现今的问题已经不再是边缘 AI 是否将会持续存在，而是如何才能在竞争激烈的领域中成功。因此，意法半导体（STMicroelectronics；ST）特别造访边缘机器学习技术之感测器模组的知名义大利公司221e，同时它亦是 ST合作伙伴计画的成员，帮助大家了解其如何使用STM32 微控制器和 ST 感测器所打造出的三个平台：用於严峻环境的NeuraTrack，以及用於研究的Mitch和 Muse。

图一 : 221e的Mitch平台

三个平台都提供了「感测器融合 AI」或「NeuraSense」技术，该技术将来自嵌入式加速度计、陀螺仪和磁力计的数据，传送到能够辨识活动或动作类型的神经网络。NeuraSense 运行於221e 的动作处理引擎（Motion Processing Engine；MPE）上，可融合多个感测器IMU数据。作为ST 授权合作伙伴，221e最初设计其 MPE 目的是为了救生相关应用，其不容许任何错误发生。因此，它能够提供高度准确的结果，为各种应用提供资讯。

为了协助大家了解，我们将重点介绍Muse。Muse平台采用STM32WB5MMG模组和 LSM6DSO32惯性感测器，用於追?主流和医疗环境中的活动。其PCB很小，仅22 mm x 22 mm，但功能强大，能够以1,600Hz 的频率采集惯性数据，并透过Bluetooth Low Energy 5.0 发送资讯。事实上，已有4家义大利医院使用Muse系统。

在了解健康装置必须满足的严格需求後，让我们一探221e如何利用ST的元件将 AI导入该平台，以及其团队在此过程中习得的经验。

221e之旅：从 ST 开发套件到优化应用

始於一个想法：更易於认证的模组。

Muse 是 221e 首款配备蓝牙模组的装置，因为Mitch和NeuraTrack使用的是BlueNRG处理器。该公司解释，使用像STM32WB5MMG这样的模组，意味着不需要担心认证问题，因为它内建了天线和晶振，而本身亦已获得认证，因此无论客户身处世界何处，都能帮助他们更直接地获得所需的射频认证。

成果：利用硬体，专注於创新程式码开发

图二 : 221e的Muse平台

221e也分享了如何经常使用，并仰赖ST的开发套件与工具，如 STEVAL-STWINKT1B（STWIN）、STEVAL-STLKT01V1（SensorTile）或 STM32WB5MM-DK（STM32WB5MMG 模组的首款开发套件）等。工程师从ST免费提供的原理图中获得灵感，并利用与专家交流经验加速设计，这解释了Muse如何在小尺寸封装中整合如此强大的功能的原因。此外，这种方式还能让 221e能够专注於韧体开发。

221e 分享道：「我们喜欢从零开始进行软体研发。透过 ST的硬体专业技术，我们可以专注於优化程式码，以尽可能高效的方式发挥最大的效能。我们在谈论的是电池供电系统上的微控制器和感测器。将 AI 导入资源受限的环境需要进行更深度的优化，而我们最有效的方式就是利用 ST 的硬体专业技术，这样一来，我们就可以专注於发挥自己擅长的领域。」

从实际应用来看，这样的方式让221e 创造出一个非常灵活的平台。

【经验学习1】专注於重要的事务

第一个启发：确保数据品质，并追求数据量

221e选择LSM6DSO32感测器，重要原因之一，在於它能够在提供高采样率的同时，仍然维持精确的测量。这款加速度计能够提供±4 / ±8 / ±16 / ±32g的测量，而陀螺仪还能支援每秒±125 / ±250 / ±500 / ±1000 / ±2000度的角速率范围，并在高性能模式下仅消耗0.55mA的电流。

简而言之，这款感测器能够在不牺牲Muse小型系统固有的功耗限制的情况下，为系统提供优质的数据。因此，221e解释了如何能够专注於获取数据，而不必过度考量数据品质的问题。

221e将Muse系统放在不同位置，以获取大量的动作数据，并依此建立超过30种不同类型的分类。在为期6个月之内，该221e共取得来自40多名受试者的数百万笔数据，每种动作类型至少有65,000笔记录。此外，他们可以使用同一套系统透过持续采集数据来改善其神经网路模型。由於Muse可以取得数据并运行神经网路演算法，因此，收集新数据和提供更新仍是一种具有成本效益的做法。

【经验学习2】着眼未来；第一个进入市场并不等同於持续领先

图三 : NeuraTrack

221e 近期正在开发一款新平台，该平台将使用 ST 的新款ISM330IS ISPU感测器。这款感测器内建处理单元，在无需唤醒微控制器的前提下，就能提供更强大的运算能力。ST合作夥伴计画成员表示，这种全新的ISPU功能不仅能够带来更高的节能效果，还为更加复杂的神经网路的运算法提供了可能性。

简而言之，尽管221e目前在边缘机器学习领域维持领先，但他们也意识到必须快速采用新技术来不断创新才能维持领先地位。一个重要启发是，在机器学习领域抢先一步，并不意味着就能永远保持领先。

Muse背後的工程师团队也在探索使用STM32WL及其LoRa功能的可能性，他们正研究在蓝牙低功耗之外的新通讯模式。

事实上，使用sub-GHz频段的网络可以让其与闸道器进行通讯，并且更快速地将数据发送到云端，或者建立大型的网状网路（Mesh Network）。因此，另一个重要启发是，不仅要使用最新的感测器并更新神经网络模型，还要建立更强大的通讯网路，才能够使机器学习应用发挥更大的意义和价值。