傳感器數(shù)據(jù)應(yīng)用是許多應(yīng)用場景的基礎(chǔ)，各種傳感器的大規(guī)模應(yīng)用促使傳感器成本下降。成本降低使同一設(shè)備安裝多個同類型傳感器成為可能，隨著同類型傳感器的數(shù)量增多，不同類型的傳感器和傳感器總數(shù)也在不斷增長。為了獲得更可靠的信息，實現(xiàn)更高質(zhì)量的應(yīng)用，業(yè)內(nèi)開發(fā)出了傳感器數(shù)據(jù)融合技術(shù)，提高了慣性模塊的應(yīng)用規(guī)模，甚至為更多應(yīng)用打開了大門。

 

終端設(shè)備應(yīng)用只有傳感器還不夠，還需要智能單元來處理信息和理解場景。應(yīng)用處理器負責讀取數(shù)據(jù)和處理信息，隨著傳感器數(shù)量增加，應(yīng)用處理器的任務(wù)變得更加復(fù)雜。同樣，連接傳感器和應(yīng)用處理器的總線也變得至關(guān)重要，大量的交換數(shù)據(jù)可能造成數(shù)據(jù)擁堵，總線性能下降。

 

最初，有人認為更快的總線和性能更高的處理器可以解決這些問題。第二階段是“智能傳感器”一詞被濫用，把通用低功耗處理器從板上移到傳感器內(nèi)部，做成一個系統(tǒng)級封裝解決方案，這種通過增加一個微控制器的方式有效增加傳感器數(shù)量的簡單方法被稱為“智能”。

 

在設(shè)計開發(fā)LSM6DSOX時，我們決定不走尋常路，將所有已知應(yīng)用在概念上分為兩大類別：一種是用歸納算法實現(xiàn)的效果更好的應(yīng)用；另一種是用演繹算法實現(xiàn)的效果更符合預(yù)期的應(yīng)用。分析實際數(shù)據(jù)模式同時保持最高統(tǒng)計性能，是我們評估最佳設(shè)計方案的方法標準。

 

最后，為了便于執(zhí)行演繹算法，我們決定在慣性單元內(nèi)嵌入一個有多達16個有限狀態(tài)機的數(shù)字模塊；針對歸納型算法，我們實現(xiàn)了一個機器學習模塊，該模塊能夠與現(xiàn)有人工智能工具互動，采用監(jiān)督式機器學習方法，在傳感器內(nèi)部對復(fù)雜計算進行預(yù)處理，分類器能夠分析實時數(shù)據(jù)，識別活動和場景并進行分類，參數(shù)和功能具有很高的可配置性。

 

這種傳感器數(shù)據(jù)分析專用智能技術(shù)可以執(zhí)行復(fù)雜算法，把很大一部分計算負荷轉(zhuǎn)交給傳感器處理，使其它設(shè)備保持空閑狀態(tài)。通過這種方式，可以最大程度地降低功耗，減輕通信總線負擔，并最大程度地提高系統(tǒng)的整體能效。

 

傳感器僅在必要時才喚醒其它設(shè)備和應(yīng)用處理器，通過這種方式，可以大幅降低功耗，我們認為，僅LSM6DSOX這些新功能就可以創(chuàng)造出新的應(yīng)用。

 

I.前言

 

在過去的十年中，物聯(lián)網(wǎng)應(yīng)用規(guī)模呈指數(shù)增長。大多數(shù)物聯(lián)網(wǎng)應(yīng)用都涉及在可能沒有電源的位置測量物理數(shù)值。 增裝電源線通常是行不通的，因此，電池是首選供電方案，并且無線數(shù)據(jù)傳輸是必選。物聯(lián)網(wǎng)相關(guān)應(yīng)用至少需要一個傳感器獲取數(shù)據(jù)和一個傳輸媒介發(fā)送數(shù)據(jù)。電源需要給數(shù)據(jù)傳輸媒介和傳感器供電。在設(shè)計這種類應(yīng)用時，需要在這個方面做出權(quán)衡和取舍：是最大限度延長電池續(xù)航時間還是提高數(shù)據(jù)傳輸頻率？

 

