邊緣感測生態系統

此部落格文章將介紹幾種專為 IoT 和邊緣運算所設計的感測系統架構作法，並加以比較。每種作法在複雜性和系統功耗層面都有其優缺點。

MEMS 智慧系統

有三種主流作法可在邊緣打造智慧感測器系統，如圖 1 所示。「經典作法」相當靈活，並具有完整的演算法可在主機 MCU 中執行。

在感測器中整合機器學習和數位訊號處理是邁向「真正邊緣」運算的一大步。這種融合，尤其是在 MEMS 裝置 (微機電系統) 中，不僅能讓邊緣系統擷取資料，更可即時解譯和處理資料。在感測器中嵌入智慧能力，能改進資料處理效率，就可在邊緣達到更快、更符合情境的回應。

圖 1：主流的感測器系統架構。(圖片來源：STMicroelectronics)

經典作法

在經典運算架構中，微控制器 (MCU) 是處理感測器資料的中樞，其中含有感測器處理演算法。這種作法在韌體可攜性層面非常靈活，也是處理複雜演算法時最具擴充性的架構。然而，這種架構的感測器資料，通常必須以高數據傳輸率從感測器傳輸到 MCU。MCU 也要篩選原始資料，以找到演算法運作所需的資料，而且可能會捨棄已傳輸的眾多樣本。這會導致效率降低，進而提高系統功耗，但這在 IoT 運算中是相當重要的考量之一。此外，MCU 的挑選必須配合快閃記憶體大小和記憶體，以便執行所有的演算法，但這也會增加系統的成本和複雜性。

機器學習核心 (MLC)

IoT 邊緣處理的第二種作法則是機器學習核心，如圖 2 所示。MLC 是嵌入在感測器中的引擎，可以透過監督式學習加以訓練，藉此識別特定事件。MLC 的組成包括運算模塊、篩選以及基於元分類的決策樹。

MLC 感測器可以偵測運動，最終將「事件」傳達給 MCU，而非原始資料，藉此達到更優異的系統能效。在支援 MLC 的感測器中，演算法資料主要位於感測器內。MLC 的擴充性不如經典運算架構，因為其專門針對感測器資料進行運作。但 MLC 在開發難以編程的事件時 (例如手勢和振動等級) 相當有用。

圖 2：整合機器學習核心的感測器。(圖片來源：STMicroelectronics)

整合式感測器處理單元 (ISPU)

ISPU 是具有整合式數位訊號處理器 (DSP) 的感測器，此設計可在晶片內以本機方式對感測器資料進行處理。ISPU 比起嵌入式機器學習作法更具可攜性，因為可以針對更為複雜的感測器演算法執行標準 C 程式碼。然而，ISPU 中的 DSP 是用於感測器相關運算的專用核心，且在程式碼和資料結構方面的限制比經典作法更多。

ISPU 與 MLC 類似，都可將所需的運算功率最佳化，因為其可即時處理感測器資料，無需將資料向上游傳輸到 MCU 進行處理。與 MLC 作法不同的是，ISPU 亦在支援 AI 的可編程核心 (ML 和 NN) 中提供更高的處理能力。由於 ISPU 使用 C 語言運作，因此可相容於許多商業和開源 AI 模型。

圖 3：整合式感測器處理單元的特點。(圖片來源：STMicroelectronics)

為了順利在感測器相關應用中運用 AI，也要採用新工具和軟體範例來快速適應智慧感測器架構。有個工具就可相容於上述全部三種作法，那就是 Nano Edge™ AI Studio (NEAi)。這是一套供開發人員使用的免費 PC 開發套裝軟體。NEAi 不需要進階的資料科學技能，軟體開發人員可在使用者友善的環境中打造最佳化的 tinyML® 函式庫。NEAi 可以生成四種類型的函式庫：異常偵測、異常值偵測、分類和回歸函式庫。若要進一步瞭解如何透過 NEAi 軟體工具利用 ISPU 來偵測異常，請參閱下面的參考資料 #4。

結論

在邊緣運算應用中，感測器的運算架構有多種選擇。針對「來源處」的資料執行決策是較永續的作法，因為能即時依據資料行動，因此可減少時間和精力。新的物聯網邊緣計算系統可運用 MEMS 感測器和工具鏈中的嵌入式機器學習和人工智慧功能，因此可促成真正永續的智慧城市、提高製造吞吐量，以及醫療保健及其他領域的低功耗穿戴式感測器等應用。

參考資料

1. 機器學習用的 MEMS 感測器生態系統：

   https://www.st.com/content/st_com/en/ecosystems/MEMS-Sensors-Ecosystem-for-Machine-Learning.html#stm32ce-MachineLearningCore

2. 如何使用 MEM 感測器搭配智慧處理單元來偵測異常：

   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感測器融合：

   https://community.st.com/t5/mems-and-sensors/how-lsm6dsv16x-enables-sensor-fusion-low-power-sflp-algorithm/ta-p/585084

4. 如何透過 NEAI 軟體工具運用 MEMS 感測器搭配智慧處理單元來達到異常偵測應用

   https://community.st.com/t5/mems-and-sensors/how-to-use-mems-sensors-with-an-intelligent-processing-unit-for/ta-p/49634