關鍵要點

· 集成神經處理單元 (NPU) 的德 TI 微控制器 (MCU) 可為邊緣 AI 提供硬件加速，幫助設計人員在功耗受限、成本敏感的應用場景中，針對實時本地化傳感器數(shù)據(jù)處理部署復雜的神經網(wǎng)絡模型。

· 在 MCU 上運行機器學習推理可實現(xiàn)喚醒詞檢測、手勢識別和預測性維護等高級功能。

利用 MCU 提升邊緣 AI 的普及度

如今的通用型 MCU，尤其是集成了 TI TinyEngine? NPU 這類 AI 硬件加速器的產品，能夠在需要平衡功耗、尺寸與成本限制的產品中運行復雜模型，同時提升系統(tǒng)響應速度。

借助這些功能豐富的器件，工程師無需依賴與遠程服務器的持續(xù)云端連接即可實現(xiàn) AI 功能，在各類應用中為用戶帶來更智能、更快速、更可靠的體驗。

本文將通過多個實例，介紹如何在基于 Arm? Cortex??M0+ 內核的 MCU（如 MSPM0G5187）上部署 AI 模型。每個實例均涵蓋傳感與信號處理鏈路、AI 模型如何適配嵌入式環(huán)境，以及 MCU 為各設計帶來的性能與系統(tǒng)級優(yōu)勢。

智能家居設備中的喚醒詞檢測

在智能音箱（圖 1）與中控設備中，AI 模型賦予語音識別能力，可根據(jù)用戶指令喚醒設備。

圖 1 帶語音識別功能的智能音箱

用戶語音產生聲波并轉換為可測量的聲壓信號，AI 模型需要先捕獲并處理這些信號再做出響應。圖 2 是展示系統(tǒng)數(shù)據(jù)格式與流向的框圖。

圖 2 語音識別應用的信號鏈方框圖

在此信號鏈中，麥克風等模擬傳感器采集原始波形，隨后送入模擬前端器件提升信號幅度、濾除噪聲，并將數(shù)據(jù)編碼為數(shù)字格式。MCU 通過 I2S 等音頻通信協(xié)議接收數(shù)據(jù)，并通過片上神經網(wǎng)絡模型解析數(shù)據(jù)，以確定是否說出了特定關鍵詞。若檢測到關鍵詞，系統(tǒng)判定為有效喚醒條件，系統(tǒng)中性能更強的處理器啟動，要么執(zhí)行任務所需的密集計算，要么將用戶指令無線轉發(fā)至云端 AI 模型。

在支持語音的產品中，速度和性能準確性是首要考慮因素；快速響應、首次嘗試就正確理解用戶請求的系統(tǒng)可減少重復命令與過度待機。器件需持續(xù)監(jiān)聽喚醒命令并快速處理語音數(shù)據(jù)，該功能要求低延遲、低功耗性能。

MCU 在語音識別應用中僅消耗數(shù)十毫瓦的功率，與消耗整瓦功率的語音處理器集成電路 (IC) 相比，功耗降低了百倍，從而滿足了應用的功耗需求。在延遲方面，與僅搭載標準 CPU 的 MCU 運行相同模型相比，采用一維卷積神經網(wǎng)絡的 AI 關鍵詞識別模型借助 NPU 可將處理時間縮短 90 倍以上。

可穿戴健康監(jiān)測設備中的手勢與活動監(jiān)測

在智能戒指、智能手表（圖 3）等可穿戴個人電子設備中，無接觸手勢識別通過傳感器追蹤手部與身體運動實現(xiàn)。相同的傳感器還可以記錄健康和行為數(shù)據(jù)，以確定有關健身、睡眠和壓力水平的洞察。

圖 3 顯示生物特征數(shù)據(jù)的可穿戴健身追蹤設備

圖 4 中的信號鏈框圖展示了 AI 模型如何測量與分析手勢。加速度計和陀螺儀之類的模擬傳感器會捕獲人體運動和方向；然后這些傳感器通過信號鏈傳遞信號以進行預處理和測量。MCU 接收數(shù)據(jù)并運行 AI 模型，識別手腕突然抖動等特定手勢。同樣的概念適用于其他類型的數(shù)據(jù)，如心率、竇性心律和睡眠模式；只需要在系統(tǒng)設計中配備適當?shù)膫鞲衅鳌?/span>

圖 4 可穿戴手勢識別應用的信號鏈框圖

可穿戴健康追蹤器的設計人員致力于開發(fā)小巧輕便、適合日常佩戴，同時能精準快速識別手勢的方案。MCU 可以通過高效的計算能力以及將模擬和數(shù)字外設高度集成到僅占用印刷電路板 (PCB) 上幾平方毫米的微小 IC 封裝中，來滿足這些技術要求。這種設計方法可以實現(xiàn)比以往使用分立元件更小的設計，這可以從現(xiàn)代智能配件在總體上保持相同尺寸的同時不斷添加功能的趨勢中看出。

工業(yè)電機中的電機振動檢測

無論是輸送機、泵還是執(zhí)行器，工業(yè)電機中的機械運動部件（圖 5）都可能隨著時間的推移而發(fā)生故障，并導致不必要的中斷。本地 AI 模型可以監(jiān)控電機信號并尋找時域異常，例如不會立即停止電機功能但確實表明即將發(fā)生故障的小脈沖尖峰和不規(guī)則周期性。

圖 5 工業(yè)電機

圖 6 顯示了用于測量電氣波形和執(zhí)行數(shù)據(jù)預處理任務以便為 AI 模型提供更清晰輸入的信號鏈。此應用中的 MCU 使用用于電機故障分析的 AI 模型來及早檢測異常，并向系統(tǒng)或操作人員發(fā)出預警。

圖 6 工業(yè)電機中機械振動監(jiān)測的信號鏈方框圖

由于此類環(huán)境中經常有人作業(yè)，因此還需要確保機器故障可預測和可預防，以確保安全。支持邊緣 AI 的 MCU 通過部署 AI 模型，直接監(jiān)測關鍵電機信號以識別故障跡象，在這類環(huán)境中具備高度靈活性。這些模型擅長識別數(shù)據(jù)中的模式以果斷地進行干預，成為電機系統(tǒng)中的強大工具。

借助 MCU 為邊緣注入更多智能

以 MSPM0G5187 為例，搭載邊緣 AI 加速的 Arm Cortex 內核 MCU，其最突出的優(yōu)勢是在通用應用中的高度通用性。在各種各樣的電子產品中，設計人員可以找到部署低功耗、低延遲 AI 功能的創(chuàng)新方法。MCU 制造商的目標是繼續(xù)集成這些高級功能，同時部署易于使用的開發(fā)資源和可擴展的平臺。