基于5G的AI傳感器在環境監測中的應用研究

王國慶，李 堅，呂耀坤

(中通服咨詢研究院有限公司，江蘇 南京 210019)

0 引 言

工業社會的飛速發展給人類帶來了豐富的物質生活，與此同時，由于人類對其負面影響考慮不周，隨之而來的污染也在逐步侵蝕和破壞人類賴以生存的環境。環境監測與污染治理由此成為了一項重要且長期的工作。

當前的智能無線傳感器及無線傳感器網絡(Wireless Sensor Networks，WSN)主要是由數據采集模塊、數據傳輸模塊、數據處理模塊構成的智能一體化設備。它不僅能夠準確、快速、方便地獲取信息，還具有體積小、成本低，能夠進行無線通信和數據處理等優點，因而在環境監測方面得到了廣泛的研究與應用[1]。王驥等人提出了利用ZigBee技術結合WSN設計一種安全高效的、個性化的環境監測系統，該系統主要由終端傳感器節點、GPRS網關及操作軟件組成[2]。張全柱等人采用模塊化設計方法，構造由粉塵傳感器與溫濕度傳感器組成的數據采集模塊，采用ZigBee協議的傳輸模塊以及ARM 9處理器構成的數據處理模塊[3]。

然而由于ZigBee技術傳輸速率低，帶寬窄，在大數據量情況下，其實時監測應用必然受到限制。而且目前獲得的數據最終多是經由人工使用計算機或手機等操作處理的，處理速度及便捷程度受到一定制約。如何更快捷地獲得并加工處理數據以適應實時監測的需求成為無線傳感器網絡的研究方向之一[4]。

隨著通信技術的飛速發展與人工智能的高速崛起，5G技術、人工智能也將改變現有傳感器及傳感器網絡，使其變得更加快速高效智能。本文結合5G關鍵技術與AI技術的特點，提出了基于5G的AI傳感器在環境監測中的應用。

1 5G網絡架構及關鍵技術簡介

1.1 5G網絡架構

5G網絡架構由控制平面、接入平面和轉發平面構成。控制平面利用網絡功能重構負責集中控制和進行無線資源的全局調度；接入平面包含基站和無線設備，可靈活快速地實現無線接入協同控制以及提高資源利用率；轉發平面包含分布式網關、集成內容緩存和業務流加速等功能，在控制平面的統一管控下實現數據轉發效率和路由靈活性的提升。通過引入軟件定義網絡(SDN)和網絡功能虛擬化(NFV)等技術，實現控制功能和轉發功能的分離，以及網元功能和物理實體的解耦，從而實現多類網絡資源的實時感知與調配，以及網絡連接和網絡功能的按需提供和適配[5]，如圖1所示。

圖1 5G網絡架構

1.2 5G關鍵技術

(1)大規模MIMO技術。大規模MIMO技術是傳統MIMO技術的演進，它將天線數目提高到幾十個甚至上百個。與傳統MIMO技術相比，大規模MIMO技術具有更低的時延與更強抗干擾能力，且可以提高空間分辨率、系統容量和發射功率利用率。

(2)毫米波技術。毫米波是指波長在毫米數量級，頻率大約在30 GHz～300 GHz之間的電磁波。毫米波技術可以通過提升頻譜帶寬來實現超高速無線數據傳播，從而成為5G通訊中的關鍵技術之一。由于毫米波頻段的另一個特性是在空氣中衰減較大，繞射能力弱，因此更適用于室內通信及D2D應用場景。

(3)D2D。設備到設備通信(Device to Device，D2D)是指設備與設備之間的直接通信。該技術具有減輕基站壓力、提升系統網絡性能、降低端到端的傳輸時延、提高頻效率的潛力。其在實際應用中主要分為4類，包括基站控制鏈路建立下的終端設備中繼、基站控制鏈路建立下的直接終端設備通信、終端控制鏈路建立下的直接設備通信以及終端控制鏈路建立下的終端設備中繼。

(4)全雙工。全雙工是5G關鍵空中接口技術之一，它令終端設備可以在同一時間同一頻段發送和接收信號，達到比傳統的TDD或FDD高一倍的頻譜效率，同時減小端到端的傳輸時延和信令開銷。

(5)超密集網絡。超密集網絡(UDN)對5G要求中的高速率、低時延、大業務量以及高密度終端數起到了至關重要的作用。它通過部署大量的設備來滿足高密度、高流量的無線終端接入要求，同時提高系統的頻譜利用率，從而使系統容量得以提升。UDN的典型應用場景包括辦公樓、車站、校園、地鐵、醫院、體育館等人流密集地區。

