1. 课程导入：学习目标、核心概念、整体框架——理解低功耗推理在Arduino上的重要性与应用场景
在物联网与边缘计算快速融合的今天，大量基于Arduino的终端设备正从单纯的“数据采集器”演变为具备本地智能的“边缘推理节点”。无论是农田里的土壤监测站、仓库中的温湿度记录仪，还是佩戴在身上的健康手环，这些设备都面临一个共同的硬约束：电池容量有限，而推理任务需要持续消耗能量。低功耗推理（Low-Power Inference）并非简单地把模型塞进单片机，而是在算力、内存、能耗与任务时效之间寻找最优平衡点。本章作为整个课程的开篇，将帮助你建立全局视野：明确学习目标、厘清核心概念、搭建课程框架，并深入理解为什么低功耗推理在Arduino平台上如此关键。
1.1 学习目标：从“能跑模型”到“能跑得久”
本课程的学习目标不是简单地教会你在Arduino上部署一个神经网络，而是帮助你建立一套完整的低功耗推理系统工程思维。具体而言，完成本章及后续学习后，你应该能够：
- 量化功耗预算：能够根据电池容量（mAh）和任务周期，计算设备在指定寿命内的平均功耗上限，并据此反推采样间隔与睡眠策略的约束条件。
- 设计采样调度策略：理解固定采样、自适应采样、事件驱动采样三种模式的适用场景，并能根据传感器类型（如温湿度、加速度、气体浓度）和数据变化特性选择合适的策略。
- 配置Arduino睡眠模式：掌握AVR架构（如ATmega328P）和ARM Cortex-M架构（如SAMD21、nRF52840）下不同睡眠级别的功耗差异、唤醒延迟、外设状态保留情况，并能编写低功耗休眠代码。
- 优化推理能耗：了解模型量化（8-bit/16-bit）、特征裁剪、轻量级模型结构（如TinyML、MicroNets）对推理能耗的影响，并能在精度与功耗之间做出合理权衡。
- 实测与验证：使用万用表、INA219电流传感器或J-Link功耗分析工具，测量设备在活跃、睡眠、推理等不同状态下的实际电流，并绘制功耗时间曲线。
核心认知转变：传统嵌入式开发关注“功能是否实现”，而低功耗推理开发关注“在能量预算内功能是否可持续”。例如，一个图像分类模型在Arduino上推理一次需要200ms、消耗12mA电流，但如果电池只有200mAh，且设备需要每天工作24小时，那么平均功耗必须低于0.23mA——这意味着推理任务只能占不到2%的工作周期，其余时间必须深度睡眠。
1.2 核心概念：低功耗推理的三大基石
低功耗推理并非单一技术，而是由三个相互关联的维度共同构成的系统工程。理解这三个维度及其交互关系，是掌握本课程的关键。
1.2.1 采样间隔（Sampling Interval）
采样间隔决定了传感器读取数据的频率，它直接影响了系统的活跃时间占比。采样间隔越长，系统处于睡眠状态的时间比例越高，平均功耗越低。但采样间隔过长可能导致数据变化被遗漏，影响推理结果的准确性。例如，在振动监测场景中，如果采样间隔超过50ms，可能无法捕捉到轴承故障的特征频率；而在室温监测中，采样间隔可以放宽到1分钟甚至更长。
1.2.2 睡眠模式（Sleep Modes）
Arduino系列微控制器提供了多种睡眠级别，从浅度睡眠（仅关闭CPU时钟）到深度睡眠（关闭大部分外设和振荡器）。不同睡眠模式的功耗差异可达三个数量级：ATmega328P在活跃模式下功耗约5-10mA，Idle模式约1-2mA，Power-down模式可低至1μA以下。但深度睡眠也意味着更长的唤醒时间（从几微秒到几毫秒不等），且部分外设（如ADC、USART）在睡眠期间无法工作。
1.2.3 电池寿命（Battery Life）
电池寿命是低功耗推理的最终衡量指标。它并非简单的“电池容量÷平均功耗”，还需要考虑电池的自放电率、温度影响、放电曲线非线性、以及设备在极端工况下的功耗峰值。例如，一节CR2032纽扣电池标称容量为220mAh，但在持续5mA放电时实际容量可能只有标称值的70%。因此，电池寿命估算必须基于实际放电曲线而非理想值。
| 维度 | 关键参数 | 典型范围 | 对功耗的影响 |
