新世代的高效能工业感测器能够支援次级指向精确度与精密的地理位置定位，同时提供必要的尺寸与成本效率，而且开始致力于推动「可移动的物联网」的发展。

随着高品质的感测器日益普及，并结合可靠的连接能力和资料分析，创造了新的工业效率，同时也使得这些智慧节点越来越具有自主性和行动化。在许多情况下，感测器节点进行精密的动作撷取与定位追踪，成为应用是否成功的主要核心。

智慧农场可以利用自动化的地面与空中交通工具，依据丰富的地理位置定位(geolocation)感测器内容与分析学习，更有效率的指引地面作业。智慧手术室将典型的导航技术带到手术台上，采用感测器融合的精密导引机械手臂，确保在所有情况下都能够精确的指引。在许多领域中，以动作为基础的感测器能让行动应用的价值得到加乘效果。

消费型惯性感测器应用已广泛用于智慧型手机中，但也造成使用者普遍认为其准确度差强人意；因此，迄今为止，在推动「可移动的物联网」(Internet of Moving Things；IoMT)概念上一直成效不彰。然而，新世代的高效能工业感测器能够支援分度(sub-gegree)指向精确度与精密的地理位置定位，同时提供必要的尺寸与成本效率，而且正开始致力于推动IoMT的发展。

工业系统中的智慧感测驱动力

工业机械与制程中最有价值的进展就是专注于有形的系统级优点，而其通常会带来设计与实作上的挑战，另一方面也进而转化为新的解决方案与商业模式。目前有三种这一类型的系统级驱动力，都是为了追求资源效率、临界精确度以及提升安全性而设计。着眼于这些增强功能的应用分布在不同的产业，横跨空中/陆地/海洋、室内/室外、短期/长期以及人类/机械等方面，但无论如何，这些应用领域都仰赖于共同的属性；也就是精确度、可靠度、安全性以及智慧处理与分析。

智慧感测

这些智慧且可存取的系统藉由感测器丰富的情境架构，彻底改变了原本已经成熟的产业，让农业转型为智慧农业，基础设施升级为智慧型基础设施，城市过渡至智慧城市。当为了收集与环境相关的情境资讯而部署更多的感测器时，对于要求跨平台与跨时间融合(例如，针对去年作物产量或交通状况与模式等基础架构，透过云端分析其如何随时间进展)的资料库管理与通讯(而非单纯感测器对感测器)也带来了新的复杂度。

「动作」至关重要

在大多数情况下，IoT是处于运动状态的。即使它不在动态时(例如固定式工业安全摄影机)，精准指向仍然至关重要，或者意识到出现不想要的动作(如窜改)也具有价值。以采用光学负载撷取作物影像的无人机而言，假如可以在严苛的飞行状况下维持精确的指向角度，就能更快提供较佳的结果，而且，如果光学资料能够精确地套用地理映射，还能够进行资料与趋势的历史比较。

智慧交通工具(无论是地面、空中或是海上)越来越依赖GPS导航系统。然而，无论是蓄意或是自然的因素(建筑物、树木、隧道等等)，GPS所受到的威胁也日益严重。如果选择精确的感测器，就能在中断运作期间以更多感测器进行可靠的航位推算(dead reckon)。表2列出将动作(M)加入IoMT中事件范例，显示动作对于应用效用的相关性。

可靠且安全的IoMT节点

IoMT节点输出的有效性与价值最为仰赖的就是核心感测器的品质，以及其以高传真度撷取应用情境架构的能力。其次，对于持续的感测器校正/增强以及理想的感测器对感测器状态等动态(例如，在任意特定时间点，哪一个感测器最可靠)而言，融合处理是必要的。应用级的处理被分层至解决方案中，并且针对环境的细节(包括适当的限制条件)进行最佳化。虽然这些节点分别具有自主性，但在某些状况中会协同运作，例如在地面或空中集结成群的无人驾驶车辆等。这些情况中都会部署安全的通讯连结，并且加强可靠的传输以及受到保护的独特身份等。

位于自主核心的感测器

就像人体一样，自主性IoMT节点仰赖多重感测输入，以实现独立行动所需要的意识，并为将其随机或什至是混乱的事件进行最佳化，最终随着时间而予以改善。如表4中所注记的，由基本量测转换成控制或是自主性，都必须在感测器合并层级与嵌入式智慧方面提高精密度。由于这些节点具备高层次的互连与自主学习能力，它们正朝向人体与机器聚合的方向发展。

