低功耗边缘AI SoC支持多传感器融合：完整技术指南
低功耗边缘AI SoC支持多传感器融合：完整技术指南
物联网(IoT)和人工智能的快速发展为网络边缘的智能处理创造了前所未有的需求。低功耗边缘AI SoC支持多传感器融合代表了实时数据处理方法的范式转变，使嵌入式设备能够在不依赖云连接的情况下直接进行复杂的AI推理。本综合指南探讨了低功耗边缘AI SoC支持多传感器融合如何彻底变革从自动驾驶汽车到工业自动化的各个行业，为制造商提供同时处理多个传感器流所需的计算能力，同时保持对电池供电部署至关重要的能源效率。
了解低功耗边缘AI SoC架构
边缘AI SoC与传统处理器的区别
传统微控制器和应用处理器专为通用计算而设计，缺乏现代AI工作负载所需的专用神经网络加速功能。专用边缘AI系统级芯片(SoC)将多个处理域集成到单个硅芯片上，结合用于控制任务的CPU内核、用于AI推理的专用神经处理单元(NPU)、用于传感器信号调节的数字信号处理器(DSP)以及用于计算机视觉和音频处理的专用加速器。
架构创新在于异构计算——不同的处理元素处理它们优化的任务，而不是强制通用CPU处理所有任务。这种方法与传统的ARM Cortex-M或Cortex-A内核在没有加速的情况下运行相同的神经网络相比，每瓦特AI推理性能提升10-100倍。
内存子系统设计是另一个关键的差异化因素。边缘AI SoC采用多级内存层次结构，包括用于确定性访问的紧耦合内存(TCM)、用于中间特征图的SRAM存储体以及为模型权重优化的外部内存接口。先进的芯片包含片上缓存一致性协议，确保CPU、NPU和DSP之间共享的数据保持同步，无需昂贵的软件管理拷贝。
多传感器融合的必要性
现代智能设备很少使用单一传感器类型运行。自动驾驶无人机结合了摄像头、激光雷达、超声波传感器和IMU(惯性测量单元)。智能家居安全系统集成视频、音频、运动检测和环境监控。工业预测性维护平台同时收集振动、温度、声发射和电流数据。
独立处理这些不同的传感器流会浪费计算资源并错过存在于不同模态之间的关键相关性。边缘AI SoC内的多传感器融合架构支持同步采集、时间对齐和跨模态特征提取。当摄像头检测到视觉运动而加速度计记录振动时，融合的解释比单独使用任一传感器提供更丰富的上下文。
技术挑战涉及处理截然不同的数据速率和格式。视频流每秒生成数百兆字节，而温度传感器可能每分钟更新一次。边缘AI SoC集成了灵活的DMA(直接内存访问)控制器和可编程路由，允许传感器数据直接流向适当的处理单元而无需CPU干预，从而显著减少延迟和功耗。
核心组件和技术规格
神经处理单元(NPU)架构
NPU作为任何边缘AI SoC的计算核心，专为矩阵乘法和卷积运算而设计，这些运算主导深度学习推理。现代NPU采用脉动阵列架构——二维乘加(MAC)单元网格以节奏模式将数据流式传输通过阵列，实现传统冯·诺依曼架构无法达到的高利用率。
| NPU规格 | 入门级 | 中端 | 高性能 |
|---|---|---|---|
| MAC运算/周期 | 256-512 | 1K-4K | 8K-32K |
| 峰值INT8 TOPS | 0.5-2 | 4-16 | 32-128 |
| 片上SRAM(MB) | 0.5-2 | 2-8 | 8-32 |
| 支持的操作 | Conv, FC, Pool | +Depthwise, Attention | +Transformer, LSTM |
| 功耗(mW) | 10-50 | 100-500 | 1000-5000 |
| 典型工艺节点 | 40nm | 22nm | 12nm/7nm |
领先的边缘AI SoC支持混合精度推理，根据层要求动态选择INT8、INT16甚至INT4量化。这种灵活性允许开发者在应用允许的情况下权衡推理准确性和计算效率，在功率受限的场景中延长电池寿命。
传感器接口和数据采集子系统
