專題研究

基於邊緣人工智慧（TinyML）之 Wi-SUN FAN 智慧城市感測節點即時交通事件偵測

Research Overview

Edge AI (TinyML)-Based Real-Time Traffic Event Detection on Wi-SUN FAN Smart City Sensor Nodes

研究者: 張宇鈞（Eric），國立中央大學通訊工程學系 × 英美語文學系雙主修
指導教授: 胡誌麟教授
實驗室: 網路計算實驗室（Network Computing Laboratory, NCLab）
研究領域: 物聯網、無線感測網路、嵌入式機器學習、智慧城市
預計成果: 2027 年 2 月下旬：研究報告與海報展示

摘要 Abstract

智慧城市感測網路普遍採「節點上傳、雲端判讀」的集中式架構。在 Wi-SUN FAN 這類以 IEEE 802.15.4g Sub-GHz 為基礎、強調低功耗與多跳網狀拓樸的場域網路中，持續上傳原始感測資料會造成頻寬壅塞、多跳延遲累積與節點能耗上升。本研究延伸指導教授團隊既有的 Wi-SUN FAN 即時 AI 交通事件系統 [1]，提出將事件判讀下放至感測節點的邊緣推論架構：以三軸磁力計擷取車輛通過時的地磁擾動，於 Silicon Labs EFR32xG28 微控制器上部署經 INT8 量化之輕量化分類模型，進行車輛偵測與車種分類，並以「事件觸發上傳」取代週期性原始資料上傳。研究將於實際 Wi-SUN FAN 測試網路中，比較雲端判讀與邊緣判讀在偵測效能、上行資料量、端到端延遲與能耗上的差異。

關鍵詞：Edge AI、TinyML、Wi-SUN FAN、IEEE 802.15.4g、磁力計車輛偵測、事件觸發通訊、INT8 量化

1　研究背景與問題定義

集中式判讀在低速率場域網路上的三個瓶頸

頻寬受限

Wi-SUN FAN 的 FSK 實體層速率約為數十至數百 kbps。節點數增加時，週期性原始資料上傳會迅速逼近通道容量（見圖 2）。

延遲累積

多跳網狀拓樸中，每一跳都引入排隊與重傳延遲；後端判讀再增加一段處理時間，拉長事件回報的端到端延遲。

能耗集中於射頻

電池供電節點的主要耗能來自無線傳輸。降低發射時間（airtime）是延長節點壽命最直接的手段。

問題定義

給定節點 i 的三軸磁場序列 b_i(t)，在節點上學習分類函數 f_θ，輸出事件類別 ŷ ∈ {無事件, 機車, 小客車, 大型車}，並僅在 ŷ ≠ 無事件時上傳事件摘要。本研究的最佳化目標可寫為：

minimize　D_up(f_θ)，　L_e2e(f_θ)
subject to　F1(f_θ) ≥ F1_cloud − ε
　　　　　　Flash(f_θ) + Flash_stack ≤ 1 MB，　RAM(f_θ) + RAM_stack ≤ 256 KB

D_up 為單一節點的上行資料量，L_e2e 為事件發生至後端收到的端到端延遲，F1_cloud 為雲端判讀基準，ε 為可容許的效能差距；限制式來自 EFR32xG28 的記憶體容量，且須與 Wi-SUN 協定堆疊共存。

2　相關研究與研究缺口

文獻基準

表 1　與本研究相關的文獻數據
研究面向	文獻結果	來源	對本研究的意義
單顆磁力計車種分類	準確率約 75%～91%	[6] [7]	磁力計可在低功耗節點上完成車種分類，設定效能基準
節點端訊號前處理	相較上傳原始訊號，資料量減少 80% 以上	[5]	佐證「本地處理、只傳結論」的通訊效益
INT8 量化	模型記憶體約縮小 4 倍，推論能耗顯著下降	[3] [4]	使模型可與 Wi-SUN 堆疊同時放入 MCU
Wi-SUN 智慧城市系統	以雲端 AI 判讀交通事件並定位呈現	[1]	本研究的延伸對象與對照組 A

研究缺口：既有 TinyML 智慧城市研究多建構於 LoRaWAN、Wi-Fi 等網路；將邊緣推論部署於 Wi-SUN FAN 節點、並與既有 Wi-SUN 智慧城市系統整合實測的研究相當有限，Wi-SUN Alliance 的智慧城市應用文件亦少有涉及邊緣 AI [2]。

3　系統架構

三層架構：節點推論、網狀傳輸、後端呈現

實驗組 B 在 L1 完成判讀，僅上傳事件摘要；對照組 A 由節點週期性上傳資料，判讀在 L3 執行。兩組使用相同的感測硬體與網路，以隔離「判讀位置」這個變因。

節點端訊號處理與推論管線規劃中・參數暫定

01取樣三軸磁力計，暫定 50 Hz、16-bit
02基線補償指數移動平均追蹤地磁背景與溫度漂移
03事件分段雙門檻加遲滯，切出車輛通過視窗
04特徵擷取峰峰值、持續時間、訊號能量、各軸比例
05分類比較決策樹、淺層 NN、1D CNN [5]
06量化部署INT8 PTQ，必要時改用 QAT [3]
07事件上傳類別、時戳、信心值等 16 B 摘要

