設(shè)計(jì)應(yīng)用－在低功耗MCU上實(shí)現(xiàn)人工智能和機(jī)器學(xué)習(xí)

人工智能 (AI) 和機(jī)器學(xué)習(xí) (ML) 的技術(shù)不僅正在快速發(fā)展，還逐漸被創(chuàng)新性地應(yīng)用于低功耗的微控制器 (MCU) 中，從而實(shí)現(xiàn)邊緣AI/ML的解決方案。這些嵌入式系統(tǒng)的核心組件如今能夠支持 AI/ML 應(yīng)用，憑借其成本效益、高能效以及可靠的性能，集成在可穿戴技術(shù)、智能家居設(shè)備和工業(yè)自動(dòng)化等領(lǐng)域的效益尤為顯著。具備AI優(yōu)化功能的MCU和 TinyML的興起（專注于在小型、低功耗設(shè)備上運(yùn)行ML模型）體現(xiàn)了這一領(lǐng)域的進(jìn)步。TinyML對(duì)于直接在設(shè)備上實(shí)現(xiàn)智能決策、支持實(shí)時(shí)處理和減少延遲至關(guān)重要，特別是在連接有限或無(wú)連接的環(huán)境中。

TinyML簡(jiǎn)介

TinyML是指在小型、低功耗設(shè)備上應(yīng)用機(jī)器學(xué)習(xí)模型，尤其是在資源受限的MCU上優(yōu)化運(yùn)行。這使得邊緣設(shè)備能夠?qū)崿F(xiàn)智能決策，支持實(shí)時(shí)處理并減少延遲。量化 (Quantization) 和Pruning等技術(shù)用于減小模型體積并提高推理速度。量化通過降低模型權(quán)重的精度，顯著減少內(nèi)存使用而幾乎不影響準(zhǔn)確性；Pruning則通過去除不重要的神經(jīng)元，進(jìn)一步減小模型規(guī)模并提升延遲性能。這些方法對(duì)在資源有限的設(shè)備上部署 ML模型至關(guān)重要。

主流框架與工具

PyTorch 和 TensorFlow Lite：PyTorch 是一種開源的機(jī)器學(xué)習(xí)庫(kù)，廣泛用于人工智能應(yīng)用，也能部署在微控制器上。TensorFlow
Lite for Microcontrollers (TFLM) 支持在資源受限的 MCU 上運(yùn)行 TF Lite 模型，通過 Flatbuffer 轉(zhuǎn)換減少模型體積并優(yōu)化推理性能。

ARM 的 CMSIS-NN庫(kù)：提供為 Cortex-M 處理器優(yōu)化的神經(jīng)網(wǎng)絡(luò)內(nèi)核，提升性能并減少內(nèi)存占用，使 ARM 架構(gòu)的 MCU 更易運(yùn)行 ML 模型。

AI/ML硬件加速器：一些 MCU，例如Silicon Labs（芯科科技）的EFM32系列SoC和MCU配備了AI/ML專用硬件加速器，大幅提升了ML模型的運(yùn)行效率。這些加速器通過并行化任務(wù)（如矩陣乘法、卷積和圖處理）來實(shí)現(xiàn)更高性能，同時(shí)保持低功耗。此外，它們優(yōu)化了內(nèi)存訪問模式，減少了數(shù)據(jù)傳輸開銷，從而進(jìn)一步節(jié)省能耗。

AI/ML實(shí)際應(yīng)用

音頻與視覺喚醒詞：應(yīng)用于智能音箱和安防攝像頭，在識(shí)別到喚醒詞或檢測(cè)到運(yùn)動(dòng)時(shí)激活設(shè)備。

工業(yè)預(yù)測(cè)性維護(hù)：工廠設(shè)備上的傳感器監(jiān)控振動(dòng)和溫度等參數(shù)，利用TinyML模型檢測(cè)異常并預(yù)測(cè)維護(hù)需求。

手勢(shì)與活動(dòng)識(shí)別：可穿戴設(shè)備利用加速度計(jì)和陀螺儀實(shí)時(shí)分析數(shù)據(jù)，用于健身追蹤或醫(yī)療診斷。

農(nóng)業(yè)環(huán)境監(jiān)控：分析土壤濕度和天氣條件，優(yōu)化灌溉，提高作物產(chǎn)量。

健康監(jiān)測(cè)：持續(xù)血糖監(jiān)測(cè)設(shè)備和智能床墊傳感器可提供實(shí)時(shí)健康數(shù)據(jù)，用于遠(yuǎn)程醫(yī)療和老年護(hù)理。

AI/ML開發(fā)流程

數(shù)據(jù)采集與預(yù)處理：使用傳感器（如加速度計(jì)、麥克風(fēng)、攝像頭）采集原始數(shù)據(jù)，并進(jìn)行清理、歸一化等預(yù)處理。

模型訓(xùn)練與優(yōu)化：在高性能設(shè)備上（如 GPU）使用 TensorFlow 或 PyTorch 訓(xùn)練模型。優(yōu)化技術(shù)包括量化和Pruning。

模型轉(zhuǎn)換與部署：將優(yōu)化后的模型轉(zhuǎn)換為 TensorFlow Lite 格式，并通過 芯科科技的Simplicity Studio開發(fā)環(huán)境將模型部署到MCU上。

推理與優(yōu)化：在MCU 上運(yùn)行推理任務(wù)，進(jìn)一步測(cè)試和改進(jìn)性能。

芯科科技的AI/ML解決方案

提供適用于 TinyML 的硬件與軟件支持：

硬件：EFR32/EFM32（如 xG24、xG26、xG28）及 SiWx917 系列無(wú)線MCU，具有低功耗與高性能優(yōu)勢(shì)。

軟件工具鏈：包括 TensorFlow Lite for Microcontrollers、Simplicity Studio、ML Toolkit 和第三方工具（如 SensiML、Edge Impulse）。

參考應(yīng)用：提供 GitHub 庫(kù)和示例代碼，涵蓋異常檢測(cè)、圖像分類、關(guān)鍵字識(shí)別等場(chǎng)景。

TinyML的優(yōu)勢(shì)

成本低：MCU價(jià)格親民

綠色環(huán)保：能耗低

易于集成：便于嵌入現(xiàn)有環(huán)境

隱私與安全：數(shù)據(jù)本地處理，無(wú)需聯(lián)網(wǎng)傳輸

實(shí)時(shí)處理：低延遲

自主可靠：在任何環(huán)境下都能穩(wěn)定運(yùn)行

結(jié)論

MCU 不再局限于簡(jiǎn)單任務(wù)，而是正成為 AI 的強(qiáng)大平臺(tái)。通過探索 AI 優(yōu)化 MCU，我們可以為智能電池供電設(shè)備開辟新的可能性。無(wú)論是智能家居設(shè)備還是工業(yè)傳感器，AI 驅(qū)動(dòng)的 MCU 正在重塑嵌入式系統(tǒng)的未來。

了解更多關(guān)于芯科科技的AI/ML解決方案：https://cn.silabs.com/applications/artificial-intelligence-machine-learning