不可小看的新型智能慣性傳感器

MEMS傳感器正在涌入市場(chǎng)，這些傳感器成本效益高，易于集成在場(chǎng)景感知解決方案中，提供有關(guān)其所處場(chǎng)景的重要信息。這種多用途感測技術(shù)有許多用例：MEMS傳感器在穿戴物聯(lián)網(wǎng)設備中用于檢測用戶(hù)活動(dòng)和手勢；工業(yè)MEMS傳感器在工廠(chǎng)維護和故障預測中發(fā)揮重要作用，有助于提高工廠(chǎng)生產(chǎn)效率；MEMS對車(chē)輛安全性和自動(dòng)駕駛發(fā)展至關(guān)重要。

傳感器數據應用是許多應用場(chǎng)景的基礎，各種傳感器的大規模應用促使傳感器成本下降。成本降低使同一設備安裝多個(gè)同類(lèi)型傳感器成為可能，隨著(zhù)同類(lèi)型傳感器的數量增多，不同類(lèi)型的傳感器和傳感器總數也在不斷增長(cháng)。為了獲得更可靠的信息，實(shí)現更高質(zhì)量的應用，業(yè)內開(kāi)發(fā)出了傳感器數據融合技術(shù)，提高了慣性模塊的應用規模，甚至為更多應用打開(kāi)了大門(mén)。

終端設備應用只有傳感器還不夠，還需要智能單元來(lái)處理信息和理解場(chǎng)景。應用處理器負責讀取數據和處理信息，隨著(zhù)傳感器數量增加，應用處理器的任務(wù)變得更加復雜。同樣，連接傳感器和應用處理器的總線(xiàn)也變得至關(guān)重要，大量的交換數據可能造成數據擁堵，總線(xiàn)性能下降。

最初，有人認為更快的總線(xiàn)和性能更高的處理器可以解決這些問(wèn)題。第二階段是“智能傳感器”一詞被濫用，把通用低功耗處理器從板上移到傳感器內部，做成一個(gè)系統級封裝解決方案，這種通過(guò)增加一個(gè)微控制器的方式有效增加傳感器數量的簡(jiǎn)單方法被稱(chēng)為“智能”。

在設計開(kāi)發(fā)LSM6DSOX時(shí)，我們決定不走尋常路，將所有已知應用在概念上分為兩大類(lèi)別：一種是用歸納算法實(shí)現的效果更好的應用；另一種是用演繹算法實(shí)現的效果更符合預期的應用。分析實(shí)際數據模式同時(shí)保持最高統計性能，是我們評估最佳設計方案的方法標準。

最后，為了便于執行演繹算法，我們決定在慣性單元內嵌入一個(gè)有多達16個(gè)有限狀態(tài)機的數字模塊；針對歸納型算法，我們實(shí)現了一個(gè)機器學(xué)習模塊，該模塊能夠與現有人工智能工具互動(dòng)，采用監督式機器學(xué)習方法，在傳感器內部對復雜計算進(jìn)行預處理，分類(lèi)器能夠分析實(shí)時(shí)數據，識別活動(dòng)和場(chǎng)景并進(jìn)行分類(lèi)，參數和功能具有很高的可配置性。

這種傳感器數據分析專(zhuān)用智能技術(shù)可以執行復雜算法，把很大一部分計算負荷轉交給傳感器處理，使其它設備保持空閑狀態(tài)。通過(guò)這種方式，可以最大程度地降低功耗，減輕通信總線(xiàn)負擔，并最大程度地提高系統的整體能效。

傳感器僅在必要時(shí)才喚醒其它設備和應用處理器，通過(guò)這種方式，可以大幅降低功耗，我們認為，僅LSM6DSOX這些新功能就可以創(chuàng )造出新的應用。