有效的多传感器融合需要硬件级支持多样化的连接标准。现代边缘AI SoC集成了物理接口，包括用于摄像头的MIPI CSI-2、用于音频编解码器的I2S/TDM、用于MEMS传感器的SPI/I2C以及用于工厂自动化部署的工业协议如RS-485和CAN总线。
传感器中心子系统自主运行，在循环FIFO(先进先出存储器)中缓冲传入数据，并仅在发生有意义的事件或缓冲区达到可配置阈值时生成中断。这种事件唤醒架构使主CPU和NPU保持深度睡眠状态，直到实际需要处理，实现亚毫瓦待机功耗，同时保持环境感知。
跨多个传感器的时间戳同步带来了重大技术挑战。如果没有精确的时间对齐，将时间T捕获的摄像头帧与T+50毫秒的加速度计数据融合会产生误导性结果。边缘AI SoC实现硬件时间戳单元，将传感器数据到达时间锁定到共享参考时钟，实现微秒级精确同步，这对机器人和增强现实等实时应用至关重要。
电源管理和能效
电池供电的边缘设备需要积极的电源管理策略。边缘AI SoC采用可独立门控的多个电源域——当视觉子系统不需要时，其时钟停止并断开电源。动态电压和频率缩放(DVFS)根据工作负载调整工作点，在主动推理期间以较高频率运行，在空闲期间降至千赫兹范围的睡眠时钟。
先进的实现具有自适应电压缩放(AVS)功能，其中片上传感器监控硅工艺变化和温度，自动调整电源电压至目标频率可靠运行所需的最低水平。这种补偿考虑了个体芯片之间的制造变化以及影响晶体管性能的环境温度变化。
声音唤醒或运动唤醒功能使SoC在深度睡眠(通常消耗10-100微瓦)时保持状态，同时监控特定传感器通道以获取触发事件。仅在检测到关键词、玻璃破碎声或显著运动时，系统才转换到活动处理状态，实现的有效平均功耗比连续运行所需低几个数量级。
实施指南：构建多传感器AI应用
步骤1：硬件平台选择和评估
选择合适的边缘AI SoC需要根据应用要求进行系统评估。首先记录传感器类型和规格：摄像头分辨率和帧率、音频通道数和采样率、物理接口类型以及环境工作条件(温度范围、抗振性、防护等级)。
接下来，表征您的AI工作负载。记录所需的神经网络架构、输入张量维度、推理延迟要求和模型更新机制。如果您的应用需要定期重新训练或无线模型更新，请确保有足够的闪存存储和安全启动能力用于固件完整性验证。
创建功耗预算分析，估算主动推理电流、睡眠状态电流和占空比。电池供电应用需要特别注意，因为即使是毫安级的微小差异也会在数月的运行中累积。向多个供应商请求评估板，并使用您的特定传感器配置测量实际功耗——数据表数字很少准确反映现实世界的多传感器场景。
步骤2：开发环境设置和工具链配置
大多数边缘AI SoC供应商提供全面的SDK(软件开发工具包)，包括为其特定架构优化的编译器工具链、用于识别性能瓶颈的分析工具以及用于从TensorFlow、PyTorch和ONNX等框架导入训练神经网络的模型转换实用程序。
通过安装供应商特定的编译器和调试器开始开发环境设置。配置IDE(集成开发环境)以使用这些工具而不是通用ARM GCC，因为架构特定的优化显著影响推理性能。许多供应商提供基于Eclipse的IDE，通过JTAG或SWD(串行线调试)接口提供集成调试支持。
模型优化是一个关键步骤，常被刚接触边缘部署的团队低估。原始TensorFlow或PyTorch模型包含的运算可能在目标SoC上缺乏硬件加速。使用供应商的模型转换工具将权重从FP32量化为INT8，将批归一化层融合到前面的卷积中，并消除冗余操作。如果精度下降超过应用要求，则迭代进行量化感知训练。
步骤3：多传感器数据管道实现
构建稳健的数据管道需要了解硬件能力和软件架构。首先配置传感器中心的DMA控制器，将数据流路由到适当的内存缓冲区而无需CPU干预。对于摄像头数据，配置CSI-2接收器参数，包括通道数、数据类型和虚拟通道分配。对于音频，编程I2S时钟和字长以匹配编解码器规格。
实现双缓冲或环形缓冲方案，确保在AI管道处理先前帧时数据采集不间断。缓冲区欠载或超载表明需要调整DMA优先级或优化推理的时序问题。分析从传感器采集到推理结果的端到端延迟，识别预处理、内存拷贝或神经网络执行中的瓶颈。
