【導讀】MEMS傳感器正在涌入市場，這些傳感器成本效益高，易于集成在場景感知解決方案中，提供有關其所處場景的重要信息。這種多用途感測技術有許多用例：MEMS傳感器在穿戴物聯網設備中用于檢測用戶活動和手勢；工業MEMS傳感器在工廠維護和故障預測中發揮重要作用，有助于提高工廠生產效率；MEMS對車輛安全性和自動駕駛發展至關重要。
傳感器數據應用是許多應用場景的基礎，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同類型傳感器成為可能，隨著同類型傳感器的數量增多，不同類型的傳感器和傳感器總數也在不斷增長。為了獲得更可靠的信息，實現更高質量的應用，業內開發出了傳感器數據融合技術，提高了慣性模塊的應用規模，甚至為更多應用打開了大門。
終端設備應用只有傳感器還不夠，還需要智能單元來處理信息和理解場景。應用處理器負責讀取數據和處理信息，隨著傳感器數量增加，應用處理器的任務變得更加復雜。同樣，連接傳感器和應用處理器的總線也變得至關重要，大量的交換數據可能造成數據擁堵，總線性能下降。
最初，有人認為更快的總線和性能更高的處理器可以解決這些問題。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，做成一個系統級封裝解決方案，這種通過增加一個微控制器的方式有效增加傳感器數量的簡單方法被稱為“智能”。
在設計開發LSM6DSOX時，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別：一種是用歸納算法實現的效果更好的應用；另一種是用演繹算法實現的效果更符合預期的應用。分析實際數據模式同時保持最高統計性能，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有多達16個有限狀態機的數字模塊；針對歸納型算法，我們實現了一個機器學習模塊，該模塊能夠與現有人工智能工具互動，采用監督式機器學習方法，在傳感器內部對復雜計算進行預處理，分類器能夠分析實時數據，識別活動和場景并進行分類，參數和功能具有很高的可配置性。
這種傳感器數據分析專用智能技術可以執行復雜算法，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。通過這種方式，可以最大程度地降低功耗，減輕通信總線負擔，并最大程度地提高系統的整體能效。
傳感器僅在必要時才喚醒其它設備和應用處理器，通過這種方式，可以大幅降低功耗，我們認為，僅LSM6DSOX這些新功能就可以創造出新的應用。
I.前言
在過去的十年中，物聯網應用規模呈指數增長。大多數物聯網應用都涉及在可能沒有電源的位置測量物理數值。 增裝電源線通常是行不通的，因此，電池是首選供電方案，并且無線數據傳輸是必選。物聯網相關應用至少需要一個傳感器獲取數據和一個傳輸媒介發送數據。電源需要給數據傳輸媒介和傳感器供電。在設計這種類應用時，需要在這個方面做出權衡和取舍：是最大限度延長電池續航時間還是提高數據傳輸頻率？
應用設計者可用一個在市場上有售的重要工具來解決這個折衷難題。這個工具是一個精密的計算單元，可以執行參數測量和數據傳輸任務，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，無線數據傳輸比其它處理任務更重要，因此，物聯網應用設計策略是，如果其它處理任務允許降低通信速度，則可以將計算單元轉移到物聯網端。
本文旨在于介紹創新傳感器在降低產品功耗方面取得的新進展。意法半導體的新型慣性模塊LSM6DSOX允許將算法處理過程全部或部分移至傳感器的定制低功耗環境。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：第一章介紹一個創新的嵌入式算法，并結合應用案例說明其優勢。然后用兩個章節專門介紹機器學習處理。最后一章介紹一個好用的定制支持軟件，用戶可以根據需求快速配置軟件，創建新應用。
II.嵌入式算法方案
如前一章所述，簡單的物聯網應用模型包括發射器/接收器、計算單元、執行器或傳感器和電池。
以智能手環為例，智能手環能夠識別用戶活動，并輸出相關活動數據：用戶步行多遠，乘車多長時間等。當然，智能手環應具有翻腕顯示日期和時間的功能。藍牙低功耗系統芯片[4]是執行傳輸和控制的關鍵組件。該解決方案嵌入了完整的藍牙網絡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，下面列出了最常見的模式：
