了解机器学习将如何颠覆传感器和物联网

Marco Castellano 博士发表了关于用于运动检测和处理的嵌入式算法的讲座，我们很高兴与他坐下来了解机器学习将如何颠覆传感器和物联网。事实上，传感器继续塑造物联网革命，因为绝大多数应用程序将低功耗设备连接到云作为传输传感器信息的一种方式。根据 IHS-Markit 的一项研究，到 2022 年，全球传感器市场总额将达到 118.4 亿美元，我们预计压力、温度、图像、磁性、光和运动传感器将成为最受欢迎的传感器之一。因此，引领传感器市场意味着塑造物联网革命。

然而，Castellano 博士与 Marco Bianco 的团队合作撰写的论文表明，今天的趋势可能与明天的趋势大不相同。传感器倾向于关注性能，因为公众总是要求更高的百万像素、毫米精度和终极精度。然而，新的研究论文对这一愿景提出了挑战，表明可以以更低的功耗实现更高效的传感器应用，并且通过将部分智能转移到传感器中并减少应用处理器任务，仍然享有出色的性能。

最终，当传感器变得更加智能时，它们可以提供更好的结果和更显着的节能效果。听起来好得令人难以置信，但这项技术突破是 ST 新型惯性传感器 LSM6DSOX 原型的核心，其中包括机器学习处理器 （MLP）和有限状态机 （FSM）。

具有机器学习功能的传感器

习是计算机科学的一个领域，它研究巨大的数据集如何教机器，以及这台机器将如何反过来应用它学到的知识来做出决策。机器学习是一个非常庞大的主题，它服务于许多不同的应用程序。但是，当机器必须从各种数据点得出结论时，它通常会使用决策树。决策树是由节点组成的结构，每个节点拥有一个或多个分支。当系统处理信息时，它将穿过不同的分支，直到到达叶子，这代表机器将返回的结论。

LSM6DS0X 传感器最具革命性的方面之一是它具有内置于传感器本身的机器学习处理器，具有多达 8 个可配置的决策树。这意味着，传感器中的决策树无需使用主机微控制器 （MCU） 来运行算法并从需要大量能量的可用数据中得出结论，而是可以以一小部分功率运行感应算法消耗。因此，系统可以通过简单地观察用户的动作并从预定义的模式进行推断来识别特定的活动、携带位置或计算步数。

具有有限状态机的传感器

LSM6DSOX 还依赖于有限状态机，该模型使用一定数量的预定义状态以及一系列输入来提供输出。在其最基本的形式中，它使用顺序逻辑来做出决策。例如，我们可以想象一个 FSM，如果输入为 1，则从状态 A 变为状态 B，但如果输入为 0，则保持在状态 A。任务。权衡是，与更多价的计算系统不同，FSM 不能执行某些计算。

Castellano 博士和合著者（R. Bassoli、M. Bianco、A. Cagidiaco、C. Crippa、M. Ferraina、M. Leo、SP Rivolta）意识到有限状态机在运行演绎算法以确保传感器方面表现出色可以检测产品是朝上还是朝下、自由落体、被用户捡起，甚至监控某些健身活动等等。因此，LSM6DSOX 具有多达 16 个独立的 FSM，这些 FSM 在本质上非常简单，但高度可配置，例如阈值或定时器比较。因此，如果开发人员想要检测手腕倾斜来打开或关闭智能手表的屏幕，他们只需要配置 FSM 并确定特定输出何时会产生中断，从而根据用户的动作打开或关闭屏幕。

此外，LSM6DSOX 的 MLP 和 FSM 不是独立的孤岛，可以相互通知。例如，可以通过组件的决策树之一运行 FSM 的结果，以排除可能引发错误中断的误报。

来自 ST 的传感器

我们在低功耗应用中的机器学习方面处于领先地位，例如Orlando，一种带有神经网络的 SoC，而且由于公司经常通过我们的MEMS了解我们，所以像 LSM6DSOX 这样的惯性传感器就很有意义。拥有 MLP 和 FSM 模块意味着算法处理所需的电流比传统解决方案少 20 到 100 倍，从而为不需要更多功率或额外外部硬件单元即可实现类似结果的更小、更智能的设备打开了大门。Castellano 博士的团队致力于现实架构，这解释了为什么 LSM6DSO（一种带有 FSM 模块的类似传感器）应该在今年上市。

然而，除了产品之外，同样重要的是要强调这种新型传感器是可能的，因为 ST 的所有成员都聚集在一起。事实上，训练机器学习模块的数据集来自 ST 员工自己。我们组织了一场全球性的运动来跟踪人们的运动并教导系统从收集的模式中识别某些活动。这是一项至关重要的努力，因为数据集的质量决定了算法的准确性和性能，并最终决定了塑造用户体验的结果的相关性。因此，看到我们员工的所有努力在 LSM6DSOX 原型中齐心协力创造未来的传感器，真是一种特别的感觉。

审核编辑：郭婷