我們生活在一個特定的世界，幾乎每個人都在談論數據和潛在價值。繪制大量的原始數據是復雜且難以解釋的。近年來，學習機器使我們能夠實現在線公司迄今為止所做的大部分價值，但現在它們正在擴展到物理世界。然而，對于許多人來說，傳感器數據和集成KI模型之間的路徑似乎幾乎無法逾越。

WriTIngembeddedsoftwareisnotoriouslyTIme-consuming,andisknowntotakeatleast10-20TImeslongerthandesktopsoftware被發(fā)展的狀態(tài)開發(fā)區(qū)[1].Itdoesnothavetobethatway.Here,wewillwalkyouthrougharealAIproject—fromtoembeddedapplicaTIon—usingourefficient,time-savingmethod.

今天，處理和解釋傳感器數據的絕大多數軟件都是基于傳統(tǒng)的方法：變換、濾波、統(tǒng)計分析等。這些方法是由一個人設計的，他參考他們的個人領域知識，在數據中尋找某種“指紋。通常，這種指紋是數據中事件的復雜組合，需要機器學習才能成功地解決問題。

Tobeabletoprocesssensordatainreal-time,themachinelearningmodelneedstorunlocallyonthechip,closetothesensoritself—usuallycalled“theedge.”Here,weexplainhowamachinelearningapplicationcanbecreated,fromtheinitialdatacollectionphasetothefinalembeddedapplication.Asanexample,welookataprojectweatImagimobcarriedouttogetherwiththeradarmanufacturerAcconeer.

（左）Acconeer生產世界上最小、最節(jié)能的產品雷達系統(tǒng)。

在2019年，Imagimob與Acconeer合作，創(chuàng)建了一個帶有手勢識別的嵌入式應用程序。兩家公司都專注于為小型電池供電設備提供解決方案，對能源效率、處理能力和BOM成本提出了極端要求。我們的目標硬件包含一個基于ArmCortex-M0-M4架構的MCU，它提供了市場上最節(jié)能的平臺。對于我們Imagimob來說，邊緣計算幾乎已經成為最小ArmCortexM系列MCU上的高級計算的同義詞。重要的是，能夠運行我們的應用程序在下端的ArmCortexM系列MCU，因為它向世界表明，我們正在瞄準地球上最小的設備。這就是我們希望從市場角度出發(fā)的地方。

Acconeer生產世界上最小、最節(jié)能的雷達系統(tǒng)。數據包含大量信息，對于手勢控制等高級用例，需要復雜的解釋。在數據輸出流的頂部運行機器學習軟件對這些案例有很大的好處。因此，Imagimob-Aconeer協(xié)作在創(chuàng)建全新的和創(chuàng)造性的嵌入式應用程序方面是一個很好的匹配。

我們與Acconeer的項目的目標是創(chuàng)建一個嵌入式應用程序，該應用程序可以使用雷達數據實時分類五種不同的手勢（包括用于喚醒應用程序的一個手勢）。由于雷達體積小，可以放置在一對耳機中，手勢將作為虛擬按鈕來引導功能，通常被編程成物理按鈕。該項目的最終產品被確定為一個運行在ArmCortex-M4架構上的C庫，該庫于2020年1月在拉斯維加斯的CES上被展示為一個健壯的現場演示。對于演示，我們使用耳朵耳機。然而，我們的長期產品目標是在耳內耳機中使用這項技術。我們認為，手勢檢測特別會改變耳內耳機的可用性，因為它們的面積有限，這使得物理按鈕的放置變得困難。

在其核心，（監(jiān)督）機器學習是關于找到一個函數(F)，根據y=f(X)將一些輸入數據(X)映射到一些輸出數據(Y)。該函數或“模型”是通過處理許多不同的輸入/輸出對(x，y)和“學習”它們之間的關系來找到的。如果y是一個連續(xù)的值，那么這個問題被稱為回歸問題。但如果y取離散值，則被認為是一個分類問題。因此，機器學習項目的第一步是收集這些數據對。模型構建是第二步。嵌入式項目的最后一步是在目標平臺上部署模型。下面，我們以手勢識別項目為指導示例，通過這些步驟。

機器學習項目的第一步是收集數據對。模型構建是第二步，a嵌入式項目的最后一步是在目標平臺上部署模型。

（左）我們?yōu)槌跏茧A段建造了一個粗糙的試驗臺datacollectionwhich由雷達傳感器組成安裝在上面development板和放置在一個一對耳機。

從表面上看，數據收集似乎不是一項艱巨的任務。但這一步通常被低估了，根據我們的經驗，這是大部分時間都花在這里的。首先要考慮的是如何從傳感器中物理地獲取數據。許多傳感器帶有一個開發(fā)板，可以從中提取數據，通常是通過某種電纜連接到PC機。對于手勢識別項目，我們搭建了一個粗糙的試驗臺，用于初始數據采集，由安裝在開發(fā)板上的雷達傳感器組成，放置在一對耳機上，如下圖所示。在這種情況下，我們使用了AcconeerXM112雷達傳感器和XB112突破板。

接下來要考慮的是如何有效地標記數據。換句話說，你需要弄清楚如何為每個“x”標記適當的“y”。這可能看起來很瑣碎，但當涉及到最小化這一步所需的人工工作量時，這是至關重要的?？紤]到大量的數據，如果您不能正確地理解這一點，它將成為一項非常耗時的任務。對于傳感器時間序列數據，通常不可能僅僅通過查看數據來標記數據，否則，例如圖像數據可能是可能的。

幫助標記過程的一種方法是將視頻記錄附加到數據中。ImagimobCapture是一個Android應用程序，它將同步視頻記錄附加到每個傳感器數據流中。標簽可以直接在應用程序中完成，也可以在桌面應用程序ImagimobStudio中完成。在我們的雷達手勢識別項目中，數據流看起來如下：

