ZETA+TinyML：“端智能”和“遠程算法升級”開啟LPWAN2.0泛在物聯新時代

“泛在物聯苦部署及運營成本久矣。”

隨著各行各業數字化程度及轉型需求越來越高，數據及高速率的網絡部署已成為“重”運營資產。海量的終端數據傳輸到云端，侵占的資源、電量越來越多，輕量化、低成本部署成為眾多企業的渴求。而這一“苦“隨著微型機器學習（以下簡稱TinyML）、LPWAN等技術的發展，可能迎來真正的化解。

基于終端計算在能耗、效率等方面擁有明顯的優勢，?尤其在萬物互聯的 IoT 時代的背景下，TinyML 在最近兩年可謂“狀態火熱”。近日，新一代LPWAN技術ZETA推出“ZETA+TinyML”端智能系列產品，正在工業預測性維護、數智化物流、智慧城市等領域加速應用落地。搭配LPWAN網絡定制的增量OTA遠程升級技術，進一步降低物聯軟件的部署和運營成本。ZETA+TinyML的端智能應用或從根源解決物聯網的部署和軟件升級難題。

01

何謂ZETA+TinyML?

眾所周知，LPWAN是一種遠距離、低功耗、窄帶寬的無線通信技術，解決物聯網產業存在的終端功耗高、海量終端連接、廣域覆蓋能力不足和成本高等困難，適合大規模部署。但即便如此，物聯網的應用下沉仍是一個難題。以工業場景為例，工業設備眾多，環境極其復雜，技術的穿透性、部署的便捷性成為剛需。因此，作為新一代LPWAN技術ZETA推出“LPWAN2.0泛在物聯”，旨在以更高性能、更強穿透力、更低成本加速物聯網在工業、物流等成本敏感性行業的應用。

與此同時，ZETA還瞄準了限制物聯網技術應用落地“高帶寬數據分析不及時”這一痛點。據IDC最新研究報告顯示，在工業場景68％的數據被浪費。比如振動監測和圖像識別的應用，這些場景一般選用5G、wifi等高速率通信回傳原始波形和圖像，網絡成本激增的同時，還極度依賴后臺算法開發和二次分析。TinyML在端測內置微型機器學習的技術，在滿足越發迫切實時分析需求的同時，結合ZETA低成本、強穿透優勢打造“端智能”應用，或可突破傳統物聯技術構架限制，拓展更多LPWAN應用場景。

TinyML正在讓數以億計的邊緣設備擁有實時處理數據的能力，從而擺脫對網關和計算中心的依賴。以數據為中心的節點將成為一個個“端智能“單元，將數據采集、信號處理、模型推理和結果傳輸融為一體，以低成本、低功耗和穿透力更強的LPWAN通信技術為載體，使智能泛在物聯無處不在。TinyML和ZETA LPWAN技術的融合，將極大拓寬LPWAN原有的應用場景，給物聯網市場AIoT升級之路帶來巨大的想象空間。

02

ZETA 增量升級助力TinyML泛在部署

大多數物聯網設備可能就是一顆MCU，不會像手機那樣有足夠多的存儲資源。“深度壓縮”技術已經讓TinyML模型“瘦下來“，但是還遠遠不夠。

TinyML模型經訓練后并非一勞永逸，還有按需更新的必要，主要體現在以下方面：

物聯網碎片化的應用場景導致差異化嚴重，即使是同類型的任務，也需要重新訓練模型，或是調整模型參數。

“泛在物聯苦部署及運營成本久矣。”

隨著各行各業數字化程度及轉型需求越來越高，數據及高速率的網絡部署已成為“重”運營資產。海量的終端數據傳輸到云端，侵占的資源、電量越來越多，輕量化、低成本部署成為眾多企業的渴求。而這一“苦“隨著微型機器學習（以下簡稱TinyML）、LPWAN等技術的發展，可能迎來真正的化解。

基于終端計算在能耗、效率等方面擁有明顯的優勢，?尤其在萬物互聯的 IoT 時代的背景下，TinyML 在最近兩年可謂“狀態火熱”。近日，新一代LPWAN技術ZETA推出“ZETA+TinyML”端智能系列產品，正在工業預測性維護、數智化物流、智慧城市等領域加速應用落地。搭配LPWAN網絡定制的增量OTA遠程升級技術，進一步降低物聯軟件的部署和運營成本。ZETA+TinyML的端智能應用或從根源解決物聯網的部署和軟件升級難題。

01

何謂ZETA+TinyML?

