概述
机器学习内核
ISPU
资源
网络研讨会
人工智能 (AI) 算法与MEMS传感器的集成正在深刻改变我们与周围世界交互的方式。通过将AI技术嵌入边缘,如今的传感器可以实时收集、处理和发送有意义的数据。
我们通过新一代智能、开放和精准的传感器实现向传感器内处理的过渡,以帮助开发人员在挖掘其潜力的同时提高整体系统效率。
我们的传感器有何独特之处?
- 智能传感器在边缘实现AI功能,可减少系统数据传输量和降低网络处理负担,从而降低功耗并提供更具可持续性的解决方案
- 一种开放式生态系统,借助数据共享加速创新和产品开发
- 通过开发高度复杂的算法,精准传感器可将有意义的信息提供给终端用户
为确保开发人员在计算能力和编程灵活性方面找到最有效的解决方案,意法半导体提供了多种传感器内处理技术供用户选择:内嵌机器学习内核 (MLC) 的传感器和内嵌智能传感器处理单元 (ISPU) 的传感器。
内嵌机器学习内核的传感器
MLC是一个可利用决策树学习训练它在检测到特定事件时触发动作的引擎。通过将MLC嵌入传感器中,可实现对运动情况的精确识别,并以最佳的系统能效将事件传达给处理器。
附加价值:
- 超低功耗解决方案
- 通过更好的情景检测能力提高精度
- 降低主处理器的负担,提高系统效率
内嵌MLC的MEMS传感器
我们的第三代MEMS传感器配有先进的机器学习内核技术,可为最新的电池驱动型应用提供直观的情景感知功能。
产品编号 | 应用 | 系列 | MLC | 满量程 | 温度范围 | 功耗 | MLC功能应用笔记 |
LIS2DUX12 | 消费电子 | 加速度计 | 128个节点 | ±16 g | -40°C至+85°C | 2.7 µA | AN5903 |
LIS2DUXS12 | 消费电子 | 加速度计 | 128个节点 | ±16 g | -40°C至+85°C | 2.7 µA | AN5901 |
LSM6DSV16X | 消费电子 | iNEMO | 128个节点 | ±4000 dps,±16 g | -40°C至+85°C | 0.65 mA(组合模式) | AN5804 |
LSM6DSV16BX | 消费电子 | iNEMO | 128个节点 | ±4000 dps,±16 g | -40°C至+85°C | 0.95 mA(组合模式) | AN5892 |
ASM330LHB | 汽车 | iNEMO | 512个节点 | ±4000 dps,±16 g | -40°C 至 +105°C | 0.8 mA(组合模式) | AN5915 |
ASM330LHHXG1 | 汽车 | iNEMO | 512个节点 | ±4000 dps,±16 g | -40°C至+125°C | 0.8 mA(组合模式) | AN5987 |
其他内嵌MLC的MEMS传感器
产品编号 | 应用 | 系列 | MLC | 满量程 | 温度范围 | 功耗 | MLC功能应用笔记 |
LSM6DSOX | 消费电子 | iNEMO | 256个节点 | ±2000 dps,±16 g | -40°C至+85°C | 0.55 mA(组合模式) | AN5259 |
LSM6DSO32X | 消费电子 | iNEMO | 256个节点 | ±2000 dps;±32 g | -40°C至+85°C | 0.55 mA(组合模式) | AN5656 |
LSM6DSRX | 消费电子 | iNEMO | 512个节点 | ±4000 dps,±16 g | -40°C至+85°C | 1.2 mA(组合模式) | AN5393 |
ISM330DHCX | 工业 | iNEMO | 512个节点 | ±4000 dps,±16 g | -40°C 至 +105°C | 1.2 mA(组合模式) | AN5392 |
IIS2ICLX | 工业 | 加速度计 | 512个节点 | ±3 g | -40°C 至 +105°C | 0.42 mA | AN5536 |
ASM330LHHX | 汽车 | iNEMO | 512个节点 | ±4000 dps,±16 g | -40°C 至 +105°C | 0.8 mA(组合模式) | AN5781 |
如何开始使用内嵌MLC的传感器?