應(yīng)用設(shè)計者可用一個在市場上有售的重要工具來解決這個折衷難題。這個工具是一個精密的計算單元，可以執(zhí)行參數(shù)測量和數(shù)據(jù)傳輸任務(wù)，效果和能效都很好，這樣的計算單元通常是針對低功耗設(shè)計的通用微控制器。對于低功耗應(yīng)用，無線數(shù)據(jù)傳輸比其它處理任務(wù)更重要，因此，物聯(lián)網(wǎng)應(yīng)用設(shè)計策略是，如果其它處理任務(wù)允許降低通信速度，則可以將計算單元轉(zhuǎn)移到物聯(lián)網(wǎng)端。

 

本文旨在于介紹創(chuàng)新傳感器在降低產(chǎn)品功耗方面取得的新進展。意法半導體的新型慣性模塊LSM6DSOX允許將算法處理過程全部或部分移至傳感器的定制低功耗環(huán)境。這種方法具有廣泛的可配置性，保證廣泛的應(yīng)用范圍。本文結(jié)構(gòu)如下：第一章介紹一個創(chuàng)新的嵌入式算法，并結(jié)合應(yīng)用案例說明其優(yōu)勢。然后用兩個章節(jié)專門介紹機器學習處理。最后一章介紹一個好用的定制支持軟件，用戶可以根據(jù)需求快速配置軟件，創(chuàng)建新應(yīng)用。

 

II.嵌入式算法方案

 

如前一章所述，簡單的物聯(lián)網(wǎng)應(yīng)用模型包括發(fā)射器/接收器、計算單元、執(zhí)行器或傳感器和電池。

 

以智能手環(huán)為例，智能手環(huán)能夠識別用戶活動，并輸出相關(guān)活動數(shù)據(jù)：用戶步行多遠，乘車多長時間等。當然，智能手環(huán)應(yīng)具有翻腕顯示日期和時間的功能。藍牙低功耗系統(tǒng)芯片[4]是執(zhí)行傳輸和控制的關(guān)鍵組件。該解決方案嵌入了完整的藍牙網(wǎng)絡(luò)處理器和運行應(yīng)用程序的應(yīng)用處理器。應(yīng)用處理器包括低功耗微控制器、用戶程序NVM存儲器，數(shù)據(jù)存儲器、編程存儲器（NVM鏡像）以及通信接口（SPI，I²C等）。從下面給出的系統(tǒng)示例可以大致估算出該解決方案的功率預(yù)算。這款內(nèi)置微控制器的“智能”藍牙模塊通常具有不同的功耗模式，下面列出了最常見的模式：

 

a)睡眠模式：此模式用于關(guān)閉大多數(shù)內(nèi)部模塊或使其處于低功耗狀態(tài)，最大程度地降低功耗。從此模式返回到正常工作模式需要一些時間（0.5-2 ms）。該模式電流消耗在0.5-2 µA之間。

 

b)微控制器工作模式：射頻發(fā)射器/接收器關(guān)閉，微控制器正常工作。 此模式的電流消耗在1-3 mA之間。

 

c)射頻收發(fā)模式：設(shè)備處于通信連接狀態(tài)，功耗為3-20 mA。

 

我們討論一下智能手環(huán)檢測用戶活動的用例。假設(shè)智能藍牙模塊中的微控制器通過I2C/SPI接口連接慣性模塊，傳感器數(shù)據(jù)輸出數(shù)據(jù)速率配置為25Hz。每當嵌入式16 MHz時鐘域生成樣本時，微控制器就會退出睡眠模式，讀取傳感器數(shù)據(jù)并執(zhí)行活動識別算法。高質(zhì)量的活動識別算法用例平均需要4 ms的處理時間。藍牙傳輸是間歇性的，取決于用戶要求（一天一次）。

 

圖1:微控制器從睡眠到喚醒的時序

 

圖1顯示了微控制器運行算法時的占空比時序。Tstart是微控制器的喚醒時間，Talgo是算法的執(zhí)行時間，Todr是傳感器兩次讀取操作的間隔。

 

下面是總平均電流I_TOT的基本計算公式，其中包含各種主要電流消耗參數(shù)：

 

I_TOT = I_BUS + I_SLEEP + f_algo * I_UCORE * ( T_start/2 + T_algo )

 

I_BUS 是接口總線讀取操作消耗的電流；SPI總線的讀取電流應(yīng)小于1 µA，I²C總線約在2-5 µA之間。射頻是間歇性傳輸，所以功耗可以忽略不計。考慮到每個參數(shù)取值取其聲明范圍的中間值，最后得到的I_TOT為230 µA。

 