眾所周知，LPWAN是一種遠距離、低功耗、窄帶寬的無線通信技術，解決物聯網產業存在的終端功耗高、海量終端連接、廣域覆蓋能力不足和成本高等困難，適合大規模部署。但即便如此，物聯網的應用下沉仍是一個難題。以工業場景為例，工業設備眾多，環境極其復雜，技術的穿透性、部署的便捷性成為剛需。因此，作為新一代LPWAN技術ZETA推出“LPWAN2.0泛在物聯”，旨在以更高性能、更強穿透力、更低成本加速物聯網在工業、物流等成本敏感性行業的應用。

與此同時，ZETA還瞄準了限制物聯網技術應用落地“高帶寬數據分析不及時”這一痛點。據IDC最新研究報告顯示，在工業場景68％的數據被浪費。比如振動監測和圖像識別的應用，這些場景一般選用5G、wifi等高速率通信回傳原始波形和圖像，網絡成本激增的同時，還極度依賴后臺算法開發和二次分析。TinyML在端測內置微型機器學習的技術，在滿足越發迫切實時分析需求的同時，結合ZETA低成本、強穿透優勢打造“端智能”應用，或可突破傳統物聯技術構架限制，拓展更多LPWAN應用場景。

TinyML正在讓數以億計的邊緣設備擁有實時處理數據的能力，從而擺脫對網關和計算中心的依賴。以數據為中心的節點將成為一個個“端智能“單元，將數據采集、信號處理、模型推理和結果傳輸融為一體，以低成本、低功耗和穿透力更強的LPWAN通信技術為載體，使智能泛在物聯無處不在。TinyML和ZETA LPWAN技術的融合，將極大拓寬LPWAN原有的應用場景，給物聯網市場AIoT升級之路帶來巨大的想象空間。

02

ZETA 增量升級助力TinyML泛在部署

大多數物聯網設備可能就是一顆MCU，不會像手機那樣有足夠多的存儲資源。“深度壓縮”技術已經讓TinyML模型“瘦下來“，但是還遠遠不夠。

TinyML模型經訓練后并非一勞永逸，還有按需更新的必要，主要體現在以下方面：

物聯網碎片化的應用場景導致差異化嚴重，即使是同類型的任務，也需要重新訓練模型，或是調整模型參數。

數據積累改善模型精度需要。TinyML模型一般由純數據驅動的神經網絡算法訓練而來，模型精度與數據量成正相關，隨著數據不斷累積，模型也有定期迭代的需求。

狀態改變帶來的重新學習需要。比如工廠設備經大修后振動水平發生變化，需要重新采集一段時間的數據進行學習，并生成新的模型benchmark。

任務輸出變化帶來的升級需要。典型的如分類模型任務，增加一個類別的輸出就需要重新搜集該類別的“基因數據”。

增量OTA（Over-the-Air，空中下載技術）也叫差分遠程升級技術，可解決TinyML遠程升級難題。相比于傳統整包升級和壓縮包升級方式，增量升級能最大程度地降低模型升級成本，包括空間維度上的內存成本和時間維度上的時間成本。