传感器中机器学习内核入门的最佳方法是,借助支持意法半导体产品的开发工具和软件,为具体应用选择适当的解决方案。
要编程MLC,可使用Unico-GUI这款全面的软件包,它涵盖了AI算法从收集和标记到决策树创建以及上传到传感器中的整个编程流程。
带有智能传感器处理单元 (ISPU) 的传感器
ISPU是一个真正的集成数字信号处理器 (DSP),它针对通用MCU进行了专门优化,非常适合用来运行复杂的AI算法。其优势在于,作为一种集成单元,它可最大程度发挥所需的计算能力。
附加价值:
- 由于数据传输经过优化,因此可实现系统级超低功耗
- 支持AI功能的可编程内核(ML和NN)提供极高的处理能力
- 可以轻松使用C语言或商业和开源AI模型进行编程
内嵌智能传感器处理单元 (ISPU) 的MEMS传感器
产品编号 | 应用 | 系列 | 存储器 | 满量程 | 温度范围 | 功耗 | ISPU功能应用笔记 |
ISM330IS | 工业 | 惯性测量单元 | 10 MHz时钟,40 KB RAM | ±2000 dps,±16 g | -40°C至+85°C | 0.59 mA(组合模式) | AN5850 |
ISM330ISN | 工业(异常检测) | 惯性测量单元 | 10 MHz时钟,40 KB RAM | ±2000 dps,±16 g | -40°C至+85°C | 0.59 mA(组合模式) | |
LSM6DSO16IS | 消费电子 | 惯性测量单元 | 10 MHz时钟,40 KB RAM | ±2000 dps,±16 g | -40°C至+85°C | 0.59 mA(组合模式) | AN5799 |
如何开始使用内嵌ISPU的传感器?
如何对ISPU编程?
借助ISPU的超强能力,每个需求都能找到其专属的AI解决之道。
推荐资源
GitHub中的即用型边缘AI应用示例
在我们的GitHub资源库中,您可以找到MLC和ISPU的应用示例,例如人类活动识别、头部姿势、用于预测性维护的振动监测等。为便于用户快速探索各个示例,提供了README文件,其中包括详细信息。
人类活动识别
头部姿态
振动监测
汽车运输
网络研讨会
活动 | 目标 |
将智能传感器用于可持续的全时感知应用 | 机器学习内核 |
使用智能MEMS传感器进行传感器内部监控 | 智能传感器处理单元 |
任何人都可以使用这种智能IMU构建更智能的应用程序 | 机器学习内核 |
使用MEMS传感器中的边缘AI实现预测性维护 | 机器学习内核 |
仅使用传感器中的机器学习内核实现用于资产跟踪的AI | 机器学习内核 |
在传感器中实现AI以开发高效的个人电子设备应用 | 机器学习内核 |
在内嵌机器学习内核的传感器中构建决策树 | 机器学习内核 |
视频 | 目标 |
ISPU:如何使用基于Eclipse的IDE创建您的第一个示例? | 智能传感器处理单元 |
ISPU:如何借助ISPU模板编写您自己的示例? | 智能传感器处理单元 |
ISPU:如何为您的项目实现可视化输出? | 智能传感器处理单元 |
具有AI内核的MEMS传感器(ISPU - 智能传感器处理单元) | 智能传感器处理单元 |
内嵌机器学习内核的传感器如何将高效的AI应用引入边缘 | 机器学习内核 |
LSM6DSOX分步教程,第1部分/共5部分:简介 | 机器学习内核 |
LSM6DSOX分步教程,第2部分/共5部分:数据收集 | 机器学习内核 |
LSM6DSOX分步教程,第3部分/共5部分:数据标记和特征提取 | 机器学习内核 |
LSM6DSOX分步教程,第4部分/共5部分:设备树生成 | 机器学习内核 |
LSM6DSOX分步教程,第5部分/共5部分:注册和配置 | 机器学习内核 |
Whitepapers |
智能传感器处理单元通过“边缘AI”将大脑功能植入传感器 |
与我们保持联系:
通过以下方式与我们保持联系,确保您掌握最新信息: