SiliconLabs(亦稱“芯科科技”)設計合作伙伴-SensiML近期制作了應用文章系列：“創造真正智能的智能家居設備-使用Silicon Labs xG24開發套件支持AI加速器以構建聲音感知門鎖”(Creating a Smarthome Device That Is TrulySmart - Building an Acoustic Aware Door Lock Using Silicon Labs' AI AcceleratedxG24 Dev Kit)。通過將新的人工智能(AI)和機器學習(ML)工具鏈與Silicon Labs的Simplicity Studio以及BG24和MG24系列SoC結合使用，實現真正智能的智能家居設備-聲音感知的智能門鎖。

SensiML是領先的AI和ML工具提供商，SiliconLabs攜手該公司致力于幫助開發人員獲得端對端工具鏈，簡化機器學習模型的開發，并優化無線應用的嵌入式部署。

計畫-創建可感知聲音的智能門鎖

智能連接設備逐漸進入我們家庭和日常生活的例子日漸增加，包括智能燈泡，智能集線器，恒溫器，電器甚至智能狗碗等，幾乎所有這些設備都是聯網的，有些甚至是被稱之為“智能”的設備——盡管問題是大多數通過云計算或智能手機應用獲得智慧。目前很少有這類設備本身是智能的，它們利用邊緣推理計算來提供自主的局部洞察，它們可以處理和行動，而不需要依賴網絡的輔助。隨著針對物聯網邊緣設備的最新嵌入式芯片和微控制器的出現，這種限制正在迅速改變，這些設備擁有更強大的處理器，甚至是專門的AI加速器。

最近的硬件進步使這一趨勢朝著真正智能的物聯網邊緣應用和設備發展。硬件不斷地創新正在將人工智能從云端帶到以超低功耗芯片驅動的物聯網邊緣設備本身。除了硬件之外，具有AI能力的邊緣芯片還需要強大的配套軟件工具，讓開發人員輕松地挖掘這些新處理器的全部潛力。眾所周知，在不影響AI學習曲線的情況下做到這一點是艱鉅的挑戰。畢竟構建具有產品價值的、數據驅動的AI模型是一個多學科的過程，涉及AI、數字信號處理、領域專業知識和固件優化。這些都是典型的專業領域，具有獨立發展的專業工具，以適應嵌入式傳感器數據處理的每個特定方面的專家用戶。幸運的是，最新的硬件進步現在伴隨著新的AutoML軟件工具，如SensiML的分析工具，統一和簡化構建真正智能物聯網邊緣設備的工作流程，正如我們將在本系列文章中演示的那樣。

介紹Silicon Labs內建AI/ML加速器的MG24和BG24 SoC

最新一代具有AI/ML能力的邊緣處理器的例子來自SensiML的合作伙伴SiliconLabs。SiliconLabs的MG24和BG24 SoC結合AI/ML加速器以及最新發布的SensiML分析工具包，支持這些設備的全部功能，為開發人員在構建真正智能的物聯網邊緣設備方面邁出了重要一步。具體而言，對于音頻分類等需要復雜神經網絡模型的高級用例，SiliconLabs MG24 / BG24 SoC產品家族和SensiML的組合允許具有現有IoT開發技能的項目團隊輕松創建節電、低延遲的AI應用。

為了說明這種硬件/軟件組合解決方案的可行性，在這個由多部分組成的博客文章系列中，我們將著手構建一個真正的智能門鎖，它只利用一個麥克風和強大的AI推理計算在邊緣設備中，以確定各種系統須知的聲學事件，從而生產出更好、更安全的家庭門鎖。

概念-聲音感知智能門

我們已經看到市場上出現了各種各樣的聯網設備，以改善我們在智能家居中遇到的第一個環節—前門的體驗。智能門鈴現在集成了連接攝像頭，門鎖也具有連接功能，允許靈活和可編程的訪問，以替代傳統的鎖和鑰匙。在這個組合中，我們將在這個博客系列中探索的是一個為這些設備添加聲音感知和智能的概念。利用SiliconLabs xG24 Dev Kit和SensiML Analytics Toolkit，我們將集成一個麥克風和AI處理，為互聯的智能門帶來額外的自主洞察。

我們的聲音感應式真正的智能門鎖將通過機械布局來監測周圍環境的聲音，這有助于加強門本身內部結構聲音的信號。使用數據驅動的AutoML模型構建和SensiML分析工具，我們將捕捉各種有趣的聲音事件，目的是構建一個識別模型，可以在本地識別此類事件，而不需要聯網AI、云或智能手機處理。

我們將捕捉到的一些事件包括:

敲門

鍵鎖插入

門栓嚙合

多余的聲音(避免假性觸發事件)

擴展這個概念，還有很多其他的事件可以添加到列表中:

門鎖篡改

敲門聲

試圖入侵

玻璃破碎險

用戶的語音識別

以上為本系列博客文章的第一部分，后面幾期內容我們將通過智能聲感門鎖的開發工作取得進展。

審核編輯：湯梓紅