I. 前言

在過(guò)去的十年中，物聯(lián)網(wǎng)應用規模呈指數增長(cháng)。大多數物聯(lián)網(wǎng)應用都涉及在可能沒(méi)有電源的位置測量物理數值。 增裝電源線(xiàn)通常是行不通的，因此，電池是首選供電方案，并且無(wú)線(xiàn)數據傳輸是必選。物聯(lián)網(wǎng)相關(guān)應用至少需要一個(gè)傳感器獲取數據和一個(gè)傳輸媒介發(fā)送數據。電源需要給數據傳輸媒介和傳感器供電。在設計這種類(lèi)應用時(shí)，需要在這個(gè)方面做出權衡和取舍：是最大限度延長(cháng)電池續航時(shí)間還是提高數據傳輸頻率？

應用設計者可用一個(gè)在市場(chǎng)上有售的重要工具來(lái)解決這個(gè)折衷難題。這個(gè)工具是一個(gè)精密的計算單元，可以執行參數測量和數據傳輸任務(wù)，效果和能效都很好，這樣的計算單元通常是針對低功耗設計的通用微控制器。對于低功耗應用，無(wú)線(xiàn)數據傳輸比其它處理任務(wù)更重要，因此，物聯(lián)網(wǎng)應用設計策略是，如果其它處理任務(wù)允許降低通信速度，則可以將計算單元轉移到物聯(lián)網(wǎng)端。

本文旨在于介紹創(chuàng )新傳感器在降低產(chǎn)品功耗方面取得的新進(jìn)展。意法半導體的新型慣性模塊LSM6DSOX允許將算法處理過(guò)程全部或部分移至傳感器的定制低功耗環(huán)境。這種方法具有廣泛的可配置性，保證廣泛的應用范圍。本文結構如下：第一章介紹一個(gè)創(chuàng )新的嵌入式算法，并結合應用案例說(shuō)明其優(yōu)勢。然后用兩個(gè)章節專(zhuān)門(mén)介紹機器學(xué)習處理。最后一章介紹一個(gè)好用的定制支持軟件，用戶(hù)可以根據需求快速配置軟件，創(chuàng )建新應用。

II. 嵌入式算法方案

如前一章所述，簡(jiǎn)單的物聯(lián)網(wǎng)應用模型包括發(fā)射器/接收器、計算單元、執行器或傳感器和電池。

以智能手環(huán)為例，智能手環(huán)能夠識別用戶(hù)活動(dòng)，并輸出相關(guān)活動(dòng)數據：用戶(hù)步行多遠，乘車(chē)多長(cháng)時(shí)間等。當然，智能手環(huán)應具有翻腕顯示日期和時(shí)間的功能。藍牙低功耗系統芯片^[4]是執行傳輸和控制的關(guān)鍵組件。該解決方案嵌入了完整的藍牙網(wǎng)絡(luò )處理器和運行應用程序的應用處理器。應用處理器包括低功耗微控制器、用戶(hù)程序NVM存儲器，數據存儲器、編程存儲器（NVM鏡像）以及通信接口（SPI，I2C等）。從下面給出的系統示例可以大致估算出該解決方案的功率預算。這款內置微控制器的“智能”藍牙模塊通常具有不同的功耗模式，下面列出了最常見(jiàn)的模式：

a)    睡眠模式：此模式用于關(guān)閉大多數內部模塊或使其處于低功耗狀態(tài)，最大程度地降低功耗。從此模式返回到正常工作模式需要一些時(shí)間（0.5-2 ms）。該模式電流消耗在0.5-2 μA之間。

b)    微控制器工作模式：射頻發(fā)射器/接收器關(guān)閉，微控制器正常工作。 此模式的電流消耗在1-3 mA之間。

c)    射頻收發(fā)模式：設備處于通信連接狀態(tài)，功耗為3-20 mA。

我們討論一下智能手環(huán)檢測用戶(hù)活動(dòng)的用例。假設智能藍牙模塊中的微控制器通過(guò)I²C/SPI接口連接慣性模塊，傳感器數據輸出數據速率配置為25 Hz。每當嵌入式16 MHz時(shí)鐘域生成樣本時(shí)，微控制器就會(huì )退出睡眠模式，讀取傳感器數據并執行活動(dòng)識別算法。高質(zhì)量的活動(dòng)識別算法用例平均需要4 ms的處理時(shí)間。藍牙傳輸是間歇性的，取決于用戶(hù)要求（一天一次）。