2 人工智能

人工智能(Artificial Intelligence，AI)是美國計算機科學家John McCarthy在1956年提出的計算機科學的一個分支，它是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的科學技術。人工智能試圖了解智能的實質，并生產出一種新的能以人類智能相似方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。

2.1 機器學習

機器學習是指通過分析和學習來挖掘數據模式，并且能夠用這種模式預測未來數據或是不確定情況下做出最佳決策的一系列方法，可以簡單的認為是預測分析的自動化。機器學習的代表算法有深度學習、人工神經網絡、決策樹、增強算法等。

2.2 機器視覺

機器視覺是讓計算機看到的科學。機器視覺利用攝像機、模擬數字轉換和數字信號處理來捕捉和分析視覺信息。人們通常將它與人類的視覺相比較，但是機器視覺不受生物學的限制，可以通過編程來觀察對象。機器視覺已用于從簽名識別到醫學圖像分析的一系列應用中。

2.3 自然語言處理

自然語言處理(Natural Language Processing，NLP)是計算機科學領域與人工智能領域中的一個重要方向。它是研究實現人與計算機之間用自然語言進行有效通信的理論和方法。NLP最著名的例子是垃圾郵件檢測，經過查閱主題欄和電子郵件文本，然后判斷是否是垃圾郵件。目前的NLP方法是建立在機器學習基礎上的。NLP任務包括文本翻譯、情緒分析和語音識別。

3 AI傳感器在環境監測中的應用

圖2是標準網絡化AI傳感器典型結構模型圖，由智能變送器單元(STIM)、信號調理單元，數字化處理模塊、傳感器電子數據表、傳感器獨立接口、網絡控制模塊(NCAP)、網絡接口等單元模塊組成[6]。在對環境的監測中，智能傳感器的傳感部件是由多種氣體傳感器節點組成，如粉塵傳感器、甲烷傳感器、二氧化硫傳感器等，可同時監測環境中的多種有害氣體。每一個氣體傳感器都直接與通訊模塊的信號發射節點相連，采集到的數據通過網絡傳輸至處理器模塊[7]。

圖2 IEEE1451.2標準 智能網絡傳感器系統典型結構模型[6]

3.1 信號感知

信號感知是由傳感器感知模塊對外界變化因素進行快速響應所采集的模擬信號。傳感器感知模塊主要部件由光敏材料、電敏材料、壓敏材料、氣敏材料等一系列敏感材料構成。智能傳感器中敏感部件的存在方式多變，可像傳統傳感器一樣獨立存在；也可通過硅集成技術，將敏感元件進行陣列化集成，提升敏感精度與靈敏度；還可將不同敏感元件進行復合式集成，對多種待測物理量進行測量。變送器單元將傳感器的非標準輸出信號變成標準可控信號量，對可控信號量進行傳輸與測量，以方便數據采集[8]。

3.2 信號處理

傳感器將采集到的模擬信號信息傳輸到智能變送器單元，智能變送器單元模塊對信號進行調理和模數轉換，形成方便傳輸保存的數字信號。而電子數據表(Transducer Electronic Data Sheets，TEDS)可對傳感器基本信息進行配置，使智能變送器能夠對其自動識別和描述，從而使智能傳感器即插即用的便捷性成為可能。

3.3 通訊傳輸

傳感器采集的數據需搭載無線通信技術傳輸到客戶端。要對環境進行實時有效的監測，就需要依靠以大量智能傳感器節點為基礎單元所形成的傳感分布系統。龐大的監測數據量，海量的接入節點十分契合5G技術特點。5G網絡的技術特點就是熱點容量高，低時延高可靠，低功耗大連接。對信息數據進行收集處理再反饋給傳感器節點達到自調節、自校正作用，減少測量誤差。低延時和數據安全性是智能傳感器通信傳輸的關鍵點。2016年11月18日，3GPP會議確定了Polar碼作為5G 增強移動帶寬(eMBB)場景的控制信道編碼方案。極化碼是理論上可達到香農極限的編碼方式，將會是5G無線通信的核心技術之一。

4 結束語

人工智能的快速發展，5G技術的革新，兩者之間相互的結合是未來的重要發展方向之一。本文對5G技術特點進行歸納，對人工智能實現調研，提出了基于5G的智能傳感器在環境監測中的應用。實時環境監測是打造智慧城市的重要手段之一，搭載5G無線技術的智能傳感分布系統將會在未來生活中展現出極大優勢。