人工智慧應(yīng)用的市占率穩(wěn)步成長。為此，意法半導(dǎo)體提供廣泛的產(chǎn)品組合，輕松實現(xiàn)多級別的人工智慧應(yīng)用。

在本文中，將主要關(guān)注新型感測器中內(nèi)嵌的MLC（機器學習核心），并闡述如何利用此AI核心開發(fā)極低功耗的「邊緣到邊緣」AI應(yīng)用。

先從以下問題開始：什么是邊緣人工智慧？在過去，AI應(yīng)用需要許多計算資源，因此，來自感測器的資料必須傳輸?shù)皆贫颂幚恚缓笤賹⒔Y(jié)果傳送回本地。整個過程既耗時又耗電，并且不適用于缺乏網(wǎng)路連線的情境。因此，邊緣人工智慧應(yīng)運而生。有了微控制器（MCU）上的專用硬體，AI處理能力越來越強，將AI核心自云端移到了本地MCU，使延遲和功耗方面的表現(xiàn)更加出色。

圖一 : 邊緣運算處理流程

意法半導(dǎo)體近期推出之全新感測器系列（以字母X為結(jié)尾的命名）使感測器能夠完全在感測器核心中運行AI演算法（決策樹分類器），而無需本地MCU承擔任何運算。進一步推動了「邊緣人工智慧」技術(shù)的發(fā)展。為此，我們稱之為「邊緣到邊緣」人工智慧。

假設(shè)設(shè)計人員有興趣開發(fā)一款應(yīng)用，該應(yīng)用使用感測器資料（來自加速度計、陀螺儀等）并利用AI偵測人類活動（如步行、跑步、靜止等）或進行手勢辨識。在基于云端的AI解決方案中，需要將資料發(fā)送到云端進行推理，等待一段時間后獲得回應(yīng)。這意味著不得不在資料傳輸方面耗費大量能量（如果網(wǎng)路連接可用，最高50mA），而且在接收輸出結(jié)果時會經(jīng)歷相當長的延遲。一種創(chuàng)新型解決方案可以利用MCU來處理資料（“邊緣人工智慧”），但利用感測器資料傳輸仍是必須的。如果您的目標是最低功耗型解決方案，在感測器內(nèi)部嵌入MLC是最佳選擇。從感測器到MCU的資料傳輸沒有功率消耗，優(yōu)化后的ASIC使MLC核心的電流消耗限制在~10uA左右，而延遲更可以忽略不計。

回到應(yīng)用本身，這意味著感測器可以自己運行行為辨識或手勢辨識應(yīng)用：您只需對MLC感測器進行程式設(shè)計，打開感測元件，將基于AI的場景分類結(jié)果作為簡單的register value輸出，以供應(yīng)用MCU進行決策（例如，改變應(yīng)用的行為，開啟或關(guān)閉低功耗模式，等等）。

圖二 : ST新一代動作感測器

如前所述，感測器的AI基于決策樹分類器。不同的裝置具有類似的MLC可用資源，每個感測器都能并行運行最多8個不同的決策樹（共256或512個節(jié)點）。

圖三 : UNICO-GUI上的五個開發(fā)步驟

決策樹基于訓(xùn)練過的AI模型（監(jiān)督學習），需要資料集來訓(xùn)練模型。最后再將決策樹程式部署到感測器MLC中。針對這5個關(guān)鍵步驟，意法半導(dǎo)體提供UNICO-GUI工具，引導(dǎo)開發(fā)人員進行資料搜集、程式產(chǎn)生，并在感測器中上傳程式實現(xiàn)MLC。

第一步是數(shù)據(jù)搜集。設(shè)計人員可以選擇意法半導(dǎo)體的開發(fā)板搜集數(shù)據(jù)，我們建議使用FP-SNS-DATALOG1硬體搜集資料，確保所搜集資料的格式與一致性。一旦資料準備完成，就可以啟動UNICO-GUI。

圖四 : 利用UNICO-GUI搜集數(shù)據(jù)

在UNICO-GUI中執(zhí)行的第二步是標注數(shù)據(jù)和特征配置，為所搜集的資料集分配一個名稱或標簽。決策樹模型會基于設(shè)計人員資料集和所選之特征進行訓(xùn)練，以區(qū)分所選的類別。 UNICO-GUI工具可以導(dǎo)入許多類型的資料集。此外，使用者還可以在數(shù)據(jù)搜集階段定義感測器的工作模式，其中最重要的是選擇為決策樹分類所用的特征值。特征值基本上是對感測器資料進行的一種「分析」，決策樹將使用特征來選擇類別。舉如，使用XL訊號的「標準差」或「峰對峰值」特征來判斷使用者是靜止狀態(tài)還是運動狀態(tài)。顯然，有許多特征可以組合在一起，以實現(xiàn)符合應(yīng)用的最佳決策樹。如需更多關(guān)于特征選擇和理解決策樹創(chuàng)建過程的詳細資訊，請參見ST Design Tip 0139。

圖五 : 利用UNICO-GUI建立決策樹

在UNICO-GUI中執(zhí)行的第三步是構(gòu)立決策樹，該步驟生成初始設(shè)定并分析訓(xùn)練集的限制，以構(gòu)建一個能夠辨識動作行為的決策樹。

圖六 : 利用UNICO-GUI部署模型

在UNICO-GUI中執(zhí)行的第四步是感測器程式生成。一旦建立了決策樹，需要用感測器MLC語言「翻譯」決策樹。使用者將得到一個檔案，其中包含在內(nèi)建MLC的ST MEMS感測器執(zhí)行應(yīng)用的所有內(nèi)容。

最后（第五步），當裝置完成程式設(shè)計后，可以在應(yīng)用中利用經(jīng)訓(xùn)練的決策樹來執(zhí)行MLC的結(jié)果。

更多關(guān)于MLC在MEMS感測器中的應(yīng)用，可以參考ST MLC網(wǎng)頁或ST MLC GitHub，這些網(wǎng)頁提供大量應(yīng)用和配置范例，可以引導(dǎo)設(shè)計人員一步一步地完成從資料搜集到MLC即時功能檢查的整個過程。