// 示例：多传感器数据采集结构
typedef struct {
uint32_t timestamp_us;
uint8_t camera_frame[CAMERA_WIDTH * CAMERA_HEIGHT * 3];
int16_t accelerometer[3];
int16_t gyroscope[3];
int16_t microphone[AUDIO_SAMPLES];
float temperature;
} SensorFrame_t;
// 带时间戳同步的DMA完成回调
void DMA_Camera_Complete_Callback(void) {
sensor_buffer[write_idx].timestamp_us = Get_Master_Timestamp();
// 向AI推理任务发出新帧就绪的信号
osSemaphoreRelease(inference_semaphore);
}步骤4：传感器融合算法开发
传感器融合在多个抽象级别上运行。在最低级别，原始传感器数据经过校准——补偿MEMS传感器中的制造公差、校正摄像头中的镜头畸变、将温度系数应用于模拟传感器。将校准参数存储在非易失性存储器中，在预处理期间实时应用它们。
特征级融合在组合之前从各个传感器中提取有意义的表示。卷积神经网络处理摄像头帧以检测对象，而单独的DSP算法分析音频以进行事件分类。融合层组合这些高级特征，可能使用注意力机制根据置信度分数或环境上下文对传感器贡献进行加权。
决策级融合发生在独立子系统做出随后被组合的预测时。这种方法提供容错能力——如果摄像头被遮挡，音频和运动传感器可以保持有限功能。实现投票方案、贝叶斯推理或学习融合网络，将单个传感器决策聚合为统一的系统输出。
步骤5：优化和部署
实现生产就绪性能需要在多个维度上进行系统优化。使用供应商工具分析您的应用，以识别计算热点——不成比例地消耗周期或内存带宽的操作。常见的优化目标包括降低模型输入分辨率、修剪不太重要的网络连接或用硬件加速等效操作替换复杂操作。
内存优化通常提供最大的功耗降低机会。当权重和激活驻留在片上SRAM而不是外部DRAM中时，边缘AI SoC实现最大效率。分析内存访问模式，可能重构神经网络以增加数据重用并减少外部内存获取。某些架构支持模型压缩技术，如权重共享或霍夫曼编码，以减少存储要求。
最后，实施强大的错误处理和恢复机制。必须检测传感器故障、通信超时和内存损坏并妥善处理。记录诊断信息以帮助现场调试，并实施看门狗定时器确保系统从软件挂起中恢复而无需人工干预。
真实案例研究和应用
智慧农业：精准农业无人机系统
AgriTech Solutions是一家精准农业技术公司，开发了基于低功耗边缘AI SoC支持多传感器融合的自主作物监测无人机系统。他们的平台将4K可见光摄像头、多光谱成像传感器、热红外摄像头和GPS/IMU导航集成到统一处理架构中。
挑战涉及在保持飞行稳定性和超过45分钟电池寿命的同时处理四个同步视频流。传统方法需要单独的处理器用于视觉和飞行控制，增加重量和功耗。通过利用异构计算，边缘AI SoC在CPU内核上运行导航算法，而NPU使用融合的可见光和多光谱图像处理作物健康分类。
他们的神经网络架构与RGB图像并行处理5波段多光谱数据，检测人眼不可见的早期作物胁迫。热成像通过温度异常识别灌溉系统故障。这些模态的融合能够在单次无人机通过中进行全面的田间健康评估，与基于地面的方法相比，将检查时间减少80%。
结果：部署的系统在单次电池充电下实现23分钟连续AI推理，以每秒30帧处理所有传感器。灌溉泄漏的早期检测为试点客户平均节省了每个生长季节12,000美元的水成本和产量保护。
工业预测性维护：制造设备监控
Industrial IoT Systems GmbH在200台CNC加工中心机群中部署了基于振动的预测性维护。每个监测节点结合了三轴MEMS加速度计、声发射传感器、温度探头和测量机器功耗的电流互感器。
