作者： Tom Bocchino, STMicroelectronics

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

MEMS 作為智能系統

創建邊緣智能傳感器系統的三種主流方法，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）中的融合，使得邊緣系統不僅能夠捕獲數據，還能夠實時解析數據并作出自主響應。傳感器的嵌入式智能提升了數據處理效率，從而能夠在邊緣實現更快、更貼合所處場景的響應。

圖 1：主流傳感器系統架構。（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據從傳感器傳輸到 MCU， 傳輸速率通常較高。MCU 還必須過濾原始數據，找到算法運行所需的內容，且可能會丟棄許多已傳輸的數據樣本。這會導致效率降低，且通常會增加系統功耗，而系統功耗是影響物聯網計算的重要因素。此外，所選的 MCU 必須具有適當大小的閃存和存儲器，以便能夠執行所有算法，而這會增加系統的成本和復雜性。

機器學習核心 (MLC)

物聯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，可通過監督學習進行訓練，實現對特定事件的識別。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”而不是原始數據傳達給 MCU，從而實現更好的系統能效。在具有 MLC 功能的傳感器中，算法數據主要包含在傳感器中。相比傳統計算架構，MLC 的可擴展性較弱，因為其只對傳感器數據進行操作。但 MLC 對于開發諸如手勢、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據。比較嵌入式機器學習方法，ISPU 更具移植性，因為它可以執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，在代碼和數據構造方面比傳統方法會有更多限制。

與 MLC 類似，ISPU 優化了所需的計算能力，因為它實時操作傳感器數據，無需將數據向上游傳輸到 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，也是一個面向開發人員的基于 PC 的免費開發套件。NEAi 不需要高級數據科學技能，軟件開發人員可以在用戶友好型環境中創建最佳的 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”根據數據執行決策更具可持續性，可通過實時根據數據采取行動，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 (MEMS) 傳感器及工具鏈，新的物聯網邊緣計算系統將會實現許多應用，如真正可持續的智慧城市、更高的制造效率，以及醫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 傳感器生態系統：[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]