4　模擬分析

前期模擬：訊號特徵與網路負載模擬結果，非實測數據

在硬體實測前，先以物理模型與流量模型估計兩個關鍵問題：不同車種的磁場訊號是否具可分性，以及事件觸發上傳能減少多少網路負載。以下數據均為模擬與估算，正式結果以實測為準。

圖 1　車輛通過時的垂直磁場擾動 ΔB_z（模擬）

機車小客車大型車

模擬設定：車輛以磁偶極串列近似鐵質質量分布，車速 40 km/h，感測器與車道橫向距離 1.5 m，取樣 50 Hz，加入 σ = 0.08 µT 高斯雜訊；各車種峰值依文獻常見量級設定。三種車輛在振幅與持續時間上有明顯差異，是後續特徵分類的基礎。

檢視資料表（每 0.1 秒取樣）

時間（s）	機車（µT）	小客車（µT）	大型車（µT）
-1.2	-0.049	0.082	-0.873
-1.1	0.084	0.093	-1.678
-1.0	0.004	0.063	-4.006
-0.9	-0.027	-0.129	-10.287
-0.8	0.056	-0.133	-14.13
-0.7	-0.037	-0.182	-10.219
-0.6	-0.027	-0.327	-6.578
-0.5	-0.011	-0.998	-13.634
-0.4	-0.093	-2.337	-4.116
-0.3	-0.353	-4.758	-7.609
-0.2	-0.6	-4.141	-11.246
-0.1	-1.17	-4.488	-8.949
0.0	-0.521	-5.823	-21.467
0.1	-0.048	-0.472	-5.751
0.2	0.017	0.515	1.553
0.3	-0.064	-0.133	-0.093
0.4	-0.102	-0.109	-0.417
0.5	-0.064	-0.117	-0.342
0.6	0.004	0.124	-0.279
0.7	-0.067	0.05	-0.109
0.8	-0.034	0.035	-0.164
0.9	-0.152	-0.01	-0.039
1.0	-0.017	-0.057	-0.003
1.1	-0.152	-0.133	-0.043
1.2	-0.152	-0.061	0.012
1.3	-0.083	-0.044	-0.075
1.4	-0.054	0.007	-0.058
1.5	0.079	-0.158	0.029
1.6	-0.063	0.02	-0.045
1.7	-0.088	0.011	-0.018
1.8	-0.177	-0.044	-0.039

表 2　由圖 1 模擬訊號擷取的事件特徵（門檻 ±0.4 µT）
車種	峰峰值（µT）	事件持續時間（s）	訊號能量（µT²·s）
機車	0.78	0.26	0.23
小客車	6.35	0.84	9.86
大型車	23.61	1.62	142.92

模擬顯示三類車輛的峰峰值相差約一個數量級、持續時間亦隨車長遞增，代表少量特徵即可提供可分性，適合在記憶體受限的 MCU 上以輕量模型實作。實際道路上需處理車速變化、相鄰車道干擾與車輛跟車等情況，將以實測資料驗證。

網路負載估算

25.92 MB

原始資料上傳
單一節點每日上行量

36.6 KB

事件觸發上傳
單一節點每日上行量

−99.86%

上行資料量降幅
（事件觸發 vs 原始資料）

23 分 → 2 秒

每日射頻發射時間
（150 kbps）

圖 2　節點數與通道使用率（估算）

原始資料上傳（A）特徵上傳（1 Hz）事件觸發上傳（B）

估算設定：實體層速率 150 kbps，計入 MAC／6LoWPAN／IPv6 開銷與退避後，有效吞吐量假設為 50%（75 kbps）；所有節點流量匯集至同一 Border Router，未計入多跳轉送造成的重複傳輸，因此實際壅塞會更早發生。原始資料上傳約 31 個節點即達通道飽和；事件觸發上傳在 100 個節點下的通道使用率仍低於 1%。

檢視資料表

節點數	原始資料上傳	特徵上傳	事件觸發上傳
1	3.2%	0.26%	0.0%
10	32.0%	2.56%	0.05%
20	64.0%	5.12%	0.09%
31	99.2%	7.94%	0.14%
40	100.0%	10.24%	0.18%
60	100.0%	15.36%	0.27%
80	100.0%	20.48%	0.36%
100	100.0%	25.6%	0.45%

表 3　三種上傳策略的單一節點負載估算
上傳策略	計算方式	每日上行量	相較原始資料	每日發射時間
原始資料週期上傳（對照組 A）	50 Hz × 3 軸 × 2 B	25.92 MB	—	1,382.4 s
特徵週期上傳	每秒 1 筆 × 24 B	2.07 MB	−92.0%	110.6 s
事件觸發上傳（實驗組 B）	2,000 輛／日 × 16 B ＋每 5 分鐘心跳 16 B	36.6 KB	−99.86%	2.0 s