多传感器融合方法对准确故障预测至关重要。单独振动分析识别轴承退化，但难以区分不同故障模式。通过将振动特征与声发射模式和功耗异常融合，他们的边缘AI分类器在功能故障发生前2-3周以94%的准确率预测特定故障类型(密封退化、润滑失效、轴承点蚀)。
实施需要仔细注意传感器同步——以25.6kHz采样的振动数据必须与以60Hz捕获的功率测量对齐，以将机械事件与电气负载变化相关联。边缘AI SoC的硬件时间戳确保微秒级对齐，实现软件时间戳数据不可能的时间域相关分析。
结果：部署后的第一年非计划停机减少67%。通过从计划维护过渡到基于状态的维护，维护成本降低41%。低功耗设计(平均功耗340mW)允许电池供电的改造安装，无需修改电气基础设施。
医疗可穿戴设备：连续患者监测
MediSense Technologies开发了用于连续心脏和呼吸监测的临床级可穿戴贴片。该设备集成了单导联ECG、光电容积脉搏波(PPG)光学传感器、三轴加速度计和皮肤温度传感器，全部由亚毫瓦边缘AI SoC处理。
这里的融合挑战涉及补偿破坏生理信号的运动伪影。当患者移动时，加速度计数据记录运动，而PPG和ECG信号显示伪影污染。边缘AI管道使用加速度计数据驱动自适应滤波，实时从生理波形中减去运动分量。
他们的神经网络同时执行来自ECG的心房颤动检测、来自PPG的血氧饱和度估计、来自加速度测量的活动分类和来自温度的发烧检测。融合层组合这些输出以生成全面的患者状态评估——例如，在睡眠期间与运动期间不同地标记心律失常。
结果：该系统在纽扣电池上连续运行7天，提供与医院监测设备相当的临床级准确度(房颤检测灵敏度96.3%，特异性98.1%)。在14个月内获得FDA 510(k)许可，比前代依赖云的架构允许的显著更快。
边缘AI SoC设计的高级主题
安全和隐私考虑
处理敏感数据的边缘AI SoC必须实施强大的安全架构。基于硬件的安全启动确保仅执行加密签名的固件，防止恶意代码注入。可信执行环境(TEE)将安全关键操作与通用应用代码隔离，保护加密密钥和生物识别模板。
隐私保护AI技术支持模型推理而不暴露原始传感器数据。联邦学习允许跨分布式设备改进模型而无需集中训练数据。同态加密虽然在当前一代边缘AI SoC上计算昂贵，但承诺在整个处理过程中保持数据加密的加密推理——对医疗保健和金融应用至关重要的能力。
物理安全功能防止侧信道攻击。电压和时序分析可能从功耗模式中提取神经网络权重或加密密钥。先进的SoC纳入功耗分析对策，包括随机指令调度和恒定时间加密实现。
热管理和可靠性
高性能AI推理在小型硅区域集中产生显著热量。如果没有适当的热管理，结温可能超过125°C，降低性能并缩短器件寿命。边缘AI SoC在整个芯片中集成热传感器，当温度接近极限时启用动态频率调节。
汽车和工业应用需要扩展的温度范围(-40°C至+125°C)和高可靠性。包括倒装芯片键合和先进热界面材料在内的封装技术将热量从结传导出去。系统设计人员必须通过PCB铜浇注、散热器或外壳设计确保充足的热路径，通过计算建模或物理测试验证最坏情况热场景。
长期可靠性问题包括细间距互连中的电迁移和晶体管中的偏置温度不稳定性。工业级边缘AI SoC经过加速寿命测试，制造商提供FIT(时间故障)率和平均故障间隔时间(MTBF)预测，这对安全关键应用至关重要。
互操作性和生态系统集成
碎片化的边缘AI生态系统带来了集成挑战。不同供应商提供不兼容的模型格式、专有API和独特的硬件抽象。包括ONNX Runtime和Apache TVM在内的行业倡议旨在跨异构硬件目标标准化模型部署。
Docker等容器技术支持跨不同边缘AI平台的可移植应用部署，尽管容器化的资源开销可能对深度嵌入式系统过度。包括AWS Greengrass和Azure IoT Edge在内的轻量级替代方案提供云原生开发工作流，同时针对资源受限设备。
开源社区为边缘AI工具做出了重大贡献。TensorFlow Lite Micro针对最小内存占用的微控制器。ONNX Runtime的执行提供程序抽象跨CPU、GPU和NPU架构的硬件加速。与这些社区互动加速开发，同时降低供应商锁定风险。
