現(xiàn)今的問題已經(jīng)不再是邊緣 AI 是否將會持續(xù)存在，而是如何才能在競爭激烈的領(lǐng)域中成功。因此，意法半導體（STMicroelectronics；ST）特別造訪邊緣機器學習技術(shù)之感測器模組的知名義大利公司221e，同時它亦是 ST合作伙伴計畫的成員，幫助大家了解其如何使用STM32 微控制器和 ST 感測器所打造出的三個平臺：用於嚴峻環(huán)境的NeuraTrack，以及用於研究的Mitch和 Muse。
三個平臺都提供了「感測器融合 AI」或「NeuraSense」技術(shù)，該技術(shù)將來自嵌入式加速度計、陀螺儀和磁力計的數(shù)據(jù)，傳送到能夠辨識活動或動作類型的神經(jīng)網(wǎng)絡(luò)。NeuraSense 運行於221e 的動作處理引擎（Motion Processing Engine；MPE）上，可融合多個感測器IMU數(shù)據(jù)。作為ST 授權(quán)合作伙伴，221e最初設(shè)計其 MPE 目的是為了救生相關(guān)應(yīng)用，其不容許任何錯誤發(fā)生。因此，它能夠提供高度準確的結(jié)果，為各種應(yīng)用提供資訊。
為了協(xié)助大家了解，我們將重點介紹Muse。Muse平臺采用STM32WB5MMG模組和 LSM6DSO32慣性感測器，用於追?主流和醫(yī)療環(huán)境中的活動。其PCB很小，僅22 mm x 22 mm，但功能強大，能夠以1,600Hz 的頻率采集慣性數(shù)據(jù)，并透過Bluetooth Low Energy 5.0 發(fā)送資訊。事實上，已有4家義大利醫(yī)院使用Muse系統(tǒng)。
在了解健康裝置必須滿足的嚴格需求後，讓我們一探221e如何利用ST的元件將 AI導入該平臺，以及其團隊在此過程中習得的經(jīng)驗。
221e之旅：從 ST 開發(fā)套件到優(yōu)化應(yīng)用
始於一個想法：更易於認證的模組。
Muse 是 221e 首款配備藍牙模組的裝置，因為Mitch和NeuraTrack使用的是BlueNRG處理器。該公司解釋，使用像STM32WB5MMG這樣的模組，意味著不需要擔心認證問題，因為它內(nèi)建了天線和晶振，而本身亦已獲得認證，因此無論客戶身處世界何處，都能幫助他們更直接地獲得所需的射頻認證。
成果：利用硬體，專注於創(chuàng)新程式碼開發(fā)
221e也分享了如何經(jīng)常使用，并仰賴ST的開發(fā)套件與工具，如 STEVAL-STWINKT1B（STWIN）、STEVAL-STLKT01V1（SensorTile）或 STM32WB5MM-DK（STM32WB5MMG 模組的首款開發(fā)套件）等。工程師從ST免費提供的原理圖中獲得靈感，并利用與專家交流經(jīng)驗加速設(shè)計，這解釋了Muse如何在小尺寸封裝中整合如此強大的功能的原因。此外，這種方式還能讓 221e能夠?qū)Ｗ㈧俄g體開發(fā)。
221e 分享道：「我們喜歡從零開始進行軟體研發(fā)。透過 ST的硬體專業(yè)技術(shù)，我們可以專注於優(yōu)化程式碼，以盡可能高效的方式發(fā)揮最大的效能。我們在談?wù)摰氖请姵毓╇娤到y(tǒng)上的微控制器和感測器。將 AI 導入資源受限的環(huán)境需要進行更深度的優(yōu)化，而我們最有效的方式就是利用 ST 的硬體專業(yè)技術(shù)，這樣一來，我們就可以專注於發(fā)揮自己擅長的領(lǐng)域。」
從實際應(yīng)用來看，這樣的方式讓221e 創(chuàng)造出一個非常靈活的平臺。
【經(jīng)驗學習1】專注於重要的事務(wù)
第一個啟發(fā)：確保數(shù)據(jù)品質(zhì)，并追求數(shù)據(jù)量
221e選擇LSM6DSO32感測器，重要原因之一，在於它能夠在提供高采樣率的同時，仍然維持精確的測量。這款加速度計能夠提供±4 / ±8 / ±16 / ±32g的測量，而陀螺儀還能支援每秒±125 / ±250 / ±500 / ±1000 / ±2000度的角速率范圍，并在高性能模式下僅消耗0.55mA的電流。
簡而言之，這款感測器能夠在不犧牲Muse小型系統(tǒng)固有的功耗限制的情況下，為系統(tǒng)提供優(yōu)質(zhì)的數(shù)據(jù)。因此，221e解釋了如何能夠?qū)Ｗ㈧东@取數(shù)據(jù)，而不必過度考量數(shù)據(jù)品質(zhì)的問題。
221e將Muse系統(tǒng)放在不同位置，以獲取大量的動作數(shù)據(jù)，并依此建立超過30種不同類型的分類。在為期6個月之內(nèi)，該221e共取得來自40多名受試者的數(shù)百萬筆數(shù)據(jù)，每種動作類型至少有65,000筆記錄。此外，他們可以使用同一套系統(tǒng)透過持續(xù)采集數(shù)據(jù)來改善其神經(jīng)網(wǎng)路模型。由於Muse可以取得數(shù)據(jù)并運行神經(jīng)網(wǎng)路演算法，因此，收集新數(shù)據(jù)和提供更新仍是一種具有成本效益的做法。
【經(jīng)驗學習2】著眼未來；第一個進入市場并不等同於持續(xù)領(lǐng)先
221e 近期正在開發(fā)一款新平臺，該平臺將使用 ST 的新款I(lǐng)SM330IS ISPU感測器。這款感測器內(nèi)建處理單元，在無需喚醒微控制器的前提下，就能提供更強大的運算能力。ST合作夥伴計畫成員表示，這種全新的ISPU功能不僅能夠帶來更高的節(jié)能效果，還為更加復雜的神經(jīng)網(wǎng)路的運算法提供了可能性。
簡而言之，盡管221e目前在邊緣機器學習領(lǐng)域維持領(lǐng)先，但他們也意識到必須快速采用新技術(shù)來不斷創(chuàng)新才能維持領(lǐng)先地位。一個重要啟發(fā)是，在機器學習領(lǐng)域搶先一步，并不意味著就能永遠保持領(lǐng)先。
Muse背後的工程師團隊也在探索使用STM32WL及其LoRa功能的可能性，他們正研究在藍牙低功耗之外的新通訊模式。
事實上，使用sub-GHz頻段的網(wǎng)絡(luò)可以讓其與閘道器進行通訊，并且更快速地將數(shù)據(jù)發(fā)送到云端，或者建立大型的網(wǎng)狀網(wǎng)路（Mesh Network）。因此，另一個重要啟發(fā)是，不僅要使用最新的感測器并更新神經(jīng)網(wǎng)絡(luò)模型，還要建立更強大的通訊網(wǎng)路，才能夠使機器學習應(yīng)用發(fā)揮更大的意義和價值。
