在边缘部署智能所面临的最大挑战之一就是保持能耗受控。 智能决策处理任务繁多,从而导致高能耗。

 

英特尔® Quark™ SE微控制器C1000采用创新的模式匹配引擎和智能传感器子系统解决了这一难题。 图1展示了使用模式匹配引擎的处理器并用橙色突显了传感器子系统。

图1: 英特尔® Quark™ SE微控制器包括一个模式匹配引擎和传感器子系统。

 

借助新的模式匹配引擎,英特尔Quark SE微控制器在不需要主要处理器核心的情况下就可以对传感器数据进行简单模式检测。 振动、温度、电流等情况可直接由传感器子系统传到模式匹配引擎。 引擎一旦发现它在寻找的模式,就会向主要处理器触发一个唤醒事件。 这时处理器就会按需采取操作——如启动某个设备或向维修人员发送消息。

 

传感器子系统还能在没有主要核心的情况下独立运行。 该系统的关键在于一个32位的ARC EM DSP核心,它可以卸载主核心的传感器处理任务。 这样主核心就能保持休眠模式,直到传感器处理完成。

DSP核心的硬件支持各种运算,如乘积累加、分数运算、浮点、除法、平方根及三角函数。 这些运算能力使核心能够进行原始信号处理和信号调节,如传感器融合、数据平均、筛选、抗干扰及纠错。

 

模式匹配引擎内部

 

尽管为DSP编过程序的人都对传感器子系统比较熟悉,但模式匹配引擎更新颖。 模式匹配引擎的主要特点是有128个神经元,可进行两种类型的模式识别:K最近邻(KNN),输入内容包括K最邻近训练样例,以及径向基函数(RBF),它根据与原点的距离对新实例进行正确分类。

 

在处理完一个模式后,引擎会返回以下三种状态之一:已识别、不确定或未知。 可编程多达32,768个识别类别。

 

编程时,链上的神经元有三种状态:空闲、准备学习(RTL)和已学习(见图2)。当它学会一种模式后即会变成"已学习"状态。这时控制线就会由"准备学习"变为"已学习"模式。然后链上的下一个神经元就会变成"准备学习"状态。"已学习"的神经元内容——通过学习样例自动建立的知识——可以进行保存和恢复。

图2:神经元的三种状态(来源:General Vision)

 

神经元通过样例得以训练,自动决定何时有必要学习新神经元和/或更正已有神经元。 在这个学习的过程中,只有新颖性——新信息——才能产生一个新的已学习神经元。

 

当出现新的学习样例时,神经网络首先是去识别它。 如果经一个或多个神经元识别后,对其类别归属无异议,那么这个样例就会被抛弃,因为它不能给已有知识库中增加任何新信息。 如果这个样例没有被任何已有神经元识别出来,那么就会自动增加一个新神经元到神经网络中来存储这一新样例及其值。

 

边缘智能实践

 

位于都柏林的Firmwave公司利用了这些功能,在其Edge 3.0无线传感器平台上搭载了该款处理器(图3)。Firmwave* Edge支持Zigbee*、 Thread、 RFID、 NFC、 Wi-Fi、 Bluetooth*、 LoRa*、 SIGFOX*以及蜂窝连接。它自带许多板载传感器,包括温度、湿度、光线、压力、位置、加速度及一个36针的扩展连接器,以提供更好的灵活性和扩展性。

图3:Firmwave的Edge无线传感器平台针对低功率进行了优化。

 

Firmwave的CTO和共同创始人Adrian Burns说,他们公司之所以对英特尔Quark SE微控制器感兴趣,主要是想借助其板载传感器子系统快速进行数据分类,卸载核心的任务量,从而使处理器在低功率模式下保持更长时间。 他说:"我们只有在对云端或网关进行数据连接时才会唤醒处理器,这样Firmwave Edge用户就能减少能耗。

 

" Burns指出,公司的工程设计在功率优化上下了很大功夫。 一旦看到能够减少能耗的机会,他说他们就会像英特尔Quark SE微控制器那样"全力以赴"。

 

以更智能的方式实现边缘智能

 

从很多方面来说,英特尔Quark SE微控制器都与英特尔传统方式有很大不同。 通过在传感器子系统中增加模式匹配引擎和DSP核心,为主核心减少大量处理任务,而主核心是英特尔一直专注的部件。 很明显,这种新方法能够以更低的能耗完成更高智能的工作。 如何将这些新功能付诸实用将令人非常期待。

了解更多

联系推荐的联盟成员:

此博客中的解决方案:相关主题:

Firmwave是Intel®物联网解决方案联盟的General级会员。