增量升級的關鍵在于文件差分算法。文件差分算法將源數據和目標數據作為輸入，提取公共部分，將目標文件中剩余的部分打包成patch包差分數據作為輸出。如果兩個文件之間的差異很小，就可以大大降低數據冗余性，節省數據的存儲空間和傳輸帶寬。bsdiff是目前最常用的一種差分算法，其壓縮效率高，算法穩定性也好。

bsdiff差分默認使用bzip2壓縮算法，其壓縮效率雖高，但相應地也要求解壓端側最小內存400KB，所以并不適合資源受限的嵌入式芯片。為了適配更多的物聯網終端，ZETA自研高效的壓縮算法，兼顧壓縮效率和平臺兼容性，利用bsdiff差分包0比較多的特點進行簡化壓縮---只壓縮0。以100kB、10%差異的TinyML模型來說，最終的差分包大小將在11kB以下，而僅要求10kB的額外內存空間，從而能在所有物聯芯片上使用。

增量升級技術結合ZETA低功耗、廣覆蓋的通信優勢，將進一步串聯起傳輸、處理和升級等數據鏈路，解決物聯網碎片化的應用場景和在線升級成本高等行業痛點，打造端到端的數據增值服務。

03

ZETA+TinyML 端智能應用加速落地

ZETA “端計算”智能傳感器，通過在傳感器側進行振動、聲音、圖像等信號的“人工智能壓縮”（即依托機理+深度學習/機器學習的特征提取和事件檢測），融合TinyML技術進一步實現“機器智能”的泛在部署。目前ZETA端智能系列傳感器正逐步在工業設備預測性維護、智慧樓宇、城市管理等場景落地。

ZETA端智能振溫傳感器

目前的設備故障預警和診斷極度依賴平臺大數據算法和后臺專家分析的方式，系統整體實施成本居高不下：不僅僅是傳感器成本，還包括高昂的網絡部署、算法二次開發和人力成本，很大程度上造成設備預測性維護難以大規模落地，漸成行業“理想”。

ZETA端智能振溫傳感器將機理先驗知識和TinyML技術融為一體，在端側提取敏感度高的特征參數和運行推理模型（而非原始波形），并通過低功耗、強穿透的ZETA網絡實現大范圍覆蓋和高效傳輸。在部署階段有個短暫的“學習期”，由平臺自動訓練生成異常檢測和故障識別的TinyML模型，并通過ZETA server的增量升級技術進行批量遠程部署。報警和診斷完全在端側執行，保證了數據的時效性，并節省了網絡帶寬占用和電量消耗。在典型工業環境下，單網關接入容量300+，電池壽命3年以上。

ZETA端智能振溫傳感器是LPWAN通信技術和TinyML算法深度結合的一次創新，由于振動信號的通用性，該產品構架也可拓展為其他橫向場景，諸如結構安全評估、可穿戴設備、運動和健康監測等，繼續豐富ZETA產品生態圈和泛在物聯的價值圈。

ZETA端智能幕墻檢測器

幕墻玻璃檢測器是ZETA端智能的另一個TinyML應用示例。圖像識別玻璃幕墻是否破碎是最直接的方式，但是實際應用中存在成本高昂、布線不便和隱私泄露等痛點。ZETA端智能幕墻檢測器集成低成本攝像模組，將圖像識別的算法“壓縮”成TinyML模型植入模組，僅1/3信用卡大小，占用內存僅幾十kB，可由電池供電長期運行。圖像識別的結果由ZETag協議回傳，實現功耗更低的通信傳輸，一個網關甚至可以覆蓋附近的2~3棟大樓。

端智能的圖像識別TinyML應用還有許多場景可擴展，比如數字抄表、工廠異常情況檢測、城市安防監控等等，攝像頭將不再是依賴于有線供電和填滿硬盤的一個儀器，而是具備“自我喚醒”意識和“自主辨識“能力的守望者。

作為新一代LPWAN技術，通過與TinyML技術的深度融合，ZETA“端智能”將串聯起傳輸、應用和升級的完整數據鏈，以實現更低成本、更低功耗和更智能的網絡，并將其應用到智慧城市、工業互聯網、智能農業等社會領域的方方面面，其打造透明高效、無處不在的LPWAN2.0泛在物聯新生態的愿景指日可待。

IoT 機器學習 神經網絡

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。