圖1:微控制器從睡眠到喚醒的時(shí)序

圖1顯示了微控制器運行算法時(shí)的占空比時(shí)序。T_start是微控制器的喚醒時(shí)間，T_algo是算法的執行時(shí)間，T_odr是傳感器兩次讀取操作的間隔。

下面是總平均電流I_TOT的基本計算公式，其中包含各種主要電流消耗參數：

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 是接口總線(xiàn)讀取操作消耗的電流；SPI總線(xiàn)的讀取電流應小于1 μA，I2C總線(xiàn)約在2-5 μA之間。射頻是間歇性傳輸，所以功耗可以忽略不計?？紤]到每個(gè)參數取值取其聲明范圍的中間值，最后得到的I_TOT為230 μA。

嵌入式算法是經(jīng)過(guò)重新配置的可以實(shí)現“活動(dòng)識別”，工作電流小于8 μA。這里所說(shuō)的嵌入式算法與在微控制器上運行的算法在性能和質(zhì)量上完全相同。嵌入式解決方案的顯著(zhù)優(yōu)勢是在傳感器內部生成可用數據，因此不存在I_BUS功耗。此外，嵌入式解決方案完全沒(méi)有微控制器安全退出睡眠狀態(tài)所需的T_start時(shí)間，當T_start和 I _BUS 兩項參數均為零時(shí)，I_TOT估算值是200 μA，這意味著(zhù)，使用相同公式 f _algo *I _UCORE*T _{alg o}計算，算法從微控制器遷移到傳感器使功耗降至1/25。

因為意法半導體軟件庫和客戶(hù)需求是已知的，并且是合并在一起的，所以，我們的策略是收集最常見(jiàn)的用例，然后將其分為兩類(lèi)。第一類(lèi)是由非常適合使用有限狀態(tài)機的算法組成，第二類(lèi)基于需要統計分析（基于模式分析）并且可以通過(guò)決策網(wǎng)（樹(shù)）有效實(shí)現的應用。針對這兩大類(lèi)應用，我們開(kāi)發(fā)出一個(gè)覆蓋現有算法的“元命令”集，并確保算法具有廣泛的可重新配置性，以處理新的自定義需求。最后一步是算法分析，目的是找到最佳的低功耗且有效的算法定制邏輯。在不影響算法性能的情況下，按照特定應用需求簡(jiǎn)化算法。下面的兩個(gè)章節介紹這兩個(gè)模塊和元數據。

III. 機器學(xué)處理(MLP)

有限狀態(tài)機是利用本身固有的演繹推理特性：從假設開(kāi)始，檢驗達到特定邏輯狀態(tài)的概率。對于運動(dòng)檢測算法，演繹推理是確定一系列事件是否滿(mǎn)足“規則”。這種方法適用于大多數手勢檢測算法，當然，不能全部適用。例如，手機舉起到放下的手勢算法可以完全基于以下事實(shí)：手機加速度計檢測到的重力主要是在同一個(gè)軸上，并在一個(gè)時(shí)間序列后，檢測到的重力方向將會(huì )變成相反方向。修改一些參數就可以更改手勢定義，這些參數包括軸定義、閾值和序列持續時(shí)間。步行檢測等運動(dòng)算法幾乎不可能通過(guò)簡(jiǎn)單的狀態(tài)機來(lái)定義，因為變量數量會(huì )急劇增加，傳感器定位、頻率、地形和個(gè)人行為導致感應信號變化很大。從上一個(gè)示例中，可以得出一個(gè)更具一般性的概念：雖然手機舉起到放下的手勢統計方差在一個(gè)人群中是較明顯的，但是可以進(jìn)行演繹推理應用設計；而步行動(dòng)作會(huì )引起廣泛的統計方差，演繹推理方法應該棄用，而采用歸納推理方法。

