從歷史上看，人工智能 (AI) 是一種 GPU / CPU 甚至 DSP 依賴的技術(shù)。然而，最近人工智能正在通過集成到運行在較小微控制器（也稱為 MCU）上的受限應(yīng)用程序中來進入數(shù)據(jù)采集系統(tǒng)。這一趨勢主要由物聯(lián)網(wǎng) (IoT) 市場推動，Silicon Labs 是其中的主要參與者。

為了應(yīng)對這一新的物聯(lián)網(wǎng)趨勢，Silicon Labs 宣布推出一款可以執(zhí)行硬件加速 AI 操作的無線 MCU。為了實現(xiàn)這一點，該 MCU 設(shè)計為嵌入矩陣矢量處理器 (MVP)，即 EFR32xG24。

在本文中，我將首先介紹一些 AI 基礎(chǔ)知識，重點介紹 MVP 的用例。最重要的是，如何使用 EFR32xG24 設(shè)計 AI IoT 應(yīng)用程序。

人工智能、機器學習和邊緣計算

人工智能是一個試圖模仿人類行為的系統(tǒng)。更具體地說，它是一種電氣和/或機械實體，可以模擬對輸入的響應(yīng)，類似于人類會做的事情。盡管術(shù)語 AI 和機器學習 (ML) 經(jīng)?；Q使用，但它們代表了兩種不同的方法。AI 是一個更廣泛的概念，而 ML 是 AI 的一個子集。

使用機器學習，系統(tǒng)可以在重復(fù)使用所謂的模型后做出預(yù)測并改進（或訓(xùn)練）自身。模型是使用經(jīng)過訓(xùn)練的算法，最終將用于模擬決策。可以通過收集數(shù)據(jù)或使用現(xiàn)有數(shù)據(jù)集來訓(xùn)練該模型。當該系統(tǒng)將其“訓(xùn)練過的”模型應(yīng)用于新獲取的數(shù)據(jù)以做出決策時，我們將其稱為機器學習推理。

如前所述，推理需要通常由高端計算機處理的計算能力。但是，我們現(xiàn)在能夠在不需要連接到此類高端計算機的更多受限設(shè)備上運行推理；這稱為邊緣計算。

通過在 MCU 上運行推理，可以考慮執(zhí)行邊緣計算。邊緣計算涉及在距離獲取數(shù)據(jù)的最近點運行數(shù)據(jù)處理算法。邊緣設(shè)備的示例通常是簡單且受限的設(shè)備，例如傳感器或基本執(zhí)行器（燈泡、恒溫器、門傳感器、電表等）。這些設(shè)備通常在低功耗 ARM Cortex-M 類 MCU 上運行：

點擊查看完整大小的圖片

執(zhí)行邊緣計算有很多好處。可以說，最有價值的好處是使用邊緣計算的系統(tǒng)不依賴于外部實體。設(shè)備可以在本地“做出自己的決定”。

在本地進行決策具有以下實際好處：

• 提供更低的延遲
  原始數(shù)據(jù)不需要傳輸?shù)皆贫诉M行處理，這意味著決策可以實時出現(xiàn)在設(shè)備上。
• 減少所需的互聯(lián)網(wǎng)帶寬
  傳感器會產(chǎn)生大量實時數(shù)據(jù)，這反過來又會產(chǎn)生對帶寬的大量需求，即使沒有什么可“報告”，從而使無線頻譜飽和并增加運行成本。
• 降低功耗
  與傳輸數(shù)據(jù)相比，本地分析數(shù)據(jù)（使用 AI）所需的功率要少得多
• 符合隱私和安全要求
  通過在本地做出決策，無需將詳細的原始數(shù)據(jù)發(fā)送到云端，只需將推理結(jié)果和元數(shù)據(jù)發(fā)送到云端，從而消除了數(shù)據(jù)隱私泄露的可能性。
• 降低成本
  在本地分析傳感器數(shù)據(jù)可以節(jié)省使用云基礎(chǔ)設(shè)施和流量的費用。
• 提高彈性
  如果與云的連接中斷，邊緣節(jié)點仍可以自主運行。

