為智能實時系統做好準備

智能正在迅速從云端走向邊緣?，F在是時候開始了解智能實時系統了。

美國國稅局即將到來!事實上，它已經在這里，不幸的是，嵌入式系統工程師已經被抓住并且打瞌睡。您可能已經猜到了，我不是在談論內部收入服務，而是智能實時系統(IRS)。智能實時系統是基于微控制器的設備，能夠通過運行常駐人工智能算法(AI)學習使用數據。

團隊可以通過兩種不同的方式在其產品中利用人工智能。第一個，也是過去十年中最現實的，一直是在云中執行AI算法。云提供了一個獨特的平臺，與微控制器上的處理相比，處理能力似乎無限。機器學習(ML)算法可以提供有數據并且被訓練以識別否則開發者幾乎不可能編程的模式(想想手寫字符識別)。

在云中使用機器學習的系統仍然可以使用實時嵌入式系統來收集數據，但是然后將該數據發送到云進行處理，然后任何返回響應將被中繼回嵌入式系統。正如讀者可以想象的那樣，這不是一個實時或確定的操作。但是，在可預見的未來，使用云已經并將繼續在應用程序中工作。

贊助商內容Mouser為您提供的

多傳感器模塊緩解室內農業設計挑戰

使用多傳感器模塊，例如TE Con??nectivity的AmbiMate，是簡化基于受控環境農業(CEA)的工程和發布技術以進一步幫助和養活全世界的重要一步。

第二種方法通常是大多數系統無法實現的，它是處理數據并在微控制器上執行機器學習算法。這是一個更有趣的解決方案，因為它消除了如果需要在云中處理數據則可能存在的延遲。由于以下幾個原因，這里的企業潛力巨大：

不再需要可降低物料清單(BOM)成本和系統復雜性的互聯網連接

降低云服務和數據處理計劃的運營成本

離線產品差異化

減少加工延遲和能耗

提高產品可靠性和潛在安全性

在確定性的實時系統中使用機器學習

在撰寫本文時，圍繞AI的微控制器問題僅僅持續了大約一年。將智能推向邊緣似乎更適合應用處理器，它比微控制器具有更強大的功能。那么我們真的有多接近智能實時系統?

答案將根據您與誰交談以及最終應用程序的不同而有很大差異，但讓我提供一些當前可供開發人員使用的快速示例。

首先，ARM發布了CMSIS-NN，這是一個C庫，用于在Cortex-M處理器上運行低級優化的神經網絡算法。這允許開發人員設計和訓練他們的高級機器學習算法，然后將它們部署到微控制器上。這可以被認為是在沒有云的情況下以有效的方式運行機器學習的必要基礎。

其次，已經有幾種產品可以在資源受限的環境中利用CMSIS-NN。一個很好的例子是OpenMV，它是一個基于STM32的相機模塊，并為諸如“”之類的功能提供本地處理。

機器視覺是許多實時嵌入式系統所需的領先智能功能。

相關文章：

在Cortex-M處理器中使用ARM TrustZone的5個技巧/ a>

深入研究ARMv8-M的TrustZone

5學習Python的資源

最后，幾家不同的硅制造商正在建立基礎設施，以便在微控制器上更容易獲得機器學習。ST Microelectronics于2019年1月剛剛宣布推出STM32CubeMX AI擴展，為AI提供神經網絡工具箱。這些類型的工具不僅可以在微控制器上訪問AI，而且可以快速推動可開發系統類型的革命，并且可能很好地挑戰許多公司目前正在為其產品實施的業務模型。

正如我們所看到的，情報正在迅速從云端走向邊緣。雖然可能有些人一直希望邊緣的情報只是一種營銷時尚而且會逐漸消失，但技術事實很快就表明，如果這些功能尚未推出，這些功能很快就會推出。現在是時候開始了解這些技術，以及如何將它們集成到您的路線圖中，為時已晚。

Jacob Beningo是一名嵌入式軟件顧問，目前與十幾個國家的客戶合作，通過提高產品質量，成本和上市時間來大幅改變他們的業務。他發表了200多篇關于嵌入式軟件開發技術的文章，是一位廣受歡迎的演講者和技術培訓師，擁有三個學位，其中包括密歇根大學的工程碩士學位。請隨時通過jacob@beningo.com或他的網站與他聯系，并注冊他的每月Embedded Bytes時事通訊。