比较：边缘AI SoC与替代方法
| 架构 | 延迟 | 能效 | 灵活性 | 成本 | 最适合 |
|---|---|---|---|---|---|
| 支持多传感器融合的边缘AI SoC | 低于10ms | 10-1000 TOPS/W | 高 | $5-50 | 电池设备、实时控制 |
| 云连接网关 | 50-500ms | 受无线电限制 | 非常高 | $2-10 + 数据成本 | 复杂分析、模型更新 |
| 基于FPGA的边缘 | 低于5ms | 可变 | 非常高 | $20-200 | 原型设计、小批量生产 |
| GPU加速 | 低于20ms | 1-10 TOPS/W | 高 | $100-500 | 开发、高性能应用 |
| MCU+外部AI加速器 | 20-100ms | 5-50 TOPS/W | 中 | $3-15 | 传统系统升级 |
云连接架构提供无限的计算可扩展性，但引入了对安全关键应用不可接受的网络依赖。网络拥塞导致的延迟变化使实时控制成为不可能。数据传输成本在规模上显著累积——向云AI服务流式传输1080p视频的摄像头每台设备每月产生数百美元的带宽费用。
FPGA解决方案提供确定性延迟和可定制数据路径，但需要专门的硬件设计专业知识。开发周期跨越数月而非数周，单位成本对消费电子批量保持禁止性。GPU加速提供最高的绝对性能，但功耗(通常10-30瓦)排除了电池供电的部署。
边缘AI SoC为生产部署实现最佳平衡，在提供足够实时推理性能的同时，保持与电池或能量收集电源兼容的功耗预算。集成的性质与分立处理器加加速器架构相比减少了物料清单复杂性。
常见问题解答(FAQ)
Q1：运行多传感器融合应用时，典型边缘AI SoC消耗多少功率？
功耗因工作负载和SoC选择而异。执行音频唤醒词检测的入门级设备消耗5-20毫瓦。运行计算机视觉推理的中端SoC通常消耗100-500毫瓦。处理多个4K视频流的高性能平台可能消耗1-5瓦。关键优势是占空比操作——智能电源管理使系统在推理事件之间保持深度睡眠(10-100微瓦)。对于连续操作应用，总能耗很大程度上取决于推理频率。以每秒1帧执行物体检测的系统比连续30fps视频分析使用的功率显著更少，即使每次推理的功率相同。
Q2：哪些神经网络架构最适合边缘AI部署？
包括MobileNet、EfficientNet和ShuffleNet在内的高效架构专为资源受限环境设计。这些网络使用深度可分离卷积、反向残差和通道混洗来减少计算要求，同时保持准确性。对于特定应用，考虑任务优化架构——用于物体检测的YOLO变体、用于序列建模的线性注意力Transformer变体或用于自然语言处理的TinyBERT。避免不必要的复杂架构——当MobileNetV3以10倍更少的操作实现相当准确性时，边缘硬件上的ResNet-50浪费资源。始终在目标硬件上基准测试多个架构，而不是仅依赖理论FLOP计数，因为内存访问模式显著影响实际性能。
Q3：如何在部署的边缘AI设备中处理模型更新？
无线(OTA)模型更新需要仔细的安全考虑。实施由安全启动机制验证的签名固件和模型包后再加载。使用增量压缩最小化更新有效载荷大小——仅传输改变的权重而非整个模型。回滚机制确保设备在更新失败时返回到先前的工作配置。对于安全关键应用，实施允许具有自动回退的原子更新的A/B分区方案。考虑逐步推出策略——首先向小型设备群体部署更新，在向整个机群分发之前监控异常。版本兼容性检查防止加载需要旧固件版本中不可用功能的模型。
Q4：有效多传感器融合需要多少传感器同步精度？
所需同步取决于应用动态。对于缓慢变化的现象如环境监测，毫秒级对齐足够。实时机器人和自动驾驶汽车需要微秒级精度来关联视觉观察与惯性测量。现代边缘AI SoC中的硬件时间戳能力使用分布在芯片上的共享时基实现亚微秒精度。基于软件的时间戳通常仅实现受操作系统调度抖动限制的毫秒级精度。对于最高精度，使用将传感器采样同步到公共时钟边沿的硬件触发信号。始终在特定实现中使用环回测试或参考时序源验证同步精度。
Q5：我可以直接在边缘AI SoC上使用来自TensorFlow或PyTorch的预训练模型吗？
原始模型需要转换和优化以进行边缘部署。该过程包括：量化(将权重精度从FP32降低到INT8)、操作融合(将批归一化合并到前面的卷积中)和操作替换(用等效替代替换不支持的操作)。供应商特定工具自动化大部分此转换。TensorFlow Lite提供无需重新训练的后训练量化。对于精度关键应用，量化感知训练在模型训练期间纳入精度约束，实现比后训练方法更好的结果。针对原始浮点版本验证转换模型准确性——预期会有一些精度下降，但必须在应用要求范围内。可能需要迭代优化，调整量化方案或网络架构以同时满足准确性和延迟目标。
Q6：如何在不同边缘AI SoC供应商之间选择？
评估标准包括：计算性能(测量的TOPS和特定网络上的实际推理延迟)、能效(每次推理毫瓦和睡眠电流)、软件生态系统质量(开发工具、文档、社区支持)、传感器接口灵活性(摄像头通道数、音频通道、支持的协议)以及长期可用性(工业温度等级、10年以上生产承诺)。向2-3家供应商请求评估套件并基准测试实际应用，而不是依赖数据表规格。考虑总拥有成本，包括开发时间、许可费和技术支持成本，而不仅仅是硅单位价格。尽早与供应商现场应用工程师互动——他们在评估期间的响应能力通常预测持续支持质量。
Q7：实施多传感器融合算法时的主要挑战是什么？
技术挑战包括：时间对齐(确保传感器数据代表相同的物理时刻)、空间校准(摄像头像素与激光雷达点之间的映射)、数据速率不匹配(处理具有截然不同输出频率的传感器)和容错(传感器故障或提供冲突数据时保持功能)。算法挑战涉及根据可靠性对传感器贡献进行加权、处理实时系统中的异步传感器到达以及组合高维数据时管理计算复杂性。环境挑战包括传感器之间的电磁干扰、影响传感器精度的热耦合以及限制传感器放置的物理封装约束。系统校准程序、稳健融合算法和仔细的硬件设计迭代解决这些挑战。
Q8：边缘AI是否适合安全关键应用如自动驾驶汽车或医疗设备？
边缘AI越来越多地为安全关键系统提供动力，但需要严格的验证，超过消费电子标准。包括ISO 26262(汽车)和IEC 62304(医疗)在内的功能安全标准强制特定开发流程、故障分析和验证覆盖。针对这些市场的边缘AI SoC提供安全功能，包括锁步CPU、纠错内存和看门狗定时器。AI模型验证带来独特挑战——传统单元测试不足以覆盖神经网络行为。新兴技术包括有界网络属性的形式验证、跨操作设计域的广泛基于模拟的测试以及检测分布外输入的运行时监控。监管批准要求通过文档、测试有时甚至第三方评估证明AI组件满足安全要求。虽然具有挑战性，但多个基于边缘AI的医疗设备和汽车系统已获得监管批准。
结论和未来展望
低功耗边缘AI SoC支持多传感器融合代表了使能智能自主系统的变革性技术，这些系统在电池和连接约束下以前是不可能的。随着神经网络架构变得更高效和半导体工艺进步，我们预期在未来3-5年内每瓦特性能将提高数量级。
新兴趋势包括模拟生物神经结构的神经形态计算架构，为脉冲神经网络实现极高效率。传感器内计算将处理直接移入图像传感器和MEMS器件，减少数据移动能量。结合模拟存内计算与数字控制的混合方法有望突破当前冯·诺依曼瓶颈。
对于开发人员和系统架构师，掌握边缘AI SoC技术为几乎每个行业打开机会。复杂AI推理、多模态传感器融合和能效的组合创造了具有类人能力但机器规模一致性的智能设备的可能性，这些设备能够感知、理解并响应其环境。
该技术已从研究好奇心成熟为生产现实。通过适当的硬件选择、系统开发方法和对本指南中讨论的集成挑战的关注，团队可以部署满足性能、功耗和可靠性最苛刻要求的复杂多传感器AI系统。
Tags: 边缘AI,低功耗SoC,多传感器融合,嵌入式系统,神经处理单元,物联网解决方案,机器学习推理,计算机视觉,传感器集成,嵌入式AI开发