Silicon Labs 用于邊緣計算的 EFR32xG24

EFR32xG24 是一款安全無線 MCU，支持多種 2.4 GHz IoT 協(xié)議（藍牙低功耗、Matter、Zigbee 和 OpenThread 協(xié)議）。它還包括 Secure Vault，這是一種改進的安全功能集，適用于所有 Silicon Labs Series 2 平臺。

但是，除了改進了該 MCU 獨有的安全性和連接性之外，還有一個用于機器學習模型推理的硬件加速器（以及其他加速器），稱為矩陣矢量處理器 (MVP)。

與沒有硬件加速的 ARM Cortex-M 相比，MVP 提供了更高效地運行機器學習推理的能力，功耗降低了 6 倍，速度提高了 2-4 倍（實際改進取決于模型和應(yīng)用程序）。

點擊查看完整大小的圖片

MVP 旨在通過處理密集的浮點運算來卸載 CPU。它專為復(fù)雜的矩陣浮點乘法和加法而設(shè)計。

MVP 由專用硬件算術(shù)邏輯單元 (ALU)、加載/存儲單元 (LSU) 和定序器組成。

點擊查看完整大小的圖片

因此，MVP 有助于加速各種應(yīng)用程序的處理并節(jié)省功耗，例如到達角 (AoA)、MUSIC 算法計算、機器學習（本征或基本線性代數(shù)子程序 BLAS）等。

由于該設(shè)備是一個簡單的 MCU，它無法解決 AI/ML 可以涵蓋的所有用例。它旨在解決下面列出的以下四個類別以及實際應(yīng)用：

• 傳感器信號處理
  • 預(yù)測性維護
  • 生物信號分析
  • 冷鏈監(jiān)控
  • 加速度計用例
• 音頻模式匹配
  • 玻璃破碎檢測
  • 鏡頭檢測
• 語音命令
  • 智能家電的文字命令集
  • 喚醒詞檢測
• 低分辨率視覺
  • 存在檢測
  • 數(shù)數(shù)
  • 指紋

為了幫助解決這些問題，Silicon Labs 提供了基于稱為 TensorFlow 的 AI/ML 框架的專用示例應(yīng)用程序。

TensorFlow 是來自 Google 的用于機器學習的端到端開源平臺。它擁有一個由工具、庫和社區(qū)資源組成的全面、靈活的生態(tài)系統(tǒng)，使研究人員能夠推動 ML 的最新技術(shù)，開發(fā)人員可以輕松構(gòu)建和部署 ML 驅(qū)動的應(yīng)用程序。

Tensor Flow 項目還針對嵌入式硬件變體進行了優(yōu)化，稱為 TensorFlow Lite for Microcontrollers (TFLM)。這是一個開源項目，其中大部分代碼由社區(qū)工程師貢獻，包括 Silicon Labs 和其他芯片供應(yīng)商。目前，這是與 Silicon Labs Gecko SDK 軟件套件一起交付的用于創(chuàng)建 AI/ML 應(yīng)用程序的唯一框架。

Silicon Labs 提供的 AI/ML 示例有：

• Zigbee 3.0 帶語音激活的電燈開關(guān)
• 張量流魔棒
• 聲控 LED
• 張量流 Hello world
• 張量流微演講

要開始開發(fā)基于其中任何一個的應(yīng)用程序，您可以有很少的經(jīng)驗，或者您可以成為專家。Silicon Labs 提供多種機器學習開發(fā)工具供您選擇，具體取決于您的機器學習專業(yè)水平。

對于第一次 ML 開發(fā)人員，您可以從我們的一個示例開始，或者嘗試我們的第 3 方合作伙伴之一。我們的第 3 方 ML 合作伙伴通過功能豐富且易于使用的 GUI 界面支持完整的端到端工作流程，以便為我們的芯片構(gòu)建最佳機器學習模型。

對于希望直接使用 Keras/TensorFlow 平臺的 ML 專家，Silicon Labs 提供了一個自助式、自助式的參考包，將模型開發(fā)工作流程組織成一個專為為 Silicon Labs 芯片構(gòu)建 ML 模型而定制的工作流程。

點擊查看完整大小的圖片

開發(fā)支持 ML 的應(yīng)用示例：采用 EFR32xG24 的語音控制 Zigbee 開關(guān)

要創(chuàng)建支持 ML 的應(yīng)用程序，需要兩個主要步驟。第一步是創(chuàng)建一個無線應(yīng)用程序，您可以使用 Zigbee、BLE、Matter 或任何基于 2.4 GHz 協(xié)議的專有應(yīng)用程序來完成。它甚至可以是未連接的應(yīng)用程序。第二步是構(gòu)建 ML 模型以將其與應(yīng)用程序集成。

如上所述，Silicon Labs 提供了多種選項來為其 MCU 創(chuàng)建 ML 應(yīng)用程序。此處選擇的方法是使用具有預(yù)定義模型的現(xiàn)有示例應(yīng)用程序。在這個例子中，模型被訓(xùn)練來檢測兩個語音命令：“on”和“off”。

EFR32xG24 應(yīng)用程序入門

要開始使用，請獲取 EFR32MG24 開發(fā)人員套件 BRD2601A（左）。 該開發(fā)套件是一個緊湊型電路板，嵌入了多個傳感器（IMU、溫度、相對濕度等）、LED 和 Stereo I 2 S 麥克風。 該項目將使用 I 2 S 麥克風。 這些設(shè)備可能不像 GPU 那樣稀有，但如果您沒有機會獲得這些套件之一，您還可以使用基于系列 1 的舊開發(fā)套件，稱為“Thunderboard Sense 2”參考。SLTB004A（右）。 但是，此 MCU 沒有 MVP，將使用主內(nèi)核執(zhí)行所有推理，無需加速。

接下來，您需要 Silicon Labs 的 IDE Simplicity Studio 來創(chuàng)建 ML 項目。它提供了一種下載 Silicon Labs 的 Gecko SDK 軟件套件的簡單方法，該套件提供了應(yīng)用程序所需的庫和驅(qū)動程序，如下所示。

• 無線網(wǎng)絡(luò)堆棧（本例中為 Zigbee）
• 硬件驅(qū)動程序（用于 I2S 麥克風以及 MVP）
• TensorFlow Lite 框架
• 一個已經(jīng)訓(xùn)練過的用于檢測命令詞的模型

點擊查看完整大小的圖片

IDE 還提供工具來進一步分析您的應(yīng)用程序功耗或網(wǎng)絡(luò)操作。

創(chuàng)建啟用 MVP 的 Zigbee 3.0 Switch 項目

Silicon Labs 提供了一個即用型示例應(yīng)用程序 Z3SwitchWithVoice，您將創(chuàng)建和構(gòu)建該應(yīng)用程序。該應(yīng)用程序已經(jīng)附帶了一個 ML 模型，因此您無需創(chuàng)建一個。

創(chuàng)建后，請注意 Simplicity Studio 項目由組件帶來的源文件組成，這些組件是 GUI 實體，通過簡化復(fù)雜軟件的集成，可以輕松使用 Silicon Labs 的 MCU。在這種情況下，您可以看到默認安裝了 MVP 支持和 Zigbee 網(wǎng)絡(luò)堆棧。

點擊查看完整大小的圖片

主要應(yīng)用程序代碼位于 app.c 源文件中。

在網(wǎng)絡(luò)方面，應(yīng)用程序可以通過一個簡單的按鈕與任何現(xiàn)有的 Zigbee 3.0 網(wǎng)絡(luò)配對，也稱為“網(wǎng)絡(luò)轉(zhuǎn)向”。聯(lián)網(wǎng)后，MCU 將尋找兼容且可配對的照明設(shè)備，也稱為“綁定”。