a)睡眠模式：此模式用于關閉大多數內部模塊或使其處于低功耗狀態，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：射頻發射器/接收器關閉，微控制器正常工作。 此模式的電流消耗在1-3 mA之間。
c)射頻收發模式：設備處于通信連接狀態，功耗為3-20 mA。
我們討論一下智能手環檢測用戶活動的用例。假設智能藍牙模塊中的微控制器通過I2C/SPI接口連接慣性模塊，傳感器數據輸出數據速率配置為25Hz。每當嵌入式16 MHz時鐘域生成樣本時，微控制器就會退出睡眠模式，讀取傳感器數據并執行活動識別算法。高質量的活動識別算法用例平均需要4 ms的處理時間。藍牙傳輸是間歇性的，取決于用戶要求（一天一次）。
圖1:微控制器從睡眠到喚醒的時序
圖1顯示了微控制器運行算法時的占空比時序。Tstart是微控制器的喚醒時間，Talgo是算法的執行時間，Todr是傳感器兩次讀取操作的間隔。
下面是總平均電流ITOT的基本計算公式，其中包含各種主要電流消耗參數：
ITOT = IBUS + ISLEEP + falgo * IUCORE * ( Tstart/2 + Talgo )
IBUS 是接口總線讀取操作消耗的電流；SPI總線的讀取電流應小于1 µA，I²C總線約在2-5 µA之間。射頻是間歇性傳輸，所以功耗可以忽略不計。考慮到每個參數取值取其聲明范圍的中間值，最后得到的ITOT為230 µA。
嵌入式算法是經過重新配置的可以實現“活動識別”，工作電流小于8 µA。這里所說的嵌入式算法與在微控制器上運行的算法在性能和質量上完全相同。嵌入式解決方案的顯著優勢是在傳感器內部生成可用數據，因此不存在IBUS功耗。此外，嵌入式解決方案完全沒有微控制器安全退出睡眠狀態所需的Tstart時間，當Tstart和IBUS兩項參數均為零時，ITOT估算值是200 µA，這意味著，使用相同公式falgo*IUCORE*Talgo計算，算法從微控制器遷移到傳感器使功耗降至二十五分之一。
因為意法半導體軟件庫和客戶需求是已知的，并且是合并在一起的，所以，我們的策略是收集最常見的用例，然后將其分為兩類。第一類是由非常適合使用有限狀態機的算法組成，第二類基于需要統計分析（基于模式分析）并且可以通過決策網（樹）有效實現的應用。針對這兩大類應用，我們開發出一個覆蓋現有算法的“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化算法。下面的兩個章節介紹這兩個模塊和元數據。
III.機器學處理(MLP)
有限狀態機是利用本身固有的演繹推理特性：從假設開始，檢驗達到特定邏輯狀態的概率。對于運動檢測算法，演繹推理是確定一系列事件是否滿足“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：手機加速度計檢測到的重力主要是在同一個軸上，并在一個時間序列后，檢測到的重力方向將會變成相反方向。修改一些參數就可以更改手勢定義，這些參數包括軸定義、閾值和序列持續時間。步行檢測等運動算法幾乎不可能通過簡單的狀態機來定義，因為變量數量會急劇增加，傳感器定位、頻率、地形和個人行為導致感應信號變化很大。從上一個示例中，可以得出一個更具一般性的概念：雖然手機舉起到放下的手勢統計方差在一個人群中是較明顯的，但是可以進行演繹推理應用設計；而步行動作會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。
機器學習處理的基本原理是允許在芯片上執行數據驅動型算法，開發從輸入模式構建模型的能力。在過去的十年中，互聯網和物聯網爆炸式增長，大量信息產生。 隨著數據量急劇增加，數據管理工具也被開發出來，使數據開始有應用價值。MLP解決方案被認為是適合在慣性傳感器上執行數據驅動算法。MLP具有很高的可重新配置性，在慣性傳感器領域達到了預期效果，可以在超低功耗環境執行算法，適用于耗電量大的產品，例如，物聯網算法。
數據挖掘是機器學習的一個重要分支：“數據挖掘是一個綜合機器學習、模式識別和統計學的跨學科領域 [1] [2]，其目的是發現知識。
