1   英飛凌在邊緣（Edge）設備上釋放機器學習（ML）的能力

市場對舒適性、便利性和簡單性的需求不斷增加，對娛樂、安全和能源效率領域更多功能的需求也在日益增長，這將大大增加對智能家居的興趣和承諾。邊緣人工智能（AI）將成為這些產品的關鍵推動因素。

今天的物聯(lián)網硬件/軟件開發(fā)人員面臨著在構建這些未來設備時的一系列復雜設計。從復雜的集成無線連接，到優(yōu)化電池供電設計中的系統(tǒng)功率，再到集成傳感器融合，讓物聯(lián)網工作對任何團隊來說都是一項艱巨的任務。作為連接現實世界和數字世界的領導者，英飛凌非常了解這些設計挑戰(zhàn)，我們最近解決的一項挑戰(zhàn)就是在邊緣設備上釋放機器學習（ML）的能力。

英飛凌安全互聯(lián)事業(yè)部大中華區(qū) 物聯(lián)網消費產品首席FAE 陳順祥

2   將ML從云端移至邊緣的理由與挑戰(zhàn)

現在將ML 工作量從云端移至邊緣的理由比以往任何時候都更加強烈，因為有用戶非常關心的隱私、流量帶寬、成本和工作延遲等現實問題。邊緣的AI/ML 主要專注于推理（Inference）。ML設計從數據收集、訓練、生成已訓練好的模型部署于邊緣推理。然而，就算ML 數據已經訓練并創(chuàng)建模型，還會有另外的挑戰(zhàn)。彌合用于創(chuàng)建模型的工具與驗證和優(yōu)化嵌入式微控制器設備的過程之間的差距是極其復雜的，并導致上市時間緩慢延遲。

3   英飛凌ModusToolbox? 機器學習工具

正因如此，英飛凌推出了ModusToolbox? 機器學習工具，能夠快速評估ML 模型并將其部署到英飛凌MCU 上。ModusToolbox? ML 旨在與BSP、連接堆棧、中間件和有直觀的配置器的ModusToolbox? 軟件生態(tài)系統(tǒng)無縫協(xié)作，以便開發(fā)人員可以專注于他們的應用程序差異化并加快進入市場。

目前ModusToolbox? ML 已經實現：

●   從流行的訓練框架（如TensorFlow?）導入模型；

●   優(yōu)化嵌入式平臺的模型以減少系統(tǒng)資源和復雜性；

●   通過基準測試驗證優(yōu)化模型的性能；

●   生成優(yōu)化模型代碼和庫與ModusToolbox? 開發(fā)流程整合。

ModusToolbox? 已在2021 年7 月發(fā)布了機器學習（ML）配置器1.10 版，支持在與ModusToolbox?流程集成的英飛凌MCU 上優(yōu)化和部署ML 模型。ModusToolbox? 也帶有ML 例程，此代碼示例演示了如何根據運動傳感器（加速度計和陀螺儀）數據執(zhí)行手勢分類。該代碼示例附帶一個預訓練模型，該模型可對以下手勢進行分類：圓形、方形和左右。通過這個例程，工程師可以學習使用ModusToolbox? ML。除此之外，英飛凌會在2021 年10 月舉辦ModusToolbox? ML 中文網絡研討會現場直播，并現場演示動手實驗如何快速輕松地開始使用ModusToolbox? ML。

（本文來源于《電子產品世界》雜志2021年9月期）