为机器学习而设的MEMS传感器生态系统

概述
传感器
开始使用
工具和软件
资源
网络研讨会
 

意法半导体的MEMS和传感器机器学习生态系统将多种硬件与软件工具相结合,帮助设计人员借助传感器边缘人工智能通过基于决策树分类器机器学习算法来实现手势与活动识别。

因此,物联网解决方案开发人员可以在快速原型制作环境中部署我们的任意(内嵌机器学习内核的(MLC))传感器,以便快速开发超低功耗物联网 (IoT) 应用。借助内置的低功耗传感器设计、高级AI事件检测、唤醒逻辑和实时边缘计算功能,传感器中的MLC可减少系统数据传输量,降低网络处理负担。 

附加价值:

  • 降低功耗
  • 提高精度(环境检测能力)
  • 边缘到边缘的AI
机器学习人工智能

内嵌机器学习内核的传感器

所有内嵌机器学习内核的意法半导体MEMS和传感器在产品编号的末尾均带有X标记。生态系统中的每个传感器提供不同的机器学习能力,可为开发人员提供更多灵活性,以便实现深度边缘AI计算设计。

产品编号 应用 系列 机器学习内核 (MLC) 满量程 温度范围 功耗
LSM6DSOX 消费电子 iNEMO惯性模块 (IMU) 256个节点 ±2000 dps,±16 g -40 °C至+85 °C 0.55 mA(组合模式)
LSM6DSO32X 消费电子 iNEMO惯性模块 (IMU) 256个节点 ±2000 dps;±32 g -40 °C至+85 °C 0.55 mA(组合模式)
LSM6DSRX 消费电子 iNEMO惯性模块 (IMU) 512个节点 ±4000 dps,±16 g -40 °C至+85 °C 1.2 mA(组合模式)
ISM330DHCX 工业 iNEMO惯性模块 (IMU) 512个节点 ±4000 dps,±16 g -40 °C至+105 °C 1.2 mA(组合模式)
IIS2ICLX 工业 加速度计 512个节点 ±3 g -40 °C至+105 °C 0.42 mA
ASM330LHHX 消费电子 汽车电子 512个节点 ±4000 dps,±16 g -40 °C至+105 °C 0.8 mA(组合模式)

意法半导体传感器中的机器学习内核

意法半导体内嵌机器学习内核的最新一代传感器由三个模块组成。

机器学习传感器构建模块

内置传感器(加速度计和陀螺仪)会过滤实时运动数据,再将其发送至计算模块,并在其中将定义为“特征”的统计参数应用于收集的数据。然后,将计算模块中聚合的特征用作第三个模块的输入。决策树将评估统计参数并将这些参数与特定阈值进行比较,以识别特定情况并生成发送至MCU的分类结果。

 

开始使用:通过机器学习监督方法来构建决策树

 

意法半导体内置机器学习内核的MEMS传感器为开发人员提供广泛的设计可能性,使其能够创建自己的嵌入式机器学习算法,并为应用构建最佳决策树。

传感器中的决策树 收集数据 标记数据 构建决策树 嵌入决策树 处理新数据

使用我们推荐的工具,分五个步骤构建决策树

收集数据

对于任何机器学习分类,第一步都是为要建模的运动相关应用收集代表性数据集传感器数据可以使用多种应用程序(如Unico-GUI、ST BLE Sensor应用)或只使用AlgoBuilderSuite,并搭配不同的硬件设备进行收集和标记,所用硬件设备可以是ProfiMEMS开发板 (STEVAL-MKI109V3)、SensorTile.Box、Nucleo板或STWIN等,具体取决于所选的传感器。

物理参数包括加速度温度声音压力和磁场等,取决于具体应用。

观看分步教程:数据收集

对数据和配置特征进行标记和过滤

在收集数据后,会为与识别的结果有关的每种统计数据模式分配一个标签,如“慢跑”或“失效模式”。然后,可以配置计算模块(即过滤器和特征)。特征为根据指定的时间窗口中的输入数据(或滤波后的数据)计算出的统计参数,时间窗口可由用户根据具体应用设置。

观看分步教程:数据标记和特征提取

构建决策树

使用机器学习工具(如Unico-GUI、Weka、Rapidminer、Matlab、Python)执行数据挖掘任务,以生成设置并确定训练数据集的限制,从而构建可识别待检测运动数据类型的决策树。

观看分步教程:设备树生成

将决策树嵌入到MLC中

然后,Unico-GUI、Weka或类似工具将生成一个配置文件,将该配置文件上传到传感器后,准备工作即告完成。

观看分步教程:注册和配置测试

使用经过训练的决策树处理新数据

最后,当器件编程完成后,可以在应用中使用指定的经过训练的决策树处理机器学习内核结果。 

进一步了解决策树生成

下载设计建议

工具和软件

机器学习入门的最佳方法为,借助意法半导体辅助性工具和软件,为具体应用选择适当的解决方案。

MEMS和传感器机器学习生态系统产品围绕以下三个目标构建:




评估
专业MEMS工具可以帮助工程师监控意法半导体MEMS传感器的行为,从而缩短上市时间,并最大限度地提高新产品设计的性能。




开发
STM32开放式开发环境将STM32 32位MCU系列与MEMS传感器和其他通过扩展板连接的意法半导体组件集于一身,为开发基于MEMS的应用提供了一种简单、灵活的开放式方法。




构建原型
我们的小尺寸参考设计套件针对基于运动和环境传感器数据的先进消费类应用和工业IoT应用,可简化此类应用的原型设计与测试。



评估

意法半导体的MEMS与传感器评估套件包括3个主要组件:

