作为物理世界和数字世界之间的接口，传感器和换能器已经从技术上的波澜不惊转变成为汽车安全、安防、医疗保健、物联网（IoT）和人工智能（AI）等应用赋能的前沿技术。因此，它们在尺寸、功耗和灵敏度等基本物理和电气性能方面经历了革命性改变，同时引发了传感器集成方面的新思想——范围从传感器融合到应用在类似雾计算的架构中的基于AI的传感器处理算法的生成。
这些创新背后的推手是对物联网设备小型化和低功耗的诉求，应用包括：智能消费设备、可穿戴设备和工业物联网（IIoT）、高级驾驶员辅助系统（ADAS）以及围绕自动驾驶汽车、无人机、安全系统、机器人和环境监测等的激动人心的发展。市场研究咨询公司MarketsandMarkets预测，智能传感器市场（包括一定程度的信号处理和连接能力）总共将从2015年的185.8亿美元增长到2022年的577.7亿美元，相当于18.1%的复合年均增长率（CAGR）。
最近，许多传感器及其背后的创新令人兴奋。博世传感器（BST）最近直切设计师所需要的核心功能，推出了面向可穿戴设备和物联网的低功耗加速度计，以及面向无人机和机器人的高性能惯性测量单元。
博世传感器的这两款器件均基于微机电系统（MEMS）——该技术自20世纪90年代首次用于安全气囊以来，已历经长期发展。从那以后，它至少经历了两个发展阶段——迅速进入消费电子和游戏、智能手机领域，现在该产业已经进入了物联网阶段。这就是博世传感器全球业务发展总监Marcellino Gemelli所说的“第三次浪潮”。
这两款器件瞄准的就是这第三次浪潮。BMA400加速度计与以前器件的尺寸相同，均为2.0mm×2.0mm，但功耗仅为十分之一。这个特性非常关键。
据Gemelli称，BMA400设计团队为降低功耗从零开始设计了这款器件，为此需要考虑实际应用。他们很快发现，典型的加速度计所用的2kHz采样速率，对于计步器和安全系统的运动检测来说并不必要。意识到这点，该团队将采样率降低到800Hz。随着MEMS传感器和相关ASIC设计的其他更有针对性的改变，现在当事件发生、BMA400向主微控制器（MCU）发送中断信号时功耗仅为1μA，而典型指标是10μA。
BST的另一款物联网MEMS器件BMI088，是一款为无人机和其他易振系统设计的惯性测量单元（IMU），这些应用对其既能抑制也能滤除和抵制系统的振动噪声的能力感兴趣。BMI088大小为3.0mm x 4.5mm（图1），其加速度计测量范围为±3g至±24g、陀螺仪的测量范围为±125°/s至±2,000°/s。
图1：BMI088 IMU可减少和滤除从无人机到洗衣机等各种应用场合的振动。
据Gemelli的说法，BMI088设计团队最初通过使用不同的胶水配方将MEMS传感器固定在基板上来抑制振动，“但还不止这些，这个方法更加全面。如果传感器产生无用数据，对任何人都没好处。”考虑到这点，该团队还修改了传感器结构和运行在ASIC上用于理解信号的软件。
然而，另一个关乎稳定性的关键特性是温度偏移系数（TCO），其被指定为15mdps/°K。其他主要特性包括在最宽±24g的测量范围内，偏置稳定度小于2°/h、频谱噪声为230μg/√Hz。
虽然传感器作为物联网的数据收集工具备受关注，但换能器并未成为众人关注的焦点。不过，通过与意法半导体（ST）合作，USound正在改变这种情况，最近它宣布推出了首款基于MEMS的高级微型扬声器（图2）。
图2：来自USound和意法半导体的微型扬声器，采用小体积、高效率、基于MEMS的技术（热损耗可忽略不计）取代大体积、高损耗的机电驱动器。
