|
以前人们讨论谈人工智能时主要关注云计算 — 数据上传到云端，利用其强大计算能力得到结果。然而，云计算的前提是所有的数据都要传到云端，对带宽要求极高，可能到6G时代才能真正实现。
现在我们将人工智能转移到边缘端进行边缘计算。通常情况下，边缘计算是将算法放置到MCU中，传感器只输出数据，MCU运行独立算法。然后，现在我们将算法下沉放到传感器中，有两种不同的方案： 1）基于MLC，采用rPU处理器进行重配置，能将部分算法（如决策树算法）运行于传感器中，再由传感器输出事件结果给MCU。这样就不需要MCU去处理运行全部算法。 2）基于我们今天的主角ISPU，Intelligent Sensor Processing Unit，智能传感器处理单元。
ISPU不是传感器，只是嵌入在传感器IMU里面的功能模块。ISPU本质上是一种微型C语言可编程处理器，可在传感器内执行信号处理和AI算法，与常见开发工具兼容，相当于传感器中嵌入了一个DSP，可以运行类似MCU的算法。因此，它拥有更强大的功能，可以运行标准的C指令，支持信号处理和AI推理、机器学习和深度学习，甚至二进制神经网络，同时以µA级的功耗提供广泛的编程灵活性，让传感器的智能程度更进一步！
目前带ISPU的6轴惯性测量单元（IMU）有两种。面向复杂动作手势识别、事件检测和运动追踪等消费应用的LSM6DSO16IS，以及面向机器人、空调和资产追踪，预测性维护等边缘工业应用的ISM330IS。除了基本的IMU功能（如可配置陀螺仪量程，加速度量程，ODR数据，SPI/I2C接口），内部还集成了ISPU用于人工智能算法和处理超低功耗可编程核心，运行频率最高可达到10兆赫兹，配备32KB用于程序的RAM和8KB用于数据的RAM，总40KB内存，支持浮点运算及32位整数运算。
ST的ISPU方案基于DSP架构。这种DSP面积很小，只有8K门；封装也很小，仅为3*2.5*0.83；支持浮点运算，同时也支持神经网络。基于32位的哈佛架构，最高主频可达10MHz，最大输出数据达到6.6KHz。
ISPU的优势很明显，首先在功耗方面，如果将传感器融合算法运行到ISPU中，5MHz功耗仅为200µA。但是，如果运行在Cortex-M0上，即使主频为4MHz，功耗也需要1300µA。可见，ISPU传感器融合的功耗是比M0低5倍。此外，由于ISPU是DSP直接集成在传感器中，可以直接获取类似加速度仪等传感器的处理数据，无需总线参与，从而降低系统的负载和功效。在104Hz频率下读取数据时，ISPU仅仅耗费1µA，而Cortex-M0在4MHz时就已经需要94.4个µA。
![]() [size=0.83em]640 (17).png (103.47 KB, 下载次数: 0) 下载附件 [color=rgb(153, 153, 153) !important]7 天前 上传
当ODR增大，ISPU运行速率加快时，功耗差距越大。例如，当883Hz去提取加速度数据时，ISPU功耗仅为7.5µA，而Context-M0为747µA，两者的差距已达百倍。当然，对于其他算法，如倾角检测，排气检测，传感器融合，手腕倾斜（比如手表穿带的翻腕亮屏功能），ISPU的功耗也很低。
其次是ISPU的AI优势 — ISPU提供更多选择和更大自由的自学习方案：一方面，它可以支持机器学习，如决策树，Scikit-learn；另一方面，它也支持深度学习算法，如常见的QKeras、TensorFlow、ONNX等，同时，我们采用ISPU的编译器，将基于机器学习和深度学习算法模型进行编译，生成ISPU可运行的UCF配置文件，通过MCU将该配置文件写入ISPU，即可运行算法。这可以广泛应用于个人电子产品（如穿戴设备，头戴设备等）以及工业领域的事件监测等。
| 
楼主
标题置顶
标题高亮