  • 专业母板,基于高性能32位微控制器
  • 全套适配器板,用于评估意法半导体的任何MEMS传感器
  • 直观的图形用户界面软件包,用于实时访问传感器配置寄存器并进行传感器数据分析。
STEVAL-MKI109V3
STEVAL-MKI109V3
MEMS产品评估板
典型的MEMS传感器适配器

专业MEMS母板

产品评估适配器板

软件


开发


STM32 Nucleo板扩展板组合使用,可形成一种统一的可扩展方案,为应用开发提供了无限可能。

图形用户界面 (GUI) 软件功能齐全,可对机器学习开发与传感器数据分析进行管理。

此外,我们还提供一套功能包,在单个软件包中囊括了底层驱动、中间件库和示例应用。功能包有助于快速启动预集成传感器应用实例的实施和开发

STM32 Nucleo扩展板
STM32 Nucleo扩展板

STM32 Nucleo扩展板

软件

功能包

构建原型

为快速构建原型,可以选择意法半导体的小尺寸板,这种即用型开发套件可简化先进应用的原型设计,几乎不需要甚至完全不需要编写代码。

这些板件可在图形用户界面 (GUI) 支持下实现传感器数据分析,并可与智能手机应用程序绑定。功能包带预集成示例,可以帮助用户构建自定义应用。

小尺寸板


SensorTile.box

最新的STWIN

软件

功能包

资源

下方列出了建议参考的机器学习内核相关技术文档。

已选中00个要下载的文件

应用笔记

  说明 操作
AN5259
LSM6DSOX:机器学习内核
PDF
AN5393
LSM6DSRX:机器学习内核
PDF
AN5392
ISM330DHCX:机器学习内核
PDF
AN5536
IIS2ICLX:机器学习内核
PDF
AN5656
LSM6DSO32X:机器学习内核
PDF
AN5781
ASM330LHHX:机器学习内核
PDF
AN5259

LSM6DSOX:机器学习内核

AN5393

LSM6DSRX:机器学习内核

AN5392

ISM330DHCX:机器学习内核

AN5536

IIS2ICLX:机器学习内核

AN5656

LSM6DSO32X:机器学习内核

AN5781

ASM330LHHX:机器学习内核

用户手册

UM1049

Unico GUI

  说明 操作
UM1049
Unico GUI
PDF
 
UM2128
Unicleo-GUI
PDF
UM2128

Unicleo-GUI

技术笔记

  说明 操作
TN0019
采用QFPN封装的MEMS传感器的表面贴装指南
PDF
TN0019

采用QFPN封装的MEMS传感器的表面贴装指南

设计建议

  说明 操作
设计建议139
决策树生成
PDF
设计建议141
如何在STM32CubeIDE项目中导入STMems_Standard_C_drivers
PDF
设计建议139

决策树生成

设计建议141

如何在STM32CubeIDE项目中导入STMems_Standard_C_drivers

宣传单

  说明 操作
ISM330DHCX
iNEMO 6轴惯性模块,内嵌工业物联网机器学习内核
PDF
LSM6DSOX
iNEMO 6轴惯性模块,内嵌机器学习内核
PDF
LSM6DSRX
iNEMO 6轴惯性模块,内嵌机器学习内核
PDF
IIS2ICLX
2轴高精度测斜仪,内嵌机器学习内核
PDF
ISM330DHCX

iNEMO 6轴惯性模块,内嵌工业物联网机器学习内核

LSM6DSOX

iNEMO 6轴惯性模块,内嵌机器学习内核

LSM6DSRX

iNEMO 6轴惯性模块,内嵌机器学习内核

IIS2ICLX

2轴高精度测斜仪,内嵌机器学习内核

演示文稿

  说明 操作
iNEMO
惯性模块:面向机器学习的工具和GUI
PDF
LSM6DSOX iNEMO
*惯性模块:面向机器学习的评估工具和GUI
PDF
ISM330DHCX工具和GUI
工具和GUI
PDF
LSM6DSRX iNEMO
惯性模块:面向机器学习内核的工具和GUI
PDF
IIS2ICLX
高精度测斜仪 - 优势和益处
PDF
iNEMO

惯性模块:面向机器学习的工具和GUI

LSM6DSOX iNEMO

*惯性模块:面向机器学习的评估工具和GUI

ISM330DHCX

工具和GUI

LSM6DSRX iNEMO™

惯性模块:面向机器学习内核的工具和GUI

IIS2ICLX

高精度测斜仪 - 优势和益处

机器学习资源

意法半导体面向机器学习的MEMS和传感器生态系统在不断发展壮大。 意法半导体Github资源库中提供了一些示例。

GitHub MLC项目

意法半导体MLC GitHub资源库中,提供了参考配置示例,其中详细给出了决策树构建过程。其中还提供一些应用示例,如人类活动识别、健身活动识别、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。

视频

 

网络研讨会

活动 地点
在内嵌机器学习内核的传感器中构建决策树 在线研讨会录播
使用内嵌机器学习内核的传感器将深度AI引入边缘 在线研讨会录播
在传感器中实现AI以开发高效的个人电子设备应用 在线研讨会录播
仅使用传感器中的机器学习内核实现用于资产跟踪的AI 在线研讨会录播
使用MEMS传感器中的边缘AI实现预测性维护 在线研讨会录播
使用智能传感器实现智能访问监控 在线研讨会录播


与我们保持联系:

通过以下方式与我们保持联系,确保掌握最新信息:

 


加入MEMS和传感器社区,了解新产品资讯、分享见解或向我们的专家团队咨询技术问题。或者,订阅我们的MEMS和传感器季度新闻通讯。

Get the latest MEMS & Sensors news
delivered to your inbox