概述
传感器
开始
工具与软件
资源
网络研讨会
与Qeexo合作
 

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(内嵌机器学习核心的(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地减少了系统数据传输量,降低了网络处理负担。 

附加价值:

  • 功耗得以降低
  • 精度有所提高(环境检测能力)
  • 边缘到边缘AI
machine learning artificial intelligence

带嵌入式机器学习核心的传感器

所有带嵌入式机器学习核心的意法半导体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,可为开发人员提享受更多灵活性,以便实现其深度边缘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 + 85°C 0.55 mA组合
LSM6DSO32X 消费电子 iNEMO惯性模块(IMU) 256个节点 ± 2000 dps; ± 32 g -40°C + 85°C 0.55 mA组合
LSM6DSRX 消费电子 iNEMO惯性模块(IMU) 512个节点 ±4000 dps, ±16 g -40°C + 85°C 1.2 mA组合
ISM330DHCX 工业 iNEMO惯性模块(IMU) 512个节点 ±4000 dps, ±16 g -40°C + 105°C 1.2 mA组合
IIS2ICLX 工业 加速度计 512个节点 ±3 g -40°C + 105°C 0.42 mA

意法半导体传感器中的机器学习内核

我们内嵌机器学习核心的最新一代意法半导体传感器由三个模块组成。

machine learning sensor building blocks

内置传感器(加速度计和陀螺仪)过滤实时运动数据,再将运动数据发送至计算块,并在其中将定义为“特征”的统计参数应用于捕获数据。然后,将计算块中聚合的特征用作第三个块的输入。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: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。

Decision Tree in SensorsCapture Data Label Data Build Decision Tree Embed Decision Tree Process New Data

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,第一步都是要为建模的运动相关应用收集代表性数据集。可使用各种应用程序(如Unico-GUI、ST BLE Sensor应用程序)来收集和标记传感器数据,或只使用AlgoBuilderSuite以及不同的硬件设备,具体取决于所选传感器,如ProfiMEMS板(STEVAL-MKI109V3)、SensorTile.Box、Nucleo板或STWIN。

物理参数示例包括加速度温度声音压力和磁场,具体取决于您的应用。

Watch 观看分步教程:数据采集

标签和过滤器数据与配置特征

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,可以配置计算块(即过滤器和特征)。特征为定义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,用户可根据具体应用设置这些参数。

Watch 观看分步教程:标记与特征提取

构建决策树

使用用于数据挖掘任务(如Unico-GUI、Weka、Rapidminer、Matlab、Python)的机器学习工具,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。

Watch 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。

Watch 观看分步教程:注册和配置测试

使用受过训练的决策树处理新数据

最后,当器件被编程后,可以在应用中使用定义的已训练决策树处理机器学习核心结果。 

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,为您的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工具使工程师可以监控意法半导体MEMS传感器的行为,从而缩短上市周期,并最大限度地提高新产品设计的性能。

 


 

开发
通过将STM32 32位MCU系列与MEMS传感器以及由扩展板连接的其他意法半导体组件相结合,STM32开放式开发环境为MEMS应用的开发工作提供了一种开放、灵活且简单的方法。

 


 

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,简化了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
  • 全套适配器板可用于评估任何意法半导体MEMS传感器
  • 直观的图形用户界面软件包,用于直接实时访问传感器配置寄存器并执行传感器数据分析。
STEVAL-MKI109V3
STEVAL-MKI109V3
MEMS product evaluation board
典型MEMS传感器的适配器

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,是一种统一的可扩展方案,为应用开发提供了各种可能。

图形用户界面(GUI)软件功能齐全,可管理机器学习开发与传感器数据分析。

此外,我们还提供一套功能包,以便将底层驱动、中间件库和示例应用组合到单个软件包中。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 Expansion Board
STM32 Nucleo扩展板

STM32 Nucleo扩展板

软件

功能包

构建原型

要快速构建原型,您可以选择意法半导体的小尺寸板、即用型开发套件,以简化先进应用的原型设计,只需很少甚至无需编码。

图形用户界面(GUI)支持这些板件,可用于传感器数据分析 并与智能手机应用绑定。带预集成示例的功能包可帮助您构建自定义应用。

小尺寸板


SensorTile.box

最新的STWIN

Software

功能包

资源

以下是机器学习内核的推荐技术文档列表。

00 个文件已被选择下载

应用笔记

  说明 Action
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
AN5259

LSM6DSOX:机器学习内核

AN5393

LSM6DSOX: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

用户手册

  说明 操作
UM1049
Unico GUI
PDF
UM1049

Unico GUI

技术笔记

  说明 Action
TN0019
QFPN封装中MEMS传感器的表面贴装指南
PDF
TN0019

QFPN封装中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,内嵌物联网机器学习内核
PDF
LSM6DSOX
具有机器学习内核的iNEMO 6轴惯性模块
PDF
LSM6DSRX
具有机器学习内核的iNEMO 6轴惯性模块
PDF
IIS2ICLX
2轴,高精度测斜仪,支持嵌入式机器学习
PDF
ISM330DHCX

iNEMO 6轴惯性模块,内嵌物联网机器学习内核

LSM6DSOX

具有机器学习内核的iNEMO 6轴惯性模块

LSM6DSRX

具有机器学习内核的iNEMO 6轴惯性模块

IIS2ICLX

2轴,高精度测斜仪,支持嵌入式机器学习

演示文稿

  说明 操作
iNEMO
面向机器学习的惯性模块工具和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
机器学习内核的惯性模块工具与GUI
PDF
IIS2ICLX
高精度测斜仪 - 优势与好处
PDF
iNEMO

面向机器学习的惯性模块工具和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™

机器学习内核的惯性模块工具与GUI

IIS2ICLX

高精度测斜仪 - 优势与好处

机器学习资源

我们面向的机器学习MEMS与传感器生态系统在不断发展。我们的 意法半导体Github库中有多个示例

GitHub MLC项目

在我们的意法半导体MLC GitHub库中,您可以找到参考配置示例,其中具有涉及决策树构建过程的全面细节。您也将找到应用示例,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。为快速开始每个示例,README文件提供了详细信息。

视频

 

网络研讨会

活动 地点
带机器学习内核的传感器中的项目决策树 点播式在线研讨会
使用带机器学习内核的传感器使AI深入到边缘 点播式在线研讨会


与我们保持联系:

利用以下方式确保您掌握最新信息:

 


加入MEMS和传感器社区可了解新产品资讯,分享您的见解或向我们的专家团队询问您的技术问题。或订阅我们的MEMS和传感器季刊。

Get the latest MEMS & Sensors news
delivered to your inbox