作者： Tom Bocchino, STMicroelectronics

本博客將介紹并比較幾種專為物聯(lián)網和邊緣計算設計的傳感系統(tǒng)架構方法。每種方法在復雜性和系統(tǒng)功耗方面各有優(yōu)缺點。

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。“經典方法”非常靈活，具有在主機 MCU 上運行的完整算法。

在傳感器中集成機器學習和數(shù)字信號處理功能，代表著向“真正的邊緣”計算邁出的關鍵一步。這種融合，尤其是在 [MEMS 設備] （微機電系統(tǒng)）中的融合，使得邊緣系統(tǒng)不僅能夠捕獲數(shù)據，還能夠實時解析數(shù)據并作出自主響應。傳感器的嵌入式智能提升了數(shù)據處理效率，從而能夠在邊緣實現(xiàn)更快、更貼合所處場景的響應。

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

經典方法

在經典計算架構中，微控制器 (MCU) 是傳感器數(shù)據處理中心，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，且對于處理復雜算法來說是最具擴展性的架構。然而，這種架構要求將傳感器數(shù)據從傳感器傳輸?shù)?MCU， 傳輸速率通常較高。MCU 還必須過濾原始數(shù)據，找到算法運行所需的內容，且可能會丟棄許多已傳輸?shù)臄?shù)據樣本。這會導致效率降低，且通常會增加系統(tǒng)功耗，而系統(tǒng)功耗是影響物聯(lián)網計算的重要因素。此外，所選的 MCU 必須具有適當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)的成本和復雜性。

機器學習核心 (MLC)

物聯(lián)網邊緣處理的第二種方法是圖 2 所示的機器學習核心。MLC 是嵌入在傳感器中的引擎，可通過監(jiān)督學習進行訓練，實現(xiàn)對特定事件的識別。MLC 由計算塊、過濾和基于元分類的決策樹組成。

MLC 傳感器可以檢測運動并最終將“事件”而不是原始數(shù)據傳達給 MCU，從而實現(xiàn)更好的系統(tǒng)能效。在具有 MLC 功能的傳感器中，算法數(shù)據主要包含在傳感器中。相比傳統(tǒng)計算架構，MLC 的可擴展性較弱，因為其只對傳感器數(shù)據進行操作。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：集成機器學習核心的傳感器。（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，用于在芯片內本地處理傳感器數(shù)據。比較嵌入式機器學習方法，ISPU 更具移植性，因為它可以執(zhí)行用于更復雜的傳感器算法的標準 C 代碼。然而，ISPU 中的 DSP 是用于傳感器相關操作的專門核心，在代碼和數(shù)據構造方面比傳統(tǒng)方法會有更多限制。

與 MLC 類似，ISPU 優(yōu)化了所需的計算能力，因為它實時操作傳感器數(shù)據，無需將數(shù)據向上游傳輸?shù)?MCU 進行處理。與 MLC 方法相比，ISPU 還在支持 AI 的可編程核心（ML 和 NN）中實現(xiàn)了更高的處理能力。由于 ISPU 采用 C 語言運行，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）

為了在傳感器相關應用中成功利用 AI 技術，還必須通過新工具和軟件示例來快速適應智能傳感器架構。Nano Edge ? AI Studio (NEAi) 是一種與上述三種方法兼容的工具，也是一個面向開發(fā)人員的基于 PC 的免費開發(fā)套件。NEAi 不需要高級數(shù)據科學技能，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、離群點檢測、分類和回歸庫。如需詳細了解如何通過 NEAi 軟件工具將 ISPU 用于異常檢測應用，請參閱下面的參考文獻 #4。

結語

在邊緣計算應用中，傳感器的計算架構存在多種可選方案。在“源頭”根據數(shù)據執(zhí)行決策更具可持續(xù)性，可通過實時根據數(shù)據采取行動，減少時間和能量消耗。通過將機器學習與 AI 功能嵌入微機電系統(tǒng) (MEMS) 傳感器及工具鏈，新的物聯(lián)網邊緣計算系統(tǒng)將會實現(xiàn)許多應用，如真正可持續(xù)的智慧城市、更高的制造效率，以及醫(yī)療保健及其他領域的低功耗可穿戴傳感器等。

參考文獻

1. 用于機器學習的 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合，用于異常檢測應用[https://community.st.com/t5/mems-and-sensors/how-to-use-mems-sensors-with-an-intelligent-processing-unit-for/ta-p/49634]