機器學(xué)習處理的基本原理是允許在芯片上執行數據驅動(dòng)型算法，開(kāi)發(fā)從輸入模式構建模型的能力。在過(guò)去的十年中，互聯(lián)網(wǎng)和物聯(lián)網(wǎng)爆炸式增長(cháng)，大量信息產(chǎn)生。 隨著(zhù)數據量急劇增加，數據管理工具也被開(kāi)發(fā)出來(lái)，使數據開(kāi)始有應用價(jià)值。MLP解決方案被認為是適合在慣性傳感器上執行數據驅動(dòng)算法。MLP具有很高的可重新配置性，在慣性傳感器領(lǐng)域達到了預期效果，可以在超低功耗環(huán)境執行算法，適用于耗電量大的產(chǎn)品，例如，物聯(lián)網(wǎng)算法。

數據挖掘是機器學(xué)習的一個(gè)重要分支：“數據挖掘是一個(gè)綜合機器學(xué)習、模式識別和統計學(xué)的跨學(xué)科領(lǐng)域 ^[1-2]，其目的是發(fā)現知識。

數據挖掘工具最后生成一個(gè)決策樹(shù)，應用設計是從一個(gè)數據模式集合開(kāi)始，以在MLP內核上加載決策樹(shù)結束。用戶(hù)可以用支持軟件管理整個(gè)應用設計過(guò)程，我們將在下一章介紹支持軟件，本章介紹MLP內核背后的基本模塊。

圖4是機器學(xué)習處理內核的整體結構圖。

圖4：MLP內核整體結構圖

從圖中不難看出軟件層和硬件層之間的邊界。該應用設計從傳感器數據模式開(kāi)始，模式是描述MLP內核在運行時(shí)必須理解的知識。以活動(dòng)識別算法為例，MLP從涉及要識別的活動(dòng)（步行，跑步，運動(dòng)的車(chē)輛，無(wú)運動(dòng)等）的模式開(kāi)始運行，目的是直接從傳感器數據推出當前活動(dòng)的結果。最多可以將3個(gè)傳感器的數據配置為算法輸入。陀螺儀和加速度計模塊位于傳感器內部，外部傳感器（例如磁力計）的數據可以通過(guò)嵌入式I²C控制器讀取。輸入傳感器數據由物理傳感器的軸和數值組成（表I）。

表I. MLP的輸入類(lèi)型

要想調理輸入數據，還有多個(gè)可配置濾波器可用，如表II所示。

表II. 內核中的濾波器類(lèi)型

原始數據和過(guò)濾數據都可以設為特征模塊的輸入，特征模塊執行數據的統計計算，輸出可以配置成多達19個(gè)不同的統計特征。表III中列出了可用特征。主要特征集分為觸發(fā)式和窗口式兩類(lèi)，前者是按照特征事件計算的結果，后者是按照固定時(shí)窗間隔統計的結果。盡管所有特征計算結果可以是窗口式或觸發(fā)式特征集，取決于用戶(hù)配置，但只有這些特征的子集才可以生成觸發(fā)信號。

表III：MLP內核的統計特征

在特征配置結束時(shí)，軟件工具(下一章介紹)輸出一個(gè)配置文件和一個(gè)ARFF文件。配置文件安裝在慣性單元上用于配置MLP，ARFF文件用于數據挖掘工具，是與MLP處理器芯片匹配的。數據挖掘工具組建ARFF文件，針對特定應用案例優(yōu)化（或“確定”）選擇最佳的特征集，并輸出決策樹(shù)及相關(guān)統計性能。