雷達手勢識別項目中的數據流。

在這里，數據從傳感器，帶有USB串口，發(fā)送到PC。在PC上，服務器運行并將數據發(fā)送到手機上的ImagimobCapture，而手勢則被視頻記錄。標記的數據，連同其視頻記錄，然后發(fā)送回PC，或云存儲，如果數據是遠程收集。從存儲中，數據可以下載到ImagimobStudio，當它是建模階段的時候。

我們定義了以下一組手勢（“覆蓋傳感器”僅用于喚醒應用程序），并記錄了大約七個不同的人的數據。

從七個不同的人記錄了上述一組手勢的數據。

數據收集過程的一個例子如下圖所示。手勢識別模型僅限于特定的手勢，但可以很容易地用其他手勢進行再訓練。

手勢數據采集過程的一個例子。

一旦數據到位并貼上標簽，就該建立機器學習模型了。通常，人們開始建立模型只是為了很快意識到他們需要調整一些標簽。你是做什么的？手動進入并編輯文本文件和更新數據是很麻煩的，這是我們都希望盡可能避免的。相反，圖形工具是可取的。ImagimobStudio將數據與視頻記錄一起加載，并允許用戶以圖形方式拖動和修剪標簽。一個例子，以一個記錄的手勢，顯示在下面的圖像。視頻與綠色數據一起可見。在底部，藍色的標簽顯示出來，我們可以看到它們緊緊地放在手勢周圍（非零數據）。

ImagimobStudio將數據與視頻記錄一起加載，并允許用戶以圖形方式拖動和修剪標簽。這是一個有記錄的手勢的例子。

如果數據已經在ImagimobCapture中預先標記，那么通過文件并確保數據是正確的，并且標簽已經到位，這是一個相對較小的任務。沒有正確標記的數據，很難找到一個好的模型。找到一個高精度的好模型通常需要多次迭代和實驗。首先要決定使用什么機器學習技術，例如隨機森林、支持向量機或人工神經網絡等。在過去的幾年里，深度學習由于具有原始數據的令人印象深刻的學習能力而受到歡迎。深度學習的主要吸引力之一是它排除了手動查找功能的需要，這是更傳統(tǒng)的機器學習方法所需要的。它具有提高精度和消除大量手工工作的潛力。然而，仍有許多所謂的超參數有待選擇，例如網絡的體系結構、所謂的學習率和許多其他參數。

在ImagimobStudio中，用戶經歷了構建深度神經網絡的過程。用戶定義要試用多少種不同類型的超參數，然后程序自動搜索所有組合并保存最佳模型。

在ImagimobStudio中，用戶被引導通過構建深度神經網絡的過程。用戶定義要試用多少種不同類型的超參數，然后程序自動搜索所有組合并保存最佳模型。

一旦您對模型的健壯性感到滿意，就該是過程中的最后一步了：將模型導出到C代碼并為嵌入式硬件構建庫。

當從PC環(huán)境中的高級語言軟件開發(fā)到微控制器(MCU)上的低級編程時，復雜性急劇增加。發(fā)育時間增加的因子為10-20并不少見[1]。例如，障礙可能包括更難的內存和處理限制，更長的調試周期，以及更難找到的更糟糕的錯誤類型。

在ImagimobStudio中，以.h5文件形式訓練的模型很容易轉換為特定硬件類型的C代碼，如“Edge”選項卡所示。

在ImagimobStudio中，以.h5文件形式(用于從Tensorflow、Keras和其他深度學習框架導出模型權重和體系結構的通用格式)的經過訓練的模型可以很容易地轉換為特定硬件類型的C代碼，如上一幅圖像中的“Edge”選項卡所示。

然后編譯C代碼并將其閃爍到硬件上。我們通常構建一個庫，可以集成到C應用程序中。右邊，可以看到現場演示的嵌入式版本。它有一個電池驅動的Acconeer物聯網模塊XM122與藍牙連接。人工智能應用程序運行在XM122模塊上，其中包括來自北歐半導體的NRF52840SoC，該模塊基于ArmCortexM4MCU。

現場演示的嵌入式版本。

在這里，你可以看看最后的演示：

圖像手勢檢測庫的核心是針對時間序列數據的人工神經網絡。它是專門設計的，腦海中有一個小的記憶足跡。庫用C編寫并在靜態(tài)庫中編譯，然后與主AcconeerC應用程序一起編譯。 ·TheGesturedetectionlibraryusesradardatafromtheAcconeerXM122IoTModuleasinput ·Thememoryfootprintofthegesturelibraryisapproximately80kBRAM ·Thelibraryrunsona32-bit64MHzArmCortexM4MCUwith1MBFlashand256kBRAM ·Thelibraryprocessesroughly30kBofdatapersecond ·TheexecutiontimeoftheAImodelisroughly70mswhichmeansthatitpredictsagestureatapproximately14.3Hz

在2020年6月，由Imagimob、Acconeer和Flexworks組成的一個財團從瑞典Vinnova獲得了價值45萬$的贈款，以采取下一步建設gesturhe控制的耳內耳機。Acconeer將覆蓋傳感部分，Flexworks將負責硬件和力學，我們在Imagimob將開發(fā)手勢檢測應用程序。在這個項目中，我們不僅將建立第一個手勢控制的耳內耳機，而且我們還將致力于一個硬件加速系統(tǒng)的機器學習代碼在單片機上。我們將繼續(xù)使用ArmCortexM系列，并受益于Arm提供的先進解決方案。

John malm digital analysis and development algorithmus擔任imagimob machines的學習開發(fā)者[（1）]麥康奈爾，史蒂夫，軟件評估，秘密黑藝術，微軟出版社，2006年