作者： Tom Bocchino, STMicroelectronics

本博客將介紹并比較幾種專為物聯(lián)網(wǎng)和邊緣計(jì)算設(shè)計(jì)的傳感系統(tǒng)架構(gòu)方法。每種方法在復(fù)雜性和系統(tǒng)功耗方面各有優(yōu)缺點(diǎn)。

MEMS 作為智能系統(tǒng)

創(chuàng)建邊緣智能傳感器系統(tǒng)的三種主流方法，如圖 1 所示?！敖?jīng)典方法”非常靈活，具有在主機(jī) MCU 上運(yùn)行的完整算法。

在傳感器中集成機(jī)器學(xué)習(xí)和數(shù)字信號處理功能，代表著向“真正的邊緣”計(jì)算邁出的關(guān)鍵一步。這種融合，尤其是在 [MEMS 設(shè)備] （微機(jī)電系統(tǒng)）中的融合，使得邊緣系統(tǒng)不僅能夠捕獲數(shù)據(jù)，還能夠?qū)崟r(shí)解析數(shù)據(jù)并作出自主響應(yīng)。傳感器的嵌入式智能提升了數(shù)據(jù)處理效率，從而能夠在邊緣實(shí)現(xiàn)更快、更貼合所處場景的響應(yīng)。

圖 1：主流傳感器系統(tǒng)架構(gòu)。（圖片來源：STMicroelectronics）

經(jīng)典方法

在經(jīng)典計(jì)算架構(gòu)中，微控制器 (MCU) 是傳感器數(shù)據(jù)處理中心，并包含傳感器處理算法。這種方法在固件移植方面非常靈活，且對于處理復(fù)雜算法來說是最具擴(kuò)展性的架構(gòu)。然而，這種架構(gòu)要求將傳感器數(shù)據(jù)從傳感器傳輸?shù)?MCU， 傳輸速率通常較高。MCU 還必須過濾原始數(shù)據(jù)，找到算法運(yùn)行所需的內(nèi)容，且可能會丟棄許多已傳輸?shù)臄?shù)據(jù)樣本。這會導(dǎo)致效率降低，且通常會增加系統(tǒng)功耗，而系統(tǒng)功耗是影響物聯(lián)網(wǎng)計(jì)算的重要因素。此外，所選的 MCU 必須具有適當(dāng)大小的閃存和存儲器，以便能夠執(zhí)行所有算法，而這會增加系統(tǒng)的成本和復(fù)雜性。

機(jī)器學(xué)習(xí)核心 (MLC)

物聯(lián)網(wǎng)邊緣處理的第二種方法是圖 2 所示的機(jī)器學(xué)習(xí)核心。MLC 是嵌入在傳感器中的引擎，可通過監(jiān)督學(xué)習(xí)進(jìn)行訓(xùn)練，實(shí)現(xiàn)對特定事件的識別。MLC 由計(jì)算塊、過濾和基于元分類的決策樹組成。

MLC 傳感器可以檢測運(yùn)動并最終將“事件”而不是原始數(shù)據(jù)傳達(dá)給 MCU，從而實(shí)現(xiàn)更好的系統(tǒng)能效。在具有 MLC 功能的傳感器中，算法數(shù)據(jù)主要包含在傳感器中。相比傳統(tǒng)計(jì)算架構(gòu)，MLC 的可擴(kuò)展性較弱，因?yàn)槠渲粚鞲衅鲾?shù)據(jù)進(jìn)行操作。但 MLC 對于開發(fā)諸如手勢、振動級別等難以編程的事件非常有用。

圖 2：集成機(jī)器學(xué)習(xí)核心的傳感器。（圖片來源：STMicroelectronics）

集成傳感器處理單元 (ISPU)

ISPU 是一種帶有集成數(shù)字信號處理器 (DSP) 的傳感器，用于在芯片內(nèi)本地處理傳感器數(shù)據(jù)。比較嵌入式機(jī)器學(xué)習(xí)方法，ISPU 更具移植性，因?yàn)樗梢詧?zhí)行用于更復(fù)雜的傳感器算法的標(biāo)準(zhǔn) C 代碼。然而，ISPU 中的 DSP 是用于傳感器相關(guān)操作的專門核心，在代碼和數(shù)據(jù)構(gòu)造方面比傳統(tǒng)方法會有更多限制。

與 MLC 類似，ISPU 優(yōu)化了所需的計(jì)算能力，因?yàn)樗鼘?shí)時(shí)操作傳感器數(shù)據(jù)，無需將數(shù)據(jù)向上游傳輸?shù)?MCU 進(jìn)行處理。與 MLC 方法相比，ISPU 還在支持 AI 的可編程核心（ML 和 NN）中實(shí)現(xiàn)了更高的處理能力。由于 ISPU 采用 C 語言運(yùn)行，因此兼容許多商業(yè)模型和開源 AI 模型。

圖 3：集成傳感器處理單元的功能。（圖片來源：STMicroelectronics）

為了在傳感器相關(guān)應(yīng)用中成功利用 AI 技術(shù)，還必須通過新工具和軟件示例來快速適應(yīng)智能傳感器架構(gòu)。Nano Edge ? AI Studio (NEAi) 是一種與上述三種方法兼容的工具，也是一個(gè)面向開發(fā)人員的基于 PC 的免費(fèi)開發(fā)套件。NEAi 不需要高級數(shù)據(jù)科學(xué)技能，軟件開發(fā)人員可以在用戶友好型環(huán)境中創(chuàng)建最佳的 tinyML? 庫。NEAi 可以生成四種庫：異常檢測、離群點(diǎn)檢測、分類和回歸庫。如需詳細(xì)了解如何通過 NEAi 軟件工具將 ISPU 用于異常檢測應(yīng)用，請參閱下面的參考文獻(xiàn) #4。

結(jié)語

在邊緣計(jì)算應(yīng)用中，傳感器的計(jì)算架構(gòu)存在多種可選方案。在“源頭”根據(jù)數(shù)據(jù)執(zhí)行決策更具可持續(xù)性，可通過實(shí)時(shí)根據(jù)數(shù)據(jù)采取行動，減少時(shí)間和能量消耗。通過將機(jī)器學(xué)習(xí)與 AI 功能嵌入微機(jī)電系統(tǒng) (MEMS) 傳感器及工具鏈，新的物聯(lián)網(wǎng)邊緣計(jì)算系統(tǒng)將會實(shí)現(xiàn)許多應(yīng)用，如真正可持續(xù)的智慧城市、更高的制造效率，以及醫(yī)療保健及其他領(lǐng)域的低功耗可穿戴傳感器等。

參考文獻(xiàn)

1. 用于機(jī)器學(xué)習(xí)的 MEMS 傳感器生態(tài)系統(tǒng)：[https://www.st.com/content/st_com/en/ecosystems/MEMS-Sensors-Ecosystem-for-Machine-Learning.html#stm32ce-MachineLearningCore]
2. 如何通過具有智能處理單元的 MEM 傳感器進(jìn)行異常檢測：[https://community.st.com/t5/mems-and-sensors/how-to-use-mems-sensors-with-an-intelligent-processing-unit-for/ta-p/49634]
3. MEMS 慣性測量單元中的低功耗傳感器融合：[https://community.st.com/t5/mems-and-sensors/how-lsm6dsv16x-enables-sensor-fusion-low-power-sflp-algorithm/ta-p/585084]
4. 如何通過 NEAI 軟件工具將 MEMS 傳感器與智能處理單元相結(jié)合，用于異常檢測應(yīng)用[https://community.st.com/t5/mems-and-sensors/how-to-use-mems-sensors-with-an-intelligent-processing-unit-for/ta-p/49634]