在數據挖掘工具處理和反饋后，可以重新處理數據并優(yōu)化特征集。

當統計性能符合期望時(shí)，可以通過(guò)意法半導體軟件工具生成的配置文件將決策樹(shù)加載到MLP內核上。

IV. 支持軟件

意法半導體開(kāi)發(fā)出一個(gè)使基于統計學(xué)/機器學(xué)習的方法適合編程的工具，有了這個(gè)工具，設備配置過(guò)程變得輕松快捷。

這個(gè)機器學(xué)習處理配置工具是一個(gè)擴展版的Unico GUI圖形用戶(hù)界面軟件（意法半導體所有MEMS傳感器演示板通用 ^[5]）。Unico軟件連接基于STM32微控制器的主板^[5-6]，實(shí)現MEMS傳感器與PC GUI之間的通信。該軟件以圖形和數字形式顯示傳感器輸出，并允許用戶(hù)保存或全面管理來(lái)自設備的數據。

Unico軟件允許訪(fǎng)問(wèn)MEMS傳感器寄存器，可以快速配置寄存器，并可以直接在設備上輕松測試配置?？梢詫斍凹拇嫫鞯呐渲帽４鏋槲谋疚募?，并可以從現有文件中加載配置。這樣，可以在幾秒鐘內重新設置傳感器。

基于統計/機器學(xué)習的算法要求收集數據日志。使用Unico GUI可以做到這一點(diǎn)。每個(gè)數據日志都必須關(guān)聯(lián)預期結果（例如，靜止，步行，跑步等）。該工具收集這些數據模式用于計算某些特征。

圖8：數據模式表

該工具可為原始數據選擇濾波器，選擇用過(guò)濾數據計算哪些特征，計算結果特征將是決策樹(shù)的屬性。幾個(gè)步驟后，該工具將生成一個(gè)屬性關(guān)系文件（ARFF）。

圖9：配置表

ARFF文件是決策樹(shù)生成過(guò)程的入口。決策樹(shù)可以由不同的機器學(xué)習工具生成。 懷卡托大學(xué)開(kāi)發(fā)的軟件Weka ^[7]能夠從屬性關(guān)系文件開(kāi)始生成決策樹(shù)。Weka工具可以評估哪些屬性適合決策樹(shù)。通過(guò)更改Weka中所有可用參數，可以實(shí)現不同的決策樹(shù)配置。

 圖10:在Weka里的屬性視圖

圖6：Weka中的決策樹(shù)生成

在決策樹(shù)生成后，可以將其上傳到意法半導體的軟件工具，完成MEMS傳感器的寄存器配置。

通過(guò)訪(fǎng)問(wèn)傳感器寄存器，Unico GUI可以讀取決策樹(shù)輸出狀態(tài)。

 V. 應用案例

從第二部分介紹的示例開(kāi)始，我們做了一些電流消耗測量，選擇了一個(gè)活動(dòng)識別算法作為示例。該算法的性能在模式數據庫中經(jīng)過(guò)明確評估，而且在普通通用微控制器上運行時(shí)電流消耗約為數百微安。利用上一章介紹的支持軟件，可以輕松地配置MLP內核，運行該活動(dòng)識別算法。

表IV：電流要求

 表IV 總結了在Cortex-M3 ^[8-10]上運行活動(dòng)識別算法的電流要求，以及在LSM6DSOx MLP上運行同一算法增加的電流需求。

VI. 結論

世界網(wǎng)絡(luò )化程度越來(lái)越高：聯(lián)網(wǎng)設備可以交換大量數據。物聯(lián)網(wǎng)應用依賴(lài)于三個(gè)關(guān)鍵模塊：感知、智能和通信。本文介紹了一種高度可配置的嵌入在慣性傳感器中的數字模塊。數字模塊為傳感器增加了智能，可以大幅降低系統級能耗。為了快速開(kāi)發(fā)應用原型，隨硬件一起提供了數字模塊配置支持軟件。上一章的應用案例清楚地表明，數字模塊可大幅降低電流消耗。智能傳感器是賦能電池續航能力至關(guān)重要的新應用的關(guān)鍵技術(shù)。

參考文獻

^[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.