當應(yīng)用程序的網(wǎng)絡(luò)部分啟動并運行時，MCU 將定期輪詢麥克風數(shù)據(jù)樣本并在其上運行推理。此代碼位于keyword_detection.c 中。

  ()
{
 
  found_command_index = 0;
 分數(shù) = 0；
  is_new_command =  ;
  current_time_stamp；

 
 current_time_stamp = sl_sleeptimer_tick_to_ms(sl_sleeptimer_get_tick_count());

 TfLiteStatus process_status = command_recognizer->ProcessLatestResults(
 sl_tflite_micro_get_output_tensor(), current_time_stamp, &found_command_index, &score, &is_new_command);

  (process_status != ) {
  SL_STATUS_FAIL;
 }

  (is_new_command) {
  (found_command_index == 0 || found_command_index == 1) {
 printf(  , kCategoryLabels[found_command_index],
 分數(shù)，current_time_stamp）；
 檢測到的關(guān)鍵字（found_command_index）；
 }
 }

 SL_STATUS_OK；
}

檢測到關(guān)鍵字后，app.c 中的處理程序?qū)l(fā)送相應(yīng)的 Zigbee 命令：

  
{
 狀態(tài)；

 （emberAfNetworkState（）==）{
 emberAfGetCommandApsFrame()->  = SWITCH_ENDPOINT;

  (detected_keyword_index == 0) {
 emberAfFillCommandOnOffClusterOn();
 }   (detected_keyword_index == 1) {
 emberAfFillCommandOnOffClusterOff();
 }

 狀態(tài) = emberAfSendCommandUnicastToBindings();
 sl_zigbee_app_debug_print(  ,  , status);
 }
}

此時，您已在無線 MCU 上運行硬件加速推理以進行邊緣計算。

自定義 TensorFlow 模型以使用不同的命令詞

如前所述，實際模型已經(jīng)集成到該應(yīng)用程序中，并且沒有進一步修改。但是，如果您自己集成模型，則可以通過以下步驟進行：

1. 收集和標記數(shù)據(jù)
2. 設(shè)計和構(gòu)建模型
3. 評估和驗證模型
4. 為嵌入式設(shè)備轉(zhuǎn)換模型

無論您對機器學習多么熟悉，都必須遵循這些步驟。不同之處在于如何構(gòu)建模型，如下所示：

1. 如果您是 ML 的初學者，Silicon Labs 建議使用我們易于使用的端到端第三方合作伙伴平臺之一：Edge Impulse 或 SensiML 來構(gòu)建您的模型。
2. 如果您是 Keras/TensorFlow 方面的專家并且不想使用第三方工具，您可以使用機器學習工具包 (MLTK)，它是一個自助式、自助式的 Python 包。Silicon Labs 圍繞音頻用例創(chuàng)建了這個參考包，可以擴展、修改或以其他方式挑選專家認為有吸引力的部分。該包將在 GitHub 上提供，附帶文檔。您也可以直接導(dǎo)入一個 .tflite 文件，該文件在 TensorFlow lite 的嵌入式版本上運行，用于為 EFR32 產(chǎn)品線進行微編譯。您必須確保數(shù)據(jù)上的特征提取對于訓(xùn)練模型與在目標芯片上運行推理完全相同。

在 Simplicity Studio 中，后者是最簡單的。要在 Simplicity Studio 中更改模型，請將 .tflite 模型文件復(fù)制到項目的 config/tflite 文件夾中。項目配置器提供了一個工具，可以自動將 .tflite 文件轉(zhuǎn)換為 sl_ml_model 源文件和頭文件。此工具的完整文檔可在Flatbuffer Conversion獲得。

[注意：所有圖片和代碼均由 Silicon Labs 提供。]

審核編輯 黃昊宇