兼顧效能/功耗/聯網需求 定位追蹤裝置依應用優化設計

2021-07-09
越來越多消費性、工業和汽車追蹤應用採用衛星定位技術(GNSS),對於效能、尺寸、成本和功耗都有更高的期望。須整體評估各種方案與設計策略,才能作出最佳權衡的決策。

 

由於具備全球可用性和高準確度,衛星定位技術已日益滲透到日常生活中的各類消費性、工業和汽車追蹤應用中。為了滿足不同使用案例的功能需求,開發人員不僅需全面考量效能、尺寸、功耗和成本等設計因素,亦需對解決方案的技術、硬體、軟體和服務有深入的了解。本文將說明如何降低全球衛星導航系統(GNSS)追蹤的功耗,以及如何在各種設計因素之間取得最佳平衡。

兼顧最佳效能與最低功耗

對消費性、工業和汽車追蹤應用來說,全球衛星導航系統接收器一直被視為高耗電元件。2010年時,在連續追蹤模式下,單頻GNSS接收器消耗的功率超過120mW。到2015年,此數字已降至約70mW。現今,歸功於技術的進展,追蹤應用的耗電量已可降至25mW。

過去五年來,衛星定位技術已達成了極佳的電源效率。目前,低功耗GNSS接收器能追蹤更多數量的衛星,並以更快速度、更低功耗提供更準確的追蹤定位。在某些情況下,GNSS接收器的功率甚至可降低到僅占終端裝置功耗預算的個位數百分比。 但是,要實現這樣的低功耗目標並非易事。最先進的GNSS接收器提供了多種設定方式,透過利用不同的配置來最佳化功耗,以滿足特定應用的效能要求。

根據應用決定節能選項

產品開發人員在選擇節能方式時,需針對不同的應用,在GNSS接收器的準確度、效能、尺寸和成本之間取得平衡。例如,運動型手表由於外型精巧,通常僅有較小的天線和電池,並要求相對較高的1Hz更新速率,但又對GNSS的效能有嚴格要求。而且,大多數的運動型手表僅提供有限的聯網能力(需透過智慧型手機)。

另一方面,物流追蹤器對更新速率和GNSS接收器效能的要求就較為寬鬆,但最好能以小型電池連續運行幾個月。介於這兩種裝置之間的,還有手持裝置、寵物和兒童追蹤器等應用。

汽車追蹤器則自成一格,它對尺寸的要求不高,而且電源供應無虞,因此,也越來越普遍利用蜂巢式數據通訊來保持隨時上線。圖1概述了五種終端裝置的常見設計考量。對終端裝置來說,確切的設計條件仍需取決於其應用的特定要求,以下所列可作為概要的參考。

圖1  五種常見終端裝置的追蹤功能設計考量

系統效能與功耗的平衡考量

眾所皆知,GNSS接收器的功耗取決於多項因素。大部分的功耗是在啟動衛星訊號擷取過程中消耗掉的,通常會比連續追蹤衛星消耗多約20%的功率。造成較多功耗的主要原因與衛星訊號擷取和是否連續追蹤衛星有關。

除了終端裝置的尺寸和成本之外,應用對效能的要求也會影響降低功耗的可用選項。以下將說明,每個選項都有其權衡取捨,需要仔細考慮,才能最適切地滿足目標應用的需求。

可用性和準確性

有的應用要求任何時間都維持高準確度的GNSS定位,而有些應用的要求就較不嚴格。現今最先進的GNSS接收器可提供多種方法來平衡定位可用性和準確性、以及功耗這兩項彼此衝突的要求。

第一種方法是選擇適切的「GNSS衛星追蹤數量」。同步追蹤多個GNSS衛星能夠增加特定時間內的可見衛星數量,進而提高定位的信賴水準。在嚴苛環境中,例如在大樓林立的都會區,此方式可顯著提高服務的可用性、準確性和可靠性。

然而,追蹤更多種GNSS衛星也意味著,接收器必須花費更多時間來擷取衛星訊號,因而造成功耗增加。此外,接收器需要額外的RF路徑才能追蹤不同頻段的GNSS衛星並擷取訊號,這也會增加功耗。

第二種方法則聚焦於「天線的選用」,亦即,選擇符合終端應用效能需求的天線。其中,主動天線使用低雜訊放大器(LNA)來增加輸入RF訊號的增益。在訊號較弱的情況下,例如,天線放置不良或在室內,主動天線可用來在雜訊中擷取微弱的衛星訊號。由於主動天線的LNA是透過消耗大量功率來實現所需的天線增益,因此,靈敏度的增加是以功耗為代價的。對於要求較高可用性和準確度的低功耗應用,大型被動天線會是較佳的選擇,儘管這會影響終端裝置的外型尺寸。

追蹤模式

另一個考慮層面是追蹤模式。有些應用要求持續追蹤,有的可能只需要每分鐘、每小時、甚至每天才追蹤一次。當然,持續追蹤的功耗最高,而且有些應用還結合了GNSS定位與LTE連接性,這帶來了RF干擾的另一項挑戰。有效地降低RF干擾,將有助於減少GNSS接收器功耗。不過,這需要藉由嚴謹的電路板設計來實現,並可能需要額外的濾波器。

針對不需要連續追蹤的應用,許多GNSS接收器提供省電模式(Power Save Modes, PSM),可大幅降低GNSS接收器在閒置期間的功耗。現有解決方案提供了多種省電模式可選用,每一種模式都各有其優缺點。需仔細評估接收器效能與功耗之間的權衡,才能作出最適切的選擇。

