物聯網(IoT)的目的就是藉由網路把各種物件相互連接起來，然而，要達到此一願景，將面臨許多連接性(Connectivity)層面的挑戰。
首先，在物聯網領域內，有著各式各樣的通訊標準，令人眼花瞭亂，而且這些標準還在持續演進；主要的原因在於，不同的物聯網設備，需要多種不同通訊標準來滿足不同的覆蓋範圍以及通訊頻寬的要求。
一個智慧物聯網平台需要三個主要構件：連接、感測和智慧處理(圖1)。這樣的智慧平台須要處理很多資料，而一個以數位訊號處理(DSP)為基礎的解決方案能夠提供充分支援，以幫助設計人員開發建基於連接、感測和智慧處理構件的智慧物聯網平台。
 |
| 圖1 DSP解決方案：連接性+感測+智慧處理 |
本文將從物聯網連結性所面臨的挑戰開始，討論DSP技術如何推動智慧物聯網的發展。
經由DSP實現智慧連接
建基於DSP的軟體實體(PHY)解決方案支援多種連接性標準，從而實現智慧物聯網設備。以智慧家庭為例，物聯網設備大多使用無線區域網路(Wi-Fi)連結，然而在沒有Wi-Fi的情況下，便會自動地轉換至長程演進計畫(LTE)網路。
從安全的角度來看，要癱瘓家庭Wi-Fi網路或電力供應是十分容易的，但是廣域LTE網路就難以被攻破，所以物聯網設備如果須要超出家庭網路範圍之外的雲端連接，就要依賴LTE。
在物聯網環境中有著各式各樣的低成本感測器，以智慧家庭為例，一個物聯網家庭控制器設備可能具有麥克風，能夠收集語音輸入、處理用於語音辨識的指令和進行說話人身分確認，並且在偵測到玻璃破裂等可疑聲響時自動呼叫保全公司。
家中可能還有互補式金屬氧化物半導體(CMOS)影像感測器，能夠執行運動檢測、夜視和臉部辨識等功能，並可發出訊息通知主人究竟誰在家裡。
那麼，DSP在感測領域中可發揮什麼作用呢？首先，DSP使得人們可以分析和匯集來自感測器的資料，而且越來越多感測器會產生大量資料和資訊，必須以極低功耗來完成有關的處理工作。
提升感測器訊號完整性 數位訊號處理不可或缺
市面上有著許多各式各樣的感測器，分別應用在運動、聲音、視覺、健康和其他環境資料的獲取。
生物特徵感測器對於穿戴式設備非常重要，因為它們能夠與皮膚和肌肉接觸，並且讓健康監測的時間更持久。
此外，也有多種運動感測及位置和環境感測的應用程式使用到麥克風、相機，以及環境感測器。還有信標和三角測量設備，在沒有全球衛星定位系統(GPS)訊號的商場和機場之中，它們可用來追蹤位置。
這些感測器所輸出的雜訊可能很高，所以須要透過濾波、平滑、校準等方法來「清理」訊號以提取出資料。為了校準和獲得有意義的資料，就無可避免地要進行大量的訊號處理。而這將帶來一個兩難的問題，因為手機和物聯網設備原始設備製造商(OEM)要求將始終開啟(Always-on)感測應用的功耗控制在數毫安培(mA)的水準。
使用DSP進行智慧感測
早期的感測器融合功能通常是作為應用處理器軟體的一部分，但是這種方法的功耗太高。接下來，原始設備製造商開始使用感測器中樞(Sensor Hub)，它通常是一顆簡單的微控制器，用來執行簡單的加速度計或運動感應處理等工作。然而，這種方法同樣存在功耗問題。原始設備製造商需要功耗很低的解決方案。
建基於DSP的感測解決方案可以節省功耗，並同時執行多種感測任務。超低功耗DSP將經由麥克風隨時偵聽語音指令，並且在有需要時喚醒主處理器，它還能夠經由學習過程和預先設定的規範來執行環境感知操作。生物特徵感測器的引入，進一步增加了對DSP的需求。
以CEVA-TL410 DSP核心為例，可以在功耗低於150微瓦(μW)的條件下實現始終開啟的感測器融合、語音觸發、人臉觸發和藍牙低功耗(Bluetooth Low Energy, BLE)功能。它不僅可以嵌入在獨立感測器中樞型態的晶片中或者整合在音訊編解碼晶片內，而且應用處理器本身也可將DSP核心和子系統整合進來(圖2)。
 |
| 圖2 CEVA DSP解決方案可嵌入在感測器中樞內或應用處理器中 |
物聯網的目的就是要把各種物件連接起來，但這並不意味著它們天生就具有智慧處理的功能。以智慧家庭為例，物聯網家庭控制器設備必須是具有智慧的，它可以透過匯集本地設備上的資料來提取有價值的資訊，並且發送訊息告知家中一切平安。而以DSP為中心的解決方案能夠實現建基於連接性、感測和智慧處理構件的智慧物聯網設備的開發。
本地智慧處理節省成本兼顧隱私
如何才能使得物聯網設備具備更高的智慧？今天大量的物聯網處理是在雲端進行，但是對於語音辨識、目標辨識和資料分析等應用，則較適合在設備端進行本地處理。在大多數情況下，若要把來自感測器、麥克風、相機和其他來源的所有資料都傳送到雲端，根本是不可行的。另一方面，位於物聯網設備內部並且具有全部所需周邊的DSP子系統能夠提供功能強大的智慧處理系統，以作為音訊和視覺分析之用。
建基於DSP的本地智慧處理能力，為專用訊號處理應用提供了低功耗的優勢，並可節省寶貴的通訊網路頻寬以及雲端服務的成本。本地智慧處理能力的另一項優勢，就是避免了將資訊(例如相機和麥克風的輸入)從物聯網設備傳向雲端時可能引起的安全和隱私問題。
例如，建基於DSP的音訊分析能夠執行聲音分類和分析，用於語音辨識和說話人身分辨識的應用。它能夠根據說話者語音的聲調辨識出緊急情況，或者報告玻璃破裂和嬰兒哭泣等事件。
還有建基於DSP的電腦視覺和視訊分析，它們能以遠低於CPU或繪圖處理器(GPU)的功耗來執行場景分析等任務。市面上還有越來越多配備了相機的物聯網設備，這些設備為了滿足如目標檢測、臉部辨識和手勢辨識等應用的需求，須要具有複雜的視覺分析能力。
(本文作者為CEVA音訊和語音產品市場行銷總監)