嵌入式算法是經(jīng)過重新配置的可以實現(xiàn)“活動識別”，工作電流小于8 µA。這里所說的嵌入式算法與在微控制器上運行的算法在性能和質(zhì)量上完全相同。嵌入式解決方案的顯著優(yōu)勢是在傳感器內(nèi)部生成可用數(shù)據(jù)，因此不存在I_BUS功耗。此外，嵌入式解決方案完全沒有微控制器安全退出睡眠狀態(tài)所需的T_start時間，當T_start和I_BUS兩項參數(shù)均為零時，I_TOT估算值是200 µA，這意味著，使用相同公式f_algo*I_UCORE*T_algo計算，算法從微控制器遷移到傳感器使功耗降至二十五分之一。

 

因為意法半導體軟件庫和客戶需求是已知的，并且是合并在一起的，所以，我們的策略是收集最常見的用例，然后將其分為兩類。第一類是由非常適合使用有限狀態(tài)機的算法組成，第二類基于需要統(tǒng)計分析（基于模式分析）并且可以通過決策網(wǎng)（樹）有效實現(xiàn)的應(yīng)用。針對這兩大類應(yīng)用，我們開發(fā)出一個覆蓋現(xiàn)有算法的“元命令”集，并確保算法具有廣泛的可重新配置性，以處理新的自定義需求。最后一步是算法分析，目的是找到最佳的低功耗且有效的算法定制邏輯。在不影響算法性能的情況下，按照特定應(yīng)用需求簡化算法。下面的兩個章節(jié)介紹這兩個模塊和元數(shù)據(jù)。

 

III.機器學處理(MLP)

 

有限狀態(tài)機是利用本身固有的演繹推理特性：從假設(shè)開始，檢驗達到特定邏輯狀態(tài)的概率。對于運動檢測算法，演繹推理是確定一系列事件是否滿足“規(guī)則”。這種方法適用于大多數(shù)手勢檢測算法，當然，不能全部適用。例如，手機舉起到放下的手勢算法可以完全基于以下事實：手機加速度計檢測到的重力主要是在同一個軸上，并在一個時間序列后，檢測到的重力方向?qū)兂上喾捶较颉Ｐ薷囊恍﹨?shù)就可以更改手勢定義，這些參數(shù)包括軸定義、閾值和序列持續(xù)時間。步行檢測等運動算法幾乎不可能通過簡單的狀態(tài)機來定義，因為變量數(shù)量會急劇增加，傳感器定位、頻率、地形和個人行為導致感應(yīng)信號變化很大。從上一個示例中，可以得出一個更具一般性的概念：雖然手機舉起到放下的手勢統(tǒng)計方差在一個人群中是較明顯的，但是可以進行演繹推理應(yīng)用設(shè)計；而步行動作會引起廣泛的統(tǒng)計方差，演繹推理方法應(yīng)該棄用，而采用歸納推理方法。

 

機器學習處理的基本原理是允許在芯片上執(zhí)行數(shù)據(jù)驅(qū)動型算法，開發(fā)從輸入模式構(gòu)建模型的能力。在過去的十年中，互聯(lián)網(wǎng)和物聯(lián)網(wǎng)爆炸式增長，大量信息產(chǎn)生。 隨著數(shù)據(jù)量急劇增加，數(shù)據(jù)管理工具也被開發(fā)出來，使數(shù)據(jù)開始有應(yīng)用價值。MLP解決方案被認為是適合在慣性傳感器上執(zhí)行數(shù)據(jù)驅(qū)動算法。MLP具有很高的可重新配置性，在慣性傳感器領(lǐng)域達到了預(yù)期效果，可以在超低功耗環(huán)境執(zhí)行算法，適用于耗電量大的產(chǎn)品，例如，物聯(lián)網(wǎng)算法。

 

數(shù)據(jù)挖掘是機器學習的一個重要分支：“數(shù)據(jù)挖掘是一個綜合機器學習、模式識別和統(tǒng)計學的跨學科領(lǐng)域 [1] [2]，其目的是發(fā)現(xiàn)知識。

 

數(shù)據(jù)挖掘工具最后生成一個決策樹，應(yīng)用設(shè)計是從一個數(shù)據(jù)模式集合開始，以在MLP內(nèi)核上加載決策樹結(jié)束。用戶可以用支持軟件管理整個應(yīng)用設(shè)計過程，我們將在下一章介紹支持軟件，本章介紹MLP內(nèi)核背后的基本模塊。

