自带AI功能的新一代传感器
ST发布了可机器学习的LSM6DSOX传感器，LSM6DSOX传感器内部集成一个机器学习内核，可根据已知运动模式对运动数据进行分类处理，接替主处理器处理运动跟踪的第一阶段任务，这种方法可以节能降耗，加快健身记录、健康监测、个人导航、跌倒检测应用等运动类应用程序的运行速度。
该传感器易于集成到主流移动平台(例如：Android和iOS)上，可简化消费、医疗和工业智能设备使用流程。LSM6DSOX包含一个3D MEMS加速度计和3D MEMS陀螺仪，并使用机器学习内核跟踪复杂的运动，具备市场上功耗最低的惯性测量单元 (双模高性能功耗0.55 mA )，传感器硬件运行机器学习算法节能10到1000倍(相对于应用处理器方法)。
机器学习内核与传感器集成的有限状态机逻辑(finite-statemachine logic)协同工作，执行运动模式识别或振动检测功能。使用LSM6DSOX创建运动跟踪产品，可以用开源PC应用程序Weka，或者云端神经网络对机器学习内核进行决策树分类培训，从样本数据生成设置参数和限值，例如，用于表征被检测运动类型的加速度、速度和磁倾角。
因为支持自由落体检测、唤醒、6D/4D方向检测、单击和双击中断，LSM6DSOX可用于运动跟踪外的其它的多种应用。辅助输出和配置选项还简化其光学防抖(OIS)应用。
传感器架构
LSM6DSOX iNEMO 是一个系统级封装 (SiP)，在一个接点栅格阵列 (LGA) 封装中整合了微机电系统 (MEMS) 传感器、专用的信号链、滤波器和专用的计算引擎，体积仅为 2.5 x 3.0 x 0.83 mm。该器件还具有内置的三轴加速计和三轴数字陀螺仪 MEMS 传感器，因此可以将其配置为一个传感器中枢，用来通过专用的中枢寄存器单独安排最多四个外部传感器的运行。
LSM6DSOX 采用与以前的 STMicroelectronics LSM6DSO 相同的架构，可提供早期器件的所有功能和特性。不过，LSM6DSOX 让 STMicroelectronics 在早期的器件中提供的有限状态机 (FSM) 具备了机器学习 (ML) 内核，可通过最多 8 个决策树对数据集进行分类。即使不激活 FSM 和 ML 内核能力，开发人员也可以实现高级运动检测能力，这要归功于用于预处理 MEMS 传感器数据的高级信号链。
与很多高级传感器一样，LSM6DSOX 架构也具有多级信号链，可以将模数转换器 (ADC) 与多个滤波级组合在一起。
决策树
LSM6DSOX 的 ML 内核提供了基于传感器的处理，且其处理能力远远超过很多高级智能传感器中常用的参数化阈值设置。使用 ML 内核，开发人员可以在该器件中实施复杂的检测算法，以便在无需唤醒微控制器的情况下始终开启复杂运动事件检测。为此，ML 内核利用决策树，基于输入数据的模式来识别事件。
决策树已经在决策支持系统中使用多年，其会对照预定义的条件测试输入数据或属性，以便将复杂的决策分解成一系列选择。从初始节点或根开始，对属性的值进行测试，并根据结果确定是否继续前往特定的子节点。
软硬件工具
STMicroelectronics 官方提供了配套的软硬件工具，开发人员可以通过该工具对数据进行采集、演示。对于硬件平台，开发人员只需将 STEVAL-MKI197V1 的 LSM6DSOX 适配器板插入到 STEVAL-MKI109V3 评估主板中。对于软件，开发人员可以使用 STMicroelectronics 免费提供的 Unico 软件工具，此工具具有 Windows、Mac OSX 和 Linux 版本。
总结
用户需要始终开启运动跟踪和更长电池续航时间，这为健身设备和其他小型可穿戴设备的开发人员带来了似乎无法克服的冲突。尽管很多高级传感器都能提供一定水平的独立于处理器的运动检测，但由于用户需要始终开启对更复杂运动的检测，因此一些新兴的应用抛弃了这种方法。
使用 STMicroelectronics 的 LSM6DSOX 运动传感器提供的机器学习能力，开发人员可以解决始终开启跟踪与更长电池续航时间之间的冲突，从而构建更加高级并能够感知活动的健身腕带和其他可穿戴设备。
评论