不行小看的新式智能惯性传感器

MEMS传感器正在涌入商场，这些传感器本钱效益高，易于集成在场景感知处理计划中，供给有关其所在场景的重要信息。这种多用途感测技能有许多用例：MEMS传感器在穿戴物联网设备中用于检测用户活动和手势；工业MEMS传感器在工厂保护和毛病猜测中发挥重要作用，有助于进步工厂出产功率；MEMS对车辆安全性和自动驾驶开展至关重要。

传感器数据运用是许多运用场景的根底，各种传感器的大规划运用促进传感器本钱下降。本钱下降使同一设备装置多个同类型传感器成为或许，跟着同类型传感器的数量增多，不同类型的传感器和传感器总数也在不断添加。为了获得更牢靠的信息，完结更高质量的运用，业界开宣布了传感器数据交融技能，进步了惯性模块的运用规划，甚至为更多运用打开了大门。

终端设备运用只要传感器还不行，还需求智能单元来处理信息和了解场景。运用处理器担任读取数据和处理信息，跟着传感器数量添加，运用处理器的使命变得愈加杂乱。相同，衔接传感器和运用处理器的总线也变得至关重要，很多的交流数据或许形成数据拥堵，总线功用下降。

开端，有人以为更快的总线和功用更高的处理器能够处理这些问题。第二阶段是“智能传感器”一词被乱用，把通用低功耗处理器从板上移到传感器内部，做成一个体系级封装处理计划，这种通过添加一个微操控器的办法有用添加传感器数量的简略办法被称为“智能”。

在规划开发LSM6DSOX时，咱们决议不走寻常路，将一切已知运用在概念上分为两大类别：一种是用概括算法完结的作用更好的运用；另一种是用演绎算法完结的作用更契合预期的运用。剖析实践数据方式一同坚持最高核算功用，是咱们评价最佳规划计划的办法规范。

最终，为了便于履行演绎算法，咱们决议在惯性单元内嵌入一个有多达16个有限状况机的数字模块；针对概括型算法，咱们完结了一个机器学习模块，该模块能够与现有人工智能东西互动，选用监督式机器学习办法，在传感器内部对杂乱核算进行预处理，分类器能够剖析实时数据，辨认活动和场景并进行分类，参数和功用具有很高的可装备性。

这种传感器数据剖析专用智能技能能够履行杂乱算法，把很大一部分核算负荷转交给传感器处理，使其它设备坚持闲暇状况。通过这种办法，能够最大程度地下降功耗，减轻通讯总线担负，并最大程度地进步体系的全体能效。

传感器仅在必要时才唤醒其它设备和运用处理器，通过这种办法，能够大幅下降功耗，咱们以为，仅LSM6DSOX这些新功用就能够发明出新的运用。

I. 前语

在曩昔的十年中，物联网运用规划呈指数添加。大多数物联网运用都触及在或许没有电源的方位丈量物理数值。 增装电源线一般是行不通的，因而，电池是首选供电计划，并且无线数据传输是必选。物联网相关运用至少需求一个传感器获取数据和一个传输前言发送数据。电源需求给数据传输前言和传感器供电。在规划这品种运用时，需求在这个方面做出权衡和取舍：是最大极限延伸电池续航时刻仍是进步数据传输频率？

运用规划者可用一个在商场上有售的重要东西来处理这个折衷难题。这个东西是一个精细的核算单元，能够履行参数丈量和数据传输使命，作用和能效都很好，这样的核算单元一般是针对低功耗规划的通用微操控器。关于低功耗运用，无线数据传输比其它处理使命更重要，因而，物联网运用规划战略是，假如其它处理使命答应下降通讯速度，则能够将核算单元转移到物联网端。

本文旨在于介绍立异传感器在下降产品功耗方面获得的新进展。意法半导体的新式惯性模块LSM6DSOX答应将算法处理进程悉数或部分移至传感器的定制低功耗环境。这种办法具有广泛的可装备性，保证广泛的运用规模。本文结构如下：第一章介绍一个立异的嵌入式算法，并结合运用事例阐明其优势。然后用两个章节专门介绍机器学习处理。最终一章介绍一个好用的定制支持软件，用户能够依据需求快速装备软件，创立新运用。

II. 嵌入式算法计划

如前一章所述，简略的物联网运用模型包含发射器/接收器、核算单元、履行器或传感器和电池。

以智能手环为例，智能手环能够辨认用户活动，并输出相关活动数据：用户步行多远，搭车多长时刻等。当然，智能手环应具有翻腕显现日期和时刻的功用。蓝牙低功耗体系芯片^[4]是履行传输和操控的要害组件。该处理计划嵌入了完好的蓝牙网络处理器和运转运用程序的运用处理器。运用处理器包含低功耗微操控器、用户程序NVM存储器，数据存储器、编程存储器（NVM镜像）以及通讯接口（SPI，I²C等）。从下面给出的体系示例能够大致预算出该处理计划的功率预算。这款内置微操控器的“智能”蓝牙模块一般具有不同的功耗方式，下面列出了最常见的方式：