微型扬声器采用了ST的薄膜压电换能器（PεTra）技术和USound的扬声器设计专利概念。这些器件不需要机电驱动器，因此也就避免了其相关的尺寸和低效率之伤——这种驱动器的大部分能量以线圈发热的形式耗散掉了。
与此相对，这款微型扬声器采用了硅MEMS，预计将是世界上最薄的产品，重量只有传统扬声器的一半。设计应用包括入耳式耳机、包耳式耳机或增强现实和虚拟现实（AR /VR）头盔。其不仅体积小，功耗也更低，且发热可忽略不计（见图2）。
但是，由于体积小，在声压级方面会不可避免地打折，因此意法半导体提供了一张MEMS扬声器与参考的平衡电枢式扬声器的对比图表，显示前者具有1kHz的平坦响应（图3）。
图3：USound的微型扬声器（Moon）采用意法半导体的薄膜压电换能器（PεTra）技术来生产平坦声压级响应达1kHz的MEMS扬声器。BA=平衡电枢。
设计人员可以通过多种方式将接近和运动检测集成到其物联网设计，以实现在场检测或用户界面，或者两者兼有。超声波已成为多年选择，声纳就是个好例子。然而，Chirp Microsystems公司通过推出CH-101和CH-201超声波传感器，将基于声波的检测引入到物联网。
利用180°的宽范围超声散射，该传感器使用扬声器（换能器）产生超声波，然后计算返回到拾取麦克风（传感器）所花的时间以确定距离。除了宽散射外，该超声波的优势在于低功耗（等待模式下为15µW）、低成本和小体积（可小至1mm）。
除了距离和接近检测外，设计师还可以利用Chirp Microsystems正在申请专利的基于机器学习和神经网络算法的手势分类库（GCL），开发基于手势的物联网设备接口。然而，对于手势检测，至少需要3个传感器以及Chirp的IC和三边测量算法来确定手在三维空间中的位置、方向和速度。
该器件结合了手势、在场、距离和动作检测与低成本、低功耗和小尺寸（3.5mm×3.5mm，包括处理器）等优势，提供简单的I2C串行输出，整个器件完全工作在1.8V。
不久前有段时间，人们认为激光雷达（LiDAR，激光检测及测距）本身即是自动驾驶汽车的发展方向。最近，我们已经明晰，即使LiDAR性能获得显著提高，安全性需要也要求使用多种技术来实现高速、精确和智能的环境检测。考虑到这一点，AEye公司开发了智能检测及测距（iDAR）技术。
iDAR是一种增强型LiDAR，它将2D配置摄像头像素叠加到3D体素上，然后使用其专有软件对每个帧内的这两种像素进行分析。此举通过使用摄像头覆盖来检测诸如颜色和标志的特征，来克服LiDAR的视敏度限制。然后它可以关注感兴趣的对象（图4）。
图4：AEye的iDAR技术将2D摄像头像素叠加到LiDAR 3D体素上，因此可以识别特别感兴趣的对象并将其展现出来。
虽然AEye的技术是数据和处理密集型的，但它确实允许动态配置资源，根据速度和位置等参数来自定义数据收集和分析。
据博世传感器的Gemelli介绍，下一步是重新思考该如何设计和应用传感器。Gemelli并不是说要从头开始设计传感器及其相关算法，而是建议现在就开始应用AI技术，根据对随时间采集到的数据和应用进行分析，自动生成传感器使用的新算法。例如，一套不同的传感器可以很好地执行特定功能，但是通过AI监控，我们可能发现，这些传感器可以用来跟踪我们从未打算将其用于检测的参数，或者它们的使用效率也可以提高。
Gemelli表示，这个概念越来越受青睐。它也与雾计算架构相吻合——该架构的目标是尽可能减小传感器与云之间必须传递的数据量。相反，通过应用AI，传感器本身可以进行更多处理，随着时间的推移，其仅在需要时才会去使用较大的网络和云。
《EDN电子技术设计》2018年3月刊版权所有，转载请注明来源及链接。
最前沿的电子设计资讯
