Marco Castellano 博士發表了關于用于運動檢測和處理的嵌入式算法的講座，我們很高興與他坐下來了解機器學習將如何顛覆傳感器和物聯網。事實上，傳感器繼續塑造物聯網革命，因為絕大多數應用程序將低功耗設備連接到云作為傳輸傳感器信息的一種方式。根據 IHS-Markit 的一項研究，到 2022 年，全球傳感器市場總額將達到 118.4 億美元，我們預計壓力、溫度、圖像、磁性、光和運動傳感器將成為最受歡迎的傳感器之一。因此，引領傳感器市場意味著塑造物聯網革命。

然而，Castellano 博士與 Marco Bianco 的團隊合作撰寫的論文表明，今天的趨勢可能與明天的趨勢大不相同。傳感器傾向于關注性能，因為公眾總是要求更高的百萬像素、毫米精度和終極精度。然而，新的研究論文對這一愿景提出了挑戰，表明可以以更低的功耗實現更高效的傳感器應用，并且通過將部分智能轉移到傳感器中并減少應用處理器任務，仍然享有出色的性能。

最終，當傳感器變得更加智能時，它們可以提供更好的結果和更顯著的節能效果。聽起來好得令人難以置信，但這項技術突破是 ST 新型慣性傳感器 LSM6DSOX 原型的核心，其中包括機器學習處理器 （MLP）和有限狀態機 （FSM）。

具有機器學習功能的傳感器

習是計算機科學的一個領域，它研究巨大的數據集如何教機器，以及這臺機器將如何反過來應用它學到的知識來做出決策。機器學習是一個非常龐大的主題，它服務于許多不同的應用程序。但是，當機器必須從各種數據點得出結論時，它通常會使用決策樹。決策樹是由節點組成的結構，每個節點擁有一個或多個分支。當系統處理信息時，它將穿過不同的分支，直到到達葉子，這代表機器將返回的結論。

LSM6DS0X 傳感器最具革命性的方面之一是它具有內置于傳感器本身的機器學習處理器，具有多達 8 個可配置的決策樹。這意味著，傳感器中的決策樹無需使用主機微控制器 （MCU） 來運行算法并從需要大量能量的可用數據中得出結論，而是可以以一小部分功率運行感應算法消耗。因此，系統可以通過簡單地觀察用戶的動作并從預定義的模式進行推斷來識別特定的活動、攜帶位置或計算步數。

具有有限狀態機的傳感器

LSM6DSOX 還依賴于有限狀態機，該模型使用一定數量的預定義狀態以及一系列輸入來提供輸出。在其最基本的形式中，它使用順序邏輯來做出決策。例如，我們可以想象一個 FSM，如果輸入為 1，則從狀態 A 變為狀態 B，但如果輸入為 0，則保持在狀態 A。任務。權衡是，與更多價的計算系統不同，FSM 不能執行某些計算。

Castellano 博士和合著者（R. Bassoli、M. Bianco、A. Cagidiaco、C. Crippa、M. Ferraina、M. Leo、SP Rivolta）意識到有限狀態機在運行演繹算法以確保傳感器方面表現出色可以檢測產品是朝上還是朝下、自由落體、被用戶撿起，甚至監控某些健身活動等等。因此，LSM6DSOX 具有多達 16 個獨立的 FSM，這些 FSM 在本質上非常簡單，但高度可配置，例如閾值或定時器比較。因此，如果開發人員想要檢測手腕傾斜來打開或關閉智能手表的屏幕，他們只需要配置 FSM 并確定特定輸出何時會產生中斷，從而根據用戶的動作打開或關閉屏幕。

此外，LSM6DSOX 的 MLP 和 FSM 不是獨立的孤島，可以相互通知。例如，可以通過組件的決策樹之一運行 FSM 的結果，以排除可能引發錯誤中斷的誤報。

來自 ST 的傳感器

我們在低功耗應用中的機器學習方面處于領先地位，例如Orlando，一種帶有神經網絡的 SoC，而且由于公司經常通過我們的MEMS了解我們，所以像 LSM6DSOX 這樣的慣性傳感器就很有意義。擁有 MLP 和 FSM 模塊意味著算法處理所需的電流比傳統解決方案少 20 到 100 倍，從而為不需要更多功率或額外外部硬件單元即可實現類似結果的更小、更智能的設備打開了大門。Castellano 博士的團隊致力于現實架構，這解釋了為什么 LSM6DSO（一種帶有 FSM 模塊的類似傳感器）應該在今年上市。

然而，除了產品之外，同樣重要的是要強調這種新型傳感器是可能的，因為 ST 的所有成員都聚集在一起。事實上，訓練機器學習模塊的數據集來自 ST 員工自己。我們組織了一場全球性的運動來跟蹤人們的運動并教導系統從收集的模式中識別某些活動。這是一項至關重要的努力，因為數據集的質量決定了算法的準確性和性能，并最終決定了塑造用戶體驗的結果的相關性。因此，看到我們員工的所有努力在 LSM6DSOX 原型中齊心協力創造未來的傳感器，真是一種特別的感覺。

審核編輯：郭婷