a)    睡觉方式：此方式用于封闭大多数内部模块或使其处于低功耗状况，最大程度地下降功耗。从此方式返回到正常作业方式需求一些时刻（0.5-2 ms）。该方式电流耗费在0.5-2 µA之间。

b)    微操控器作业方式：射频发射器/接收器封闭，微操控器正常作业。 此方式的电流耗费在1-3 mA之间。

c)    射频收发方式：设备处于通讯衔接状况，功耗为3-20 mA。

咱们讨论一下智能手环检测用户活动的用例。假定智能蓝牙模块中的微操控器通过I²C/SPI接口衔接惯性模块，传感器数据输出数据速率装备为25 Hz。每逢嵌入式16 MHz时钟域生成样本时，微操控器就会退出睡觉方式，读取传感器数据并履行活动辨认算法。高质量的活动辨认算法用例均匀需求4 ms的处理时刻。蓝牙传输是间歇性的，取决于用户要求（一天一次）。

图1:微操控器从睡觉到唤醒的时序

图1显现了微操控器运转算法时的占空比时序。T_start是微操控器的唤醒时刻，T_algo是算法的履行时刻，T_odr是传感器两次读取操作的距离。

下面是总均匀电流I_TOT的根本核算公式，其间包含各种首要电流耗费参数：

I _{T O T} = I _{B U S}+I _{S L E E P}+f _{a l g o}*I _{U C O R E} * ( T_{st a r t} / 2 + T _{a l g o} )

I_BUS 是接口总线读取操作耗费的电流；SPI总线的读取电流应小于1 µA，I²C总线约在2-5 µA之间。射频是间歇性传输，所以功耗能够忽略不计。考虑到每个参数取值取其声明规模的中心值，最终得到的I_TOT为230 µA。

嵌入式算法是通过从头装备的能够完结“活动辨认”，作业电流小于8 µA。这儿所说的嵌入式算法与在微操控器上运转的算法在功用和质量上彻底相同。嵌入式处理计划的显着优势是在传感器内部生成可用数据，因而不存在I_BUS功耗。此外，嵌入式处理计划彻底没有微操控器安全退出睡觉状况所需的T_start时刻，当T_start和 I _BUS 两项参数均为零时，I_TOT预算值是200 µA，这意味着，运用相同公式 f _algo *I _UCORE*T _{alg o}核算，算法从微操控器迁移到传感器使功耗降至1/25。

由于意法半导体软件库和客户需求是已知的，并且是兼并在一同的，所以，咱们的战略是搜集最常见的用例，然后将其分为两类。第一类是由十分合适运用有限状况机的算法组成，第二类根据需求核算剖析（根据方式剖析）并且能够通过决议计划网（树）有用完结的运用。针对这两大类运用，咱们开宣布一个掩盖现有算法的“元指令”集，并保证算法具有广泛的可从头装备性，以处理新的自界说需求。最终一步是算法剖析，意图是找到最佳的低功耗且有用的算法定制逻辑。在不影响算法功用的情况下，依照特定运用需求简化算法。下面的两个章节介绍这两个模块和元数据。

III. 机器学处理(MLP)

有限状况机是运用自身固有的演绎推理特性：从假定开端，查验到达特定逻辑状况的概率。关于运动检测算法，演绎推理是确认一系列事情是否满意“规矩”。这种办法适用于大多数手势检测算法，当然，不能悉数适用。例如，手机举起到放下的手势算法能够彻底根据以下现实：手机加速度计检测到的重力首要是在同一个轴上，并在一个时刻序列后，检测到的重力方向将会变成相反方向。修正一些参数就能够更改手势界说，这些参数包含轴界说、阈值和序列持续时刻。步行检测等运动算法简直不或许通过简略的状况机来界说，由于变量数量会急剧添加，传感器定位、频率、地势和个人行为导致感应信号改变很大。从上一个示例中，能够得出一个更具一般性的概念：虽然手机举起到放下的手势核算方差在一个人群中是较显着的，可是能够进行演绎推理运用规划；而步行动作会引起广泛的核算方差，演绎推理办法应该弃用，而选用概括推理办法。

机器学习处理的根本原理是答应在芯片上履行数据驱动型算法，开发从输入方式构建模型的才能。在曩昔的十年中，互联网和物联网爆破式添加，很多信息发生。 跟着数据量急剧添加，数据办理东西也被开宣布来，使数据开端有运用价值。MLP处理计划被以为是合适在惯性传感器上履行数据驱动算法。MLP具有很高的可从头装备性，在惯性传感器范畴到达了预期作用，能够在超低功耗环境履行算法，适用于耗电量大的产品，例如，物联网算法。

数据发掘是机器学习的一个重要分支：“数据发掘是一个归纳机器学习、方式辨认和核算学的跨学科范畴 ^[1-2]，其意图是发现常识。

数据发掘东西最终生成一个决议计划树，运用规划是从一个数据方式调集开端，以在MLP内核上加载决议计划树完毕。用户能够用支持软件办理整个运用规划进程，咱们将在下一章介绍支持软件，本章介绍MLP内核背面的根本模块。

图4是机器学习处理内核的全体结构图。

图4：MLP内核全体结构图

从图中不难看出软件层和硬件层之间的鸿沟。该运用规划从传感器数据方式开端，方式是描绘MLP内核在运转时有必要了解的常识。以活动辨认算法为例，MLP从触及要辨认的活动（步行，跑步，运动的车辆，无运动等）的方式开端运转，意图是直接从传感器数据推出当时活动的成果。最多能够将3个传感器的数据装备为算法输入。陀螺仪和加速度计模块坐落传感器内部，外部传感器（例如磁力计）的数据能够通过嵌入式I²C操控器读取。输入传感器数据由物理传感器的轴和数值组成（表I）。

表I. MLP的输入类型

要想调度输入数据，还有多个可装备滤波器可用，如表II所示。

表II. 内核中的滤波器类型

原始数据和过滤数据都能够设为特征模块的输入，特征模块履行数据的核算核算，输出能够装备成多达19个不同的核算特征。表III中列出了可用特征。首要特搜集分为触发式和窗口式两类，前者是依照特征事情核算的成果，后者是依照固守时窗距离核算的成果。虽然一切特征核算成果能够是窗口式或触发式特搜集，取决于用户装备，但只要这些特征的子集才能够生成触发信号。

表III：MLP内核的核算特征

在特征装备完毕时，软件东西(下一章介绍)输出一个装备文件和一个ARFF文件。装备文件装置在惯性单元上用于装备MLP，ARFF文件用于数据发掘东西，是与MLP处理器芯片匹配的。数据发掘东西组成ARFF文件，针对特定运用事例优化（或“确认”）挑选最佳的特搜集，并输出决议计划树及相关核算功用。

在数据发掘东西处理和反应后，能够从头处理数据并优化特搜集。

当核算功用契合希望时，能够通过意法半导体软件东西生成的装备文件将决议计划树加载到MLP内核上。

IV. 支持软件

意法半导体开宣布一个使根据核算学/机器学习的办法合适编程的东西，有了这个东西，设备装备进程变得轻松方便。

这个机器学习处理装备东西是一个扩展版的Unico GUI图形用户界面软件（意法半导体一切MEMS传感器演示板通用 ^[5]）。Unico软件衔接根据STM32微操控器的主板^[5-6]，完结MEMS传感器与PC GUI之间的通讯。该软件以图形和数字方式显现传感器输出，并答运用户保存或全面办理来自设备的数据。

Unico软件答应拜访MEMS传感器寄存器，能够快速装备寄存器，并能够直接在设备上轻松测验装备。能够将当时寄存器的装备保存为文本文件，并能够从现有文件中加载装备。这样，能够在几秒钟内从头设置传感器。

根据核算/机器学习的算法要求搜集数据日志。运用Unico GUI能够做到这一点。每个数据日志都有必要相关预期成果（例如，停止，步行，跑步等）。该东西搜集这些数据方式用于核算某些特征。

图8：数据方式表

该东西可为原始数据挑选滤波器，挑选用过滤数据核算哪些特征，核算成果特征将是决议计划树的特点。几个进程后，该东西将生成一个特点联系文件（ARFF）。

图9：装备表

ARFF文件是决议计划树生成进程的进口。决议计划树能够由不同的机器学习东西生成。 怀卡托大学开发的软件Weka ^[7]能够从特点联系文件开端生成决议计划树。Weka东西能够评价哪些特点合适决议计划树。通过更改Weka中一切可用参数，能够完结不同的决议计划树装备。

 图10:在Weka里的特点视图

图6：Weka中的决议计划树生成

在决议计划树生成后，能够将其上传到意法半导体的软件东西，完结MEMS传感器的寄存器装备。

通过拜访传感器寄存器，Unico GUI能够读取决议计划树输出状况。

 V. 运用事例

从第二部分介绍的示例开端，咱们做了一些电流耗费丈量，挑选了一个活动辨认算法作为示例。该算法的功用在方式数据库中通过清晰评价，并且在一般通用微操控器上运转时电流耗费约为数百微安。运用上一章介绍的支持软件，能够轻松地装备MLP内核，运转该活动辨认算法。

表IV：电流要求

 表IV 总结了在Cortex-M3 ^[8-10]上运转活动辨认算法的电流要求，以及在LSM6DSOx MLP上运转同一算法添加的电流需求。

VI. 定论

国际网络化程度越来越高：联网设备能够交流很多数据。物联网运用依赖于三个要害模块：感知、智能和通讯。本文介绍了一种高度可装备的嵌入在惯性传感器中的数字模块。数字模块为传感器添加了智能，能够大幅下降体系级能耗。为了快速开发运用原型，随硬件一同供给了数字模块装备支持软件。上一章的运用事例清楚地标明，数字模块可大幅下降电流耗费。智能传感器是赋能电池续航才能至关重要的新运用的要害技能。

参考文献

^[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.