 

圖4是機器學習處理內(nèi)核的整體結(jié)構(gòu)圖。

 

圖4：MLP內(nèi)核整體結(jié)構(gòu)圖

 

從圖中不難看出軟件層和硬件層之間的邊界。該應(yīng)用設(shè)計從傳感器數(shù)據(jù)模式開始，模式是描述MLP內(nèi)核在運行時必須理解的知識。以活動識別算法為例，MLP從涉及要識別的活動（步行，跑步，運動的車輛，無運動等）的模式開始運行，目的是直接從傳感器數(shù)據(jù)推出當前活動的結(jié)果。最多可以將3個傳感器的數(shù)據(jù)配置為算法輸入。陀螺儀和加速度計模塊位于傳感器內(nèi)部，外部傳感器（例如磁力計）的數(shù)據(jù)可以通過嵌入式I2C控制器讀取。輸入傳感器數(shù)據(jù)由物理傳感器的軸和數(shù)值組成（表VI。）。

 

表I. MLP的輸入類型

 

要想調(diào)理輸入數(shù)據(jù)，還有多個可配置濾波器可用，如下表所示（表VII）。

 

表II. 內(nèi)核中的濾波器類型

 

原始數(shù)據(jù)和過濾數(shù)據(jù)都可以設(shè)為特征模塊的輸入，特征模塊執(zhí)行數(shù)據(jù)的統(tǒng)計計算，輸出可以配置成多達19個不同的統(tǒng)計特征。表VIII中列出了可用特征。主要特征集分為觸發(fā)式和窗口式兩類，前者是按照特征事件計算的結(jié)果，后者是按照固定時窗間隔統(tǒng)計的結(jié)果。盡管所有特征計算結(jié)果可以是窗口式或觸發(fā)式特征集，取決于用戶配置，但只有這些特征的子集才可以生成觸發(fā)信號。

 

表III：MLP內(nèi)核的統(tǒng)計特征

 

在特征配置結(jié)束時，軟件工具(下一章介紹)輸出一個配置文件和一個ARFF文件。配置文件安裝在慣性單元上用于配置MLP，ARFF文件用于數(shù)據(jù)挖掘工具，是與MLP處理器芯片匹配的。數(shù)據(jù)挖掘工具組建ARFF文件，針對特定應(yīng)用案例優(yōu)化（或“確定”）選擇最佳的特征集，并輸出決策樹及相關(guān)統(tǒng)計性能。

 

在數(shù)據(jù)挖掘工具處理和反饋后，可以重新處理數(shù)據(jù)并優(yōu)化特征集。

 

當統(tǒng)計性能符合期望時，可以通過意法半導體軟件工具生成的配置文件將決策樹加載到MLP內(nèi)核上。

 

IV.支持軟件

 

意法半導體開發(fā)出一個使基于統(tǒng)計學/機器學習的方法適合編程的工具，有了這個工具，設(shè)備配置過程變得輕松快捷。

 

這個機器學習處理配置工具是一個擴展版的Unico GUI圖形用戶界面軟件（意法半導體所有MEMS傳感器演示板通用 [5]）。Unico軟件連接基于STM32微控制器的主板[6] [5]，實現(xiàn)MEMS傳感器與PC GUI之間的通信。該軟件以圖形和數(shù)字形式顯示傳感器輸出，并允許用戶保存或全面管理來自設(shè)備的數(shù)據(jù)。

 

Unico軟件允許訪問MEMS傳感器寄存器，可以快速配置寄存器，并可以直接在設(shè)備上輕松測試配置?？梢詫斍凹拇嫫鞯呐渲帽４鏋槲谋疚募?，并可以從現(xiàn)有文件中加載配置。這樣，可以在幾秒鐘內(nèi)重新設(shè)置傳感器。

 

基于統(tǒng)計/機器學習的算法要求收集數(shù)據(jù)日志。使用Unico GUI可以做到這一點。每個數(shù)據(jù)日志都必須關(guān)聯(lián)預(yù)期結(jié)果（例如，靜止，步行，跑步等）。該工具收集這些數(shù)據(jù)模式用于計算某些特征。

 

圖8：數(shù)據(jù)模式表

 

該工具可為原始數(shù)據(jù)選擇濾波器，選擇用過濾數(shù)據(jù)計算哪些特征，計算結(jié)果特征將是決策樹的屬性。幾個步驟后，該工具將生成一個屬性關(guān)系文件（ARFF）。