基於硬體功耗最佳化設計策略

當試圖透過硬體設計來最佳化功耗時,首先應考慮選用具低功耗特性的元件,包括LNA、振盪器、即時時鐘、RF濾波器等,這些對降低GNSS接收器運作的功耗都有一些助益。

以震盪器為例,雖然石英震盪器的功耗不高,但溫度變化會影響其頻率,進而影響GNSS接收器的靈敏度與首次定位時間,使功耗增加。因此,可考慮採用溫度控制石英震盪器(TCXO)。此外,針對電壓供應,因為GNSS是在較小的電壓範圍內運作,選擇適切的元件以提供正確電壓,會對GNSS接收器的整體功耗有顯著影響。以上的每個決策不僅會影響功耗,還會影響追蹤解決方案的效能、尺寸和成本,因此需權衡每種策略的利弊,以找到能夠提供所需追蹤效能的最低功耗配置。

在挑選GNSS接收器時,需考慮多方面的特性。例如,u-blox的ZOE-M8B模組,若採用超低耗電模式,功耗僅12mW,內建SAW和LNA,且可同時接收三種GNSS衛星。MAX-M10S則是可同時接收四個GNSS星系,具先進干擾偵測功能,即使採用小型天線,也能提供優異效能,且功耗低於25mW,適用於高價值資產追蹤應用。

基於韌體的功耗最佳化設計策略

除了硬體策略之外,開發人員亦可採用韌體策略來最佳化功耗。雖然各家供應商提供的做法並不相同,但基本上可分為四種方式(圖2):更新速率、省電模式、多重GNSS以及輔助式GNSS。

圖2  四種最佳化功耗的韌體策略

當要降低GNSS接收器功耗時,更新速率是首先被評估的。大多數連續追蹤模式的GNSS追蹤器支援10Hz或更高的更新速率。但有些應用並不要求連續追蹤。因此,透過降低更新速率來滿足特定應用的實際需求,並使其在更新之間進入省電模式,有助於大幅降低功耗。

多頻、多重GNSS

同步追蹤GNSS衛星的數量會顯著影響功耗,尤其當衛星是以不同頻帶傳輸時。不過,它的好處在於,追蹤多重GNSS衛星可增加定位可用性,尤其是在使用小型天線的情況下。在此嚴苛環境中,從多個頻段(L1、L2、L5)接收訊號可透過減輕多徑效應來提高定位準確度。此外,針對僅在特定區域使用的裝置,可根據其地理位置選擇要追蹤的衛星來節省功率,無需影響效能。

當要求高定位準確度和短擷取時間時,GNSS接收器需要每30分鐘下載一次其追蹤衛星的衛星星曆資料。接收器追蹤的星系數量越多,此現象就更頻繁。由於需要開啟GNSS接收器下載星曆數據,因此僅在連續追蹤模式下才有可能,但在此情況下,接收器是無法節省功耗的。

輔助GNSS

節能最簡單方法是切斷裝置的電源。但是,把裝置完全關閉會強制接收器在下次打開時啟動冷開機。這需要約30秒鐘的擷取期間,才能取得首次定位時間(TTFF),如果因環境惡劣而使RF訊號不佳的話,則可能需要幾分鐘的時間。GNSS接收器通常會試圖盡快取得首次定位,這會影響首次數據的準確性。

大幅縮短TTFF的一種方法是,使用輔助GNSS服務,為衛星系統提供星曆、準確的時間和衛星狀態校正數據。輔助GNSS有多種形式,包括透過網際網路即時或批量下載的輔助數據,一次可以使用幾天。u-blox提供了一種自主模式,GNSS接收器本身可直接計算GNSS軌道預測,無需外部輔助數據或連接。如果RF訊號電平較低,則擷取時間會增加。良好的天線和謹慎的天線放置對於取得最佳效果也非常重要。

以u-blox提供的A-GNSS服務為例,它是具備全球可用的即時線上服務,可提供快速的首次定位時間、較低功耗、易於整合,以及隱私權保護等特性。此外,針對要求低功耗的IoT應用,u-blox亦有CloudLocate雲端定位服務,與獨立的GNSS省電方式相比,可節省達十倍的功率,能有效延長IoT裝置的使用壽命並降低營運成本。

整體評估產出最佳權衡決策

圖3彙整了硬體與韌體的功耗最佳化設計策略以及對應的使用案例。每個應用都有其特定的功耗、成本與效能要求,須整體評估各種方案與設計策略,才能作出最佳權衡的決策。

圖3  不同使用案例的硬體/韌體功耗最佳化策略

以運動手表為例,可在聯網時下載離線用的輔助GNSS,這有助於縮短啟動時間,不過則需採用備用電池和即時時鐘。對大多數運動型手表來說,利用TCXO以及同步接收兩種GNSS衛星,可在功耗與效能之間取得最佳平衡。

又如物流追蹤器,它首重的是電池壽命,而不是定位準確度,以及需要盡量減少物料清單,以實現精巧尺寸與低成本。至於汽車追蹤器,通常是透過OBD介面連接到汽車電池。若採用小型的嵌入式天線,往往會有RF訊號不佳的困擾。這時,採用LNA及結合輔助式GNSS服務的多重GNSS接收器,就能有效解決此問題。

隨著越來越多的消費性、工業和汽車追蹤應用採用衛星定位技術,客戶對於效能、尺寸、成本和功耗都有更高的期望。由於這四個因素是彼此相連的,因此任何降低功耗的措施都會影響產品效能,因此開發人員的全面性考量就變得更為重要。

(本文作者為u-blox標準精準度GNSS產品策略經理)

 

本站使用cookie及相關技術分析來改善使用者體驗。瞭解更多

我知道了!