人工智慧应用的市占率稳步成长。为此，意法半导体提供广泛的产品组合，轻松实现多级别的人工智慧应用。

在本文中，将主要关注新型感测器中内嵌的MLC（机器学习核心），并阐述如何利用此AI核心开发极低功耗的「边缘到边缘」AI应用。

先从以下问题开始：什么是边缘人工智慧？在过去，AI应用需要许多计算资源，因此，来自感测器的资料必须传输到云端处理，然后再将结果传送回本地。整个过程既耗时又耗电，并且不适用于缺乏网路连线的情境。因此，边缘人工智慧应运而生。有了微控制器（MCU）上的专用硬体，AI处理能力越来越强，将AI核心自云端移到了本地MCU，使延迟和功耗方面的表现更加出色。

图一 : 边缘运算处理流程

意法半导体近期推出之全新感测器系列（以字母X为结尾的命名）使感测器能够完全在感测器核心中运行AI演算法（决策树分类器），而无需本地MCU承担任何运算。进一步推动了「边缘人工智慧」技术的发展。为此，我们称之为「边缘到边缘」人工智慧。

假设设计人员有兴趣开发一款应用，该应用使用感测器资料（来自加速度计、陀螺仪等）并利用AI侦测人类活动（如步行、跑步、静止等）或进行手势辨识。在基于云端的AI解决方案中，需要将资料发送到云端进行推理，等待一段时间后获得回应。这意味着不得不在资料传输方面耗费大量能量（如果网路连接可用，最高50mA），而且在接收输出结果时会经历相当长的延迟。一种创新型解决方案可以利用MCU来处理资料（“边缘人工智慧”），但利用感测器资料传输仍是必须的。如果您的目标是最低功耗型解决方案，在感测器内部嵌入MLC是最佳选择。从感测器到MCU的资料传输没有功率消耗，优化后的ASIC使MLC核心的电流消耗限制在~10uA左右，而延迟更可以忽略不计。

回到应用本身，这意味着感测器可以自己运行行为辨识或手势辨识应用：您只需对MLC感测器进行程式设计，打开感测元件，将基于AI的场景分类结果作为简单的register value输出，以供应用MCU进行决策（例如，改变应用的行为，开启或关闭低功耗模式，等等）。

图二 : ST新一代动作感测器

如前所述，感测器的AI基于决策树分类器。不同的装置具有类似的MLC可用资源，每个感测器都能并行运行最多8个不同的决策树（共256或512个节点）。

图三 : UNICO-GUI上的五个开发步骤

决策树基于训练过的AI模型（监督学习），需要资料集来训练模型。最后再将决策树程式部署到感测器MLC中。针对这5个关键步骤，意法半导体提供UNICO-GUI工具，引导开发人员进行资料搜集、程式产生，并在感测器中上传程式实现MLC。

第一步是数据搜集。设计人员可以选择意法半导体的开发板搜集数据，我们建议使用FP-SNS-DATALOG1硬体搜集资料，确保所搜集资料的格式与一致性。一旦资料准备完成，就可以启动UNICO-GUI。

图四 : 利用UNICO-GUI搜集数据

在UNICO-GUI中执行的第二步是标注数据和特征配置，为所搜集的资料集分配一个名称或标签。决策树模型会基于设计人员资料集和所选之特征进行训练，以区分所选的类别。 UNICO-GUI工具可以导入许多类型的资料集。此外，使用者还可以在数据搜集阶段定义感测器的工作模式，其中最重要的是选择为决策树分类所用的特征值。特征值基本上是对感测器资料进行的一种「分析」，决策树将使用特征来选择类别。举如，使用XL讯号的「标准差」或「峰对峰值」特征来判断使用者是静止状态还是运动状态。显然，有许多特征可以组合在一起，以实现符合应用的最佳决策树。如需更多关于特征选择和理解决策树创建过程的详细资讯，请参见ST Design Tip 0139。

图五 : 利用UNICO-GUI建立决策树

在UNICO-GUI中执行的第三步是构立决策树，该步骤生成初始设定并分析训练集的限制，以构建一个能够辨识动作行为的决策树。

图六 : 利用UNICO-GUI部署模型

在UNICO-GUI中执行的第四步是感测器程式生成。一旦建立了决策树，需要用感测器MLC语言「翻译」决策树。使用者将得到一个档案，其中包含在内建MLC的ST MEMS感测器执行应用的所有内容。

最后（第五步），当装置完成程式设计后，可以在应用中利用经训练的决策树来执行MLC的结果。

更多关于MLC在MEMS感测器中的应用，可以参考ST MLC网页或ST MLC GitHub，这些网页提供大量应用和配置范例，可以引导设计人员一步一步地完成从资料搜集到MLC即时功能检查的整个过程。