數據挖掘工具最后生成一個決策樹，應用設計是從一個數據模式集合開始，以在MLP內核上加載決策樹結束。用戶可以用支持軟件管理整個應用設計過程，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始，模式是描述MLP內核在運行時必須理解的知識。以活動識別算法為例，MLP從涉及要識別的活動（步行，跑步，運動的車輛，無運動等）的模式開始運行，目的是直接從傳感器數據推出當前活動的結果。最多可以將3個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VI。）。
表I. MLP的輸入類型
要想調理輸入數據，還有多個可配置濾波器可用，如下表所示（表VII）。
表II. 內核中的濾波器類型
原始數據和過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個不同的統計特征。表VIII中列出了可用特征。主要特征集分為觸發式和窗口式兩類，前者是按照特征事件計算的結果，后者是按照固定時窗間隔統計的結果。盡管所有特征計算結果可以是窗口式或觸發式特征集，取決于用戶配置，但只有這些特征的子集才可以生成觸發信號。
表III：MLP內核的統計特征
在特征配置結束時，軟件工具(下一章介紹)輸出一個配置文件和一個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化（或“確定”）選擇最佳的特征集，并輸出決策樹及相關統計性能。
在數據挖掘工具處理和反饋后，可以重新處理數據并優化特征集。
當統計性能符合期望時，可以通過意法半導體軟件工具生成的配置文件將決策樹加載到MLP內核上。
IV.支持軟件
意法半導體開發出一個使基于統計學/機器學習的方法適合編程的工具，有了這個工具，設備配置過程變得輕松快捷。
這個機器學習處理配置工具是一個擴展版的Unico GUI圖形用戶界面軟件（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[6] [5]，實現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，并允許用戶保存或全面管理來自設備的數據。
Unico軟件允許訪問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。可以將當前寄存器的配置保存為文本文件，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/機器學習的算法要求收集數據日志。使用Unico GUI可以做到這一點。每個數據日志都必須關聯預期結果（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，選擇用過濾數據計算哪些特征，計算結果特征將是決策樹的屬性。幾個步驟后，該工具將生成一個屬性關系文件（ARFF）。
圖9：配置表
ARFF文件是決策樹生成過程的入口。決策樹可以由不同的機器學習工具生成。 懷卡托大學開發的軟件Weka [7]能夠從屬性關系文件開始生成決策樹。Weka工具可以評估哪些屬性適合決策樹。通過更改Weka中所有可用參數，可以實現不同的決策樹配置。
圖10:在Weka里的屬性視圖
圖6：Weka中的決策樹生成
在決策樹生成后，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。
通過訪問傳感器寄存器，Unico GUI可以讀取決策樹輸出狀態。
V.應用案例
從第二部分介紹的示例開始，我們做了一些電流消耗測量，選擇了一個活動識別算法作為示例。該算法的性能在模式數據庫中經過明確評估，而且在普通通用微控制器上運行時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，運行該活動識別算法。
表IV：電流要求
表IX 總結了在Cortex-M3 [8] [9] [10]上運行活動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
世界網絡化程度越來越高：聯網設備可以交換大量數據。物聯網應用依賴于三個關鍵模塊：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。為了快速開發應用原型，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重要的新應用的關鍵技術。
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.
推薦閱讀：
