人工智能應用的市場份額穩步增長。為此，意法半導體提供廣泛的產品組合，輕松實現多級別的人工智能應用。在本文中，我們主要關注新型傳感器中內嵌的人工智能（也稱為MLC），還將闡明用戶如何利用這個AI核心來開發極低功耗的“邊緣到邊緣”AI應用。

讓我們先從以下問題開始：什么是邊緣人工智能？

在過去，人工智能應用程序需要許多計算資源，因此，來自傳感器的數據必須傳輸到云端進行處理，然后再將結果發送回本地。整個過程既耗時又耗電，并且不適用于缺乏互聯網連接的情況。因此，邊緣人工智能應運而生。有了MCU上的專用硬件，AI處理能力越來越強，將“人工智能”核心從云端移到了本地MCU，使延遲和功耗方面的表現更加出色。

意法半導體最近推出的一個全新傳感器系列（通過名稱末尾的字母X加以識別）使傳感器能夠完全在傳感器核心中運行人工智能算法（基于決策樹分類器），無需本地MCU承擔任何計算負載。進一步推動了“邊緣人工智能”技術的發展。為此，我們稱之為“邊緣到邊緣”人工智能。

假設您有興趣開發一款應用，該應用使用傳感器數據（來自加速度計、陀螺儀等）并利用人工智能技術檢測人類活動（如步行、跑步、靜止等）或進行手勢識別。在基于云的AI解決方案中，需要將數據發送到云端進行推理，等待一段時間后獲得響應。這意味著不得不在數據傳輸方面耗費大量能量（如果互聯網連接可用，最高50mA），而且在接收輸出結果時會經歷相當長的時延。一種創新型解決方案可以利用MCU的能力處理數據（“邊緣人工智能”），但傳感器數據傳輸是必須的。如果您的目標是最低功耗型解決方案，在傳感器內部嵌入MLC是最佳選擇。從傳感器到MCU的數據傳輸沒有功率消耗，優化后的ASIC使MLC核心的電流消耗限制在~10uA左右，而延遲可以被忽略。

回到應用本身，這意味著傳感器可以自己運行人類活動或手勢識別應用：您只需對MLC傳感器進行編程，打開傳感元件，將基于人工智能的場景分類結果作為簡單的寄存器值輸出，以供應用MCU進行決策（例如，改變應用的行為，啟用或禁用低功耗模式，等等）。

如前所述，傳感器的人工智能基于“決策樹”分類器，這在之前的文章中已經介紹過。不同的設備具有類似的機器學習核心可用資源，每個傳感器都能并行運行最多8個不同的決策樹（共256或512個節點）。

決策樹基于訓練過的人工智能模型（監督學習），需要一個數據集來訓練模型。一旦數據可用，就可以構建決策樹，最后將決策樹編程到傳感器MLC中。針對這5個關鍵步驟，意法半導體提供UNICO-GUI工具，幫助開發人員進行數據收集和代碼生成，并在傳感器中上傳代碼，從而實現所需的MLC。

第一步：捕獲數據

您可以為數據采集活動選擇意法半導體的板件（市場上有意法半導體提供的許多板件），意法半導體建議使用FP-SNS-DATALOG1固件獲取數據，確保所采集數據的一致性和格式化。一旦數據可以進行處理，就可以啟動UNICO-GUI。

第二步：數據標記和特征配置

這意味著為在數據采集活動中獲取的每個數據集分配一個名稱/標簽。基于您的數據集和選擇進行決策樹模型訓練，以區分所選的類。UNICO-GUI工具可以導入許多類型的數據集。

此外，用戶在采集階段定義傳感器的工作模式，最重要的是選擇將被決策樹用于區分類的特征。特征基本上是對傳感器數據進行的一種“分析”，決策樹將使用特征來選擇一個類或另一個類。這方面的一個例子是，使用XL信號的“標準偏差”或“峰-峰”特征來了解用戶是靜止狀態還是運動狀態。顯然，有許多可選擇的特征可以組合在一起，以實現應用的最佳決策樹。如需更多關于特征選擇和理解決策樹創建過程的詳細信息，請參見意法半導體設計技巧0139。

第三步：構建決策樹

該步驟生成設置并在數據集訓練過程中識別限制，以構建一個能夠識別要檢測的運動數據類型的決策樹。

第四步：傳感器代碼生成

一旦創建了決策樹，需要用傳感器MLC語言“翻譯”決策樹。用戶將得到一個文件，其中包含讓其應用在配備MLC的ST MEMS傳感器上運行所必需的全部內容！

第五步

當器件被編程后，可以在應用中使用定義的已訓練決策樹處理機器學習核心結果。

責任編輯：haq