边缘感知生态系统

作者： Tom Bocchino, STMicroelectronics

本博客将介绍并比较几种专为物联网和边缘计算设计的传感系统架构方法。每种方法在复杂性和系统功耗方面各有优缺点。

MEMS 作为智能系统

创建边缘智能传感器系统的三种主流方法，如图 1 所示。“经典方法”非常灵活，具有在主机 MCU 上运行的完整算法。

在传感器中集成机器学习和数字信号处理功能，代表着向“真正的边缘”计算迈出的关键一步。这种融合，尤其是在 [MEMS 设备] （微机电系统）中的融合，使得边缘系统不仅能够捕获数据，还能够实时解析数据并作出自主响应。传感器的嵌入式智能提升了数据处理效率，从而能够在边缘实现更快、更贴合所处场景的响应。

图 1：主流传感器系统架构。（图片来源：STMicroelectronics）

经典方法

在经典计算架构中，微控制器 (MCU) 是传感器数据处理中心，并包含传感器处理算法。这种方法在固件移植方面非常灵活，且对于处理复杂算法来说是最具扩展性的架构。然而，这种架构要求将传感器数据从传感器传输到 MCU， 传输速率通常较高。MCU 还必须过滤原始数据，找到算法运行所需的内容，且可能会丢弃许多已传输的数据样本。这会导致效率降低，且通常会增加系统功耗，而系统功耗是影响物联网计算的重要因素。此外，所选的 MCU 必须具有适当大小的闪存和存储器，以便能够执行所有算法，而这会增加系统的成本和复杂性。

机器学习核心 (MLC)

物联网边缘处理的第二种方法是图 2 所示的机器学习核心。MLC 是嵌入在传感器中的引擎，可通过监督学习进行训练，实现对特定事件的识别。MLC 由计算块、过滤和基于元分类的决策树组成。

MLC 传感器可以检测运动并最终将“事件”而不是原始数据传达给 MCU，从而实现更好的系统能效。在具有 MLC 功能的传感器中，算法数据主要包含在传感器中。相比传统计算架构，MLC 的可扩展性较弱，因为其只对传感器数据进行操作。但 MLC 对于开发诸如手势、振动级别等难以编程的事件非常有用。

图 2：集成机器学习核心的传感器。（图片来源：STMicroelectronics）

集成传感器处理单元 (ISPU)

ISPU 是一种带有集成数字信号处理器 (DSP) 的传感器，用于在芯片内本地处理传感器数据。比较嵌入式机器学习方法，ISPU 更具移植性，因为它可以执行用于更复杂的传感器算法的标准 C 代码。然而，ISPU 中的 DSP 是用于传感器相关操作的专门核心，在代码和数据构造方面比传统方法会有更多限制。

与 MLC 类似，ISPU 优化了所需的计算能力，因为它实时操作传感器数据，无需将数据向上游传输到 MCU 进行处理。与 MLC 方法相比，ISPU 还在支持 AI 的可编程核心（ML 和 NN）中实现了更高的处理能力。由于 ISPU 采用 C 语言运行，因此兼容许多商业模型和开源 AI 模型。

图 3：集成传感器处理单元的功能。（图片来源：STMicroelectronics）

为了在传感器相关应用中成功利用 AI 技术，还必须通过新工具和软件示例来快速适应智能传感器架构。Nano Edge ™ AI Studio (NEAi) 是一种与上述三种方法兼容的工具，也是一个面向开发人员的基于 PC 的免费开发套件。NEAi 不需要高级数据科学技能，软件开发人员可以在用户友好型环境中创建最佳的 tinyML® 库。NEAi 可以生成四种库：异常检测、离群点检测、分类和回归库。如需详细了解如何通过 NEAi 软件工具将 ISPU 用于异常检测应用，请参阅下面的参考文献 #4。

结语

在边缘计算应用中，传感器的计算架构存在多种可选方案。在“源头”根据数据执行决策更具可持续性，可通过实时根据数据采取行动，减少时间和能量消耗。通过将机器学习与 AI 功能嵌入微机电系统 (MEMS) 传感器及工具链，新的物联网边缘计算系统将会实现许多应用，如真正可持续的智慧城市、更高的制造效率，以及医疗保健及其他领域的低功耗可穿戴传感器等。

参考文献

1. 用于机器学习的 MEMS 传感器生态系统：[https://www.st.com/content/st_com/en/ecosystems/MEMS-Sensors-Ecosystem-for-Machine-Learning.html#stm32ce-MachineLearningCore]
2. 如何通过具有智能处理单元的 MEM 传感器进行异常检测：[https://community.st.com/t5/mems-and-sensors/how-to-use-mems-sensors-with-an-intelligent-processing-unit-for/ta-p/49634]
3. MEMS 惯性测量单元中的低功耗传感器融合：[https://community.st.com/t5/mems-and-sensors/how-lsm6dsv16x-enables-sensor-fusion-low-power-sflp-algorithm/ta-p/585084]
4. 如何通过 NEAI 软件工具将 MEMS 传感器与智能处理单元相结合，用于异常检测应用[https://community.st.com/t5/mems-and-sensors/how-to-use-mems-sensors-with-an-intelligent-processing-unit-for/ta-p/49634]