器和上游主機之間的邊緣運算資源，來執行抽象概念轉換。無論您採取何種方法，若能將資料精簡成有用的抽象資訊，則有助於滿足一些應用領域「寧缺毋濫」的要求。

參考資料：

《使用智慧型感測器內建的機器學習核心，可最佳化「常開型」動作追蹤功能》

1 – https://www.digikey.tw/zh/articles/use-a-smart-sensors-built-in-machine-learning-core-to-optimize-always-on-motion-tracking