 

圖9：配置表

 

ARFF文件是決策樹生成過程的入口。決策樹可以由不同的機器學習工具生成。 懷卡托大學開發(fā)的軟件Weka [7]能夠從屬性關(guān)系文件開始生成決策樹。Weka工具可以評估哪些屬性適合決策樹。通過更改Weka中所有可用參數(shù)，可以實現(xiàn)不同的決策樹配置。

 

圖10:在Weka里的屬性視圖

 

圖6：Weka中的決策樹生成

 

在決策樹生成后，可以將其上傳到意法半導體的軟件工具，完成MEMS傳感器的寄存器配置。

 

通過訪問傳感器寄存器，Unico GUI可以讀取決策樹輸出狀態(tài)。

 

V.應(yīng)用案例

 

從第二部分介紹的示例開始，我們做了一些電流消耗測量，選擇了一個活動識別算法作為示例。該算法的性能在模式數(shù)據(jù)庫中經(jīng)過明確評估，而且在普通通用微控制器上運行時電流消耗約為數(shù)百微安。利用上一章介紹的支持軟件，可以輕松地配置MLP內(nèi)核，運行該活動識別算法。

 

表IV：電流要求

 

表IX 總結(jié)了在Cortex-M3 [8] [9] [10]上運行活動識別算法的電流要求，以及在LSM6DSOx MLP上運行同一算法增加的電流需求。

 

VI.結(jié)論

 

世界網(wǎng)絡(luò)化程度越來越高：聯(lián)網(wǎng)設(shè)備可以交換大量數(shù)據(jù)。物聯(lián)網(wǎng)應(yīng)用依賴于三個關(guān)鍵模塊：感知、智能和通信。本文介紹了一種高度可配置的嵌入在慣性傳感器中的數(shù)字模塊。數(shù)字模塊為傳感器增加了智能，可以大幅降低系統(tǒng)級能耗。為了快速開發(fā)應(yīng)用原型，隨硬件一起提供了數(shù)字模塊配置支持軟件。上一章的應(yīng)用案例清楚地表明，數(shù)字模塊可大幅降低電流消耗。智能傳感器是賦能電池續(xù)航能力至關(guān)重要的新應(yīng)用的關(guān)鍵技術(shù)。

 

參考文獻

 

[1]S. Sumathi and S.N. Sivanandam: Introduction to Data Mining Principles, Studies in Computational Intelligence (SCI) 29, 1–20 (2006).

 

[2]V. Sze, Y. H. Chen, J. Einer, A. Suleiman and Z. Zhang, "Hardware for machine learning: Challenges and opportunities," 2017 IEEE Custom Integrated Circuits Conference (CICC), Austin, TX, 2017, pp. 1-8.

 

[3]V. Sze, "Designing Hardware for Machine Learning: The Important Role Played by Circuit Designers," in IEEE Solid-State Circuits Magazine, vol. 9, no. 4, pp. 46-54 , Fall 2017.

 

[4]STMicroelectronics, “Bluetooth® low energy wireless system-on-chip,” BlueNRG-2 datasheet, November 2017, [DocID030675 Rev 2].

 

[5]STMicroelectronics Analog Mems Sensor Application Team ,  Unico GUI User manual, Rev. 5  October 2016.

 

[6]STMicroelectronics Technical Staff,  STEVAL-MKI109V3 Professional MEMS Tool motherboard for MEMS adapter boards, July 2016

 

[7]Ian H. Witten, Eibe Frank, and Mark A. Hall. 2011. Data Mining: Practical Machine Learning Tools and Techniques (3rd ed.). Morgan Kaufmann Publishers Inc., San Francisco, CA, USA.

 

[8]STMicroelectronics, “Ultra-low-power 32-bit MCU ARM®-based Cortex®-M3 with 512KB Flash, 80KB SRAM, 16KB EEPROM, LCD, USB, ADC, DAC,” STM32L151xE STM32L152xE datasheet,  Rev. 9 August 2017.

 

[9]STMicroelectronics Technical Staff, STM32 Nucleo-64 boards, NUCLEO-XXXXRX NUCLEO-XXXXRX-P data brief, Rev. 10 December 2017.

 

[10]STMicroelectronics Technical Staff, Sensor and motion algorithm software expansion for STM32Cube , X-CUBE-MEMS1data brief, Rev. 10 November 2017.

 

 

推薦閱讀：