估算僅計應用層酬載，未含協定標頭與重傳；每日車流量 2,000 輛為假設值。實測時將以封包擷取量測實際位元組數與發射時間。

5　實驗設計與評估指標

對照實驗：雲端判讀（A）vs 邊緣判讀（B）

表 4　評估指標
類別	指標（單位）	量測方式	預期
偵測效能	Precision、Recall、F1-score、混淆矩陣	以同步錄影人工標註為真值	B 與 A 接近
通訊效益	上行資料量（bytes）、頻寬節省率（%）	Border Router 端封包擷取	B 大幅降低
即時性	單次推論時間（ms）、端到端回報延遲（ms）	節點計時器與後端時戳比對	B 較低
資源與能耗	Flash／RAM 占用（KB）、平均功耗（mW）、每次推論能耗（mJ）	編譯報告與電流量測	符合 MCU 限制

由於「有事件」樣本遠少於「無事件」，偵測效能以 Recall 與 F1-score 為主要指標，並以過採樣或加權損失處理類別不平衡。目前沒有公開的磁力計交通資料集，將參考 Hodoň 等人的方法 [8] 自建並標註資料集。

硬體與開發平台

表 5　平台規格
微控制器	Silicon Labs EFR32xG28（Explorer Kit XG28-EK2705A）[11]：ARM Cortex-M33、Sub-GHz 無線、內建 MVP 矩陣向量運算加速器
記憶體上限	1 MB Flash、256 KB RAM（模型須與 Wi-SUN 堆疊共存）
最小網路	2 塊開發板：1 個 Border Router ＋ 1 個感測節點 [10]
感測器	三軸磁力計模組
模型工具鏈	Edge Impulse（以核心相同的 EFR32MG24 估算效能，匯出 C++ 函式庫）[12]；備案 TensorFlow Lite Micro、CMSIS-NN [4]
韌體開發	Simplicity Studio、Silicon Labs Wi-SUN SDK

6　研究進度

目前階段：文獻深讀與方法設計

2026 年 9 月
專題啟動、主題定案
盤點實驗室研究方向，選定 Wi-SUN FAN 邊緣 AI。
2026 年 9–10 月
範圍界定、可行性評估、研究規劃報告
確認 EFR32xG28 同時支援 Wi-SUN 與 AI 加速、最小網路僅需兩塊開發板、Edge Impulse 部署路徑可行。
2026 年 10–11 月進行中
文獻深讀、系統與實驗設計、前期模擬
已整理約 20 篇文獻並建立方法比較表；完成本頁的訊號與網路負載模擬。
2026 年 11–12 月
開發環境建置、磁力計資料蒐集與標註
2026 年 12 月–2027 年 1 月
模型訓練、量化與節點部署
2027 年 1–2 月
A／B 對照實測、研究報告與海報

參考文獻

References

C. Y. Yeh, Y. Y. Zheng, Y. Z. Zheng, J. Y. Tu, and C. L. Hu, "Constructing a Wi-SUN FAN based smart city — A real time AI traffic event positioning and representing system," IEEE ICCE-Taiwan, 2024.
Wi-SUN Alliance, "How Wi-SUN technology empowers smart city and IoT development," e-book.
H. A. Abushahla et al., "Quantized neural networks for microcontrollers: A comprehensive review," arXiv:2508.15008, 2025.
S. Somvanshi et al., "From tiny machine learning to tiny deep learning: A survey," ACM Computing Surveys, 2025.
M. J. C. S. Reis, "Lightweight signal processing and edge AI for real-time anomaly detection in IoT sensor networks," Sensors, vol. 25, no. 21, 6629, 2025.
A. Kocianová et al., "Design and evaluation of an edge AI-enabled low-power magnetic sensor for real-time road traffic monitoring," Sensors, vol. 26, no. 16, 2026.
P. Sarcevic, S. Pletl, and A. Odry, "Real-time vehicle classification system using a single magnetometer," Sensors, vol. 22, no. 23, 9299, 2022.
M. Hodoň et al., "Efficient dataset creation for MEMS-based magnetic sensor systems in intelligent transportation applications," Sensors, vol. 25, no. 24, 7407, 2025.
J. Faizi, "Deploying TinyML for energy-efficient object detection and communication in low-power edge AI systems," Scientific Reports, 2025.
Silicon Labs, "Creating a Wi-SUN network."
Silicon Labs, "EFR32xG28 Explorer Kit (XG28-EK2705A)."
Edge Impulse, "Bringing machine learning to all SiLabs developers."

回講師介紹預約試教

本頁為研究進行中的公開摘要，模擬與估算數據將於實測後更新。最後更新：2026 年 10 月 31 日。