无需基础架构的定位途径

GPS无所不在，除非卫星讯受阻或是停止运作。如果能顺利存取的话，可以实现极其精密的无线测距技术。如果能不受到干扰的话，磁场读数会一直存在着。惯性也可以独立自主作业。很显然的，惯性MEMS感测器存在自身的不足(漂移)，但这些问题都是可以管控的，而且新世代的工业惯性测量单元(IMU)以小巧又具有成本效益的封装提供了前所未有的稳定度。

惯性MEMS元件采用标准的半导体制程、精密的封装以及整合方案，借以直接感测、测量与解译其动作，它通常是以线性加速度(g)或是角度旋转(°/秒或速率)的形式呈现，如图3所示。因为几乎所有的理想应用都具有所谓的多重自由度(事实上，动作能在任何以及所有轴上发生，而设备在其动作中则相对不受限制)，所以，g与速率的测量必须分别针对x、y与z轴进行撷取；或是在某些状况下称为滚动、俯仰与偏航轴。将这些结合起来，有时候可被称为6自由度惯性量测单元。

特点或性能

有些应用可能只是意味着增加特点(以装置的姿势/方向切换模式)的实质价值，而这些特点透过简单的MEMS元件就能轻易地撷取。工业或是专业装置或许更易于测量价值，因为具备了多个方向精确度与次级之间的差异，或是更高一个数量级的精确位置辨认能力，而且又可以在高振动环境下运作。低阶与高阶感测器之间的性能差异并非十分微小，事实上其差异大到在挑选元件时必须确保经过谨慎的考虑。

终端应用将会决定所需的精确程度，而所挑选的感测器品质则将会决定是否能达成目标。表5比较两种解决方案，显示感测器挑选的重要性不仅只针对设计的过程，同时也影响设备的精密度。低精密度感测器如果只在有限的情况使用，而且应用装置具有容错能力，那么它或许是适用的；换个方式说，它适用于无关乎安全性、无性命攸关，或是相对精密度不需要太高即已足够的情况。虽然大部份的消费级感测器具有低杂讯，而且可在良好条件下充份的运作，但并不适用于处在动态动作(包括振动)中的机械，因为在低性能惯性量测单元中无法将其所需要的部份从简单的线性加速度或是倾斜测量中分离出来。为了在工业环境中运作时具有优于一度以上的精确度，感测器挑选的重点在于能针对来自振动或温度影响造成的漂移进行拒斥的设计。像这样的高精密度感测器才能支援更大范围的预期应用状态，而且可以经历更长的使用时间。

测器融合能解决感测器品质差的问题吗？

简单的说，不能。感测器融合是能够合并与管理感测器结合的滤波功能与演算法，与环境、动作动力学以及应用状态有关。它可以提供确定性的校正像是温度补偿，而且能依据系统状态知识，管理从一个感测器到另一个感测器的协调管制。然而，它无法修正感测器中的原生缺陷。

在感测器融合设计中最具关键性的任务，首要就是开发应用状态的深度知识，借以驱动其它的设计程序。接下来是针对特定应用装置挑选适当的感测器，这需要透过详细的分析以了解它们在总体任务不同阶段中的权重(相关性)。在行人定位推算的范例中，解决方案主要受到现有设备(例如智慧型手机中的嵌入式感测器)的限制，而非因为性能设计所导致。因为这个缘故而会变得相当仰赖GPS与其它现有的嵌入式惯性或磁性之类的感测器，其对于判定有效位置资讯的任务只能够提供很少量的贡献。这在户外很自然地可以运作，但是在充满挑战性的城市环境或室内时，GPS无法使用，而其它可用感测器的品质不佳，于是就会留下一个很大的差距，或者换个方式说，就是位置资讯品质的不确定性。虽然先进的滤波器以及演算法通常会被用来合并这些感测器，因而不需要额外的感测器或是更高品质的感测器，但是想要实质上的填补不确定性差距，软体所能做到的其实也只有微乎其微，最终则会显著的降低回报位置的可信度。

精密的动作感测不再孤立于利基应用，而只能投资于其他昂贵的追踪解决方案。凭借采用迷你IMU尺寸的工业级精密度，IoT设计者现在可以透过整合高品质的动作感测并结合嵌入式情境感知以加乘其所提供的价值，从而驱动IoMT进展。