|---|---|---|---|
| 采样间隔 | 采样频率、突发采样长度 | 10ms ~ 1小时 | 决定活跃时间占比，直接影响平均功耗 |
| 睡眠模式 | 睡眠深度、唤醒源、唤醒延迟 | Idle ~ Power-down | 决定静态功耗，深度睡眠可降至μA级 |
| 推理负载 | 模型大小、推理时间、峰值电流 | 10ms ~ 500ms | 决定单次推理能耗，需与采样频率匹配 |
| 电源管理 | DC-DC效率、LDO压差、电池类型 | 3.3V / 5V系统 | 影响整体能量转换效率，可达15-30%损耗 |
1.3 整体框架：课程内容与学习路径
本课程共30章，按照“基础→方法→实践→优化”的逻辑递进，分为四个阶段。第一阶段（第1-5章）建立低功耗推理的理论基础；第二阶段（第6-15章）深入讲解采样间隔、睡眠模式、模型压缩等核心技术；第三阶段（第16-25章）通过多个实战案例（如环境监测、可穿戴设备、工业预测性维护）展示完整开发流程；第四阶段（第26-30章）聚焦于功耗测量、调试技巧和系统级优化策略。
本章作为开篇，重点解决三个问题：为什么需要低功耗推理（应用场景驱动）、是什么（核心概念界定）、怎么学（课程框架与学习方法）。后续章节将逐一展开技术细节，但始终围绕“在能量预算内实现可靠推理”这一主线。
1.4 应用场景深度剖析：为什么低功耗推理至关重要
让我们通过一个具体的场景来理解低功耗推理的工程意义。假设你正在设计一个用于果园的智能虫害监测节点，该节点需要每15分钟拍摄一张图像，并通过本地推理判断是否有害虫出现，仅在检测到害虫时通过LoRa发送告警。
初始设计约束：使用Arduino Nano 33 BLE Sense（nRF52840主控），配备OV7675摄像头模块和LoRa通信模块。电池采用3.7V/1000mAh锂电池，要求设备在野外连续工作至少6个月（约180天）。
功耗估算：
- 摄像头拍摄+图像预处理：每次约120mA，持续1.5秒，能耗约0.18mAh
- 本地推理（MobileNetV1量化模型）：每次约45mA，持续800ms，能耗约0.01mAh
- LoRa发送（仅在检测到害虫时）：每次约110mA，持续200ms，能耗约0.006mAh
- 深度睡眠（无事件时）：约15μA
如果每15分钟执行一次完整流程（拍摄+推理），则每天执行96次，活跃能耗为96×(0.18+0.01)=18.24mAh，加上睡眠功耗0.015mA×24h=0.36mAh，日均总功耗约18.6mAh。1000mAh电池理论上可支持约54天，远达不到6个月的目标。
优化方案：
- 将采样间隔从15分钟延长至30分钟，日均活跃能耗降至9.12mAh，寿命提升至约105天。
- 引入事件驱动机制：使用PIR传感器检测是否有昆虫活动，仅在触发时启动摄像头和推理，预计可将日均活跃次数降至10次以下，日均功耗降至约2mAh。
- 优化睡眠模式：从Idle模式切换至Power-down模式，并关闭未使用的外设，将睡眠电流从15μA降至5μA。
- 采用太阳能+电池混合供电，进一步延长续航。
经过上述优化，设备在无阳光补充的情况下可运行约400天，满足6个月的设计要求。这个案例清晰地展示了采样间隔、睡眠模式和推理能耗三者之间的耦合关系——任何单一维度的优化都无法独立解决功耗问题，必须进行系统级协同设计。
常见误区警示：很多初学者认为“只要把模型做小就能省电”，但实际上推理能耗往往只占系统总能耗的很小一部分（如上述案例中推理仅占活跃能耗的5%）。传感器读取、通信模块、电源转换损耗往往才是能耗大户。因此，低功耗推理必须从系统层面统筹考虑，而非只关注推理本身。
1.5 常见误区与学习建议
在开始深入学习之前，了解以下常见误区可以帮助你避免走弯路：
- 误区一：所有传感器都适合降低采样频率。事实上，加速度计、麦克风等动态传感器需要较高的采样率（通常≥100Hz），而温湿度、气压等缓变传感器可以低频采样。盲目降低采样频率会导致信息丢失。
- 误区二：深度睡眠总是最好的。深度睡眠虽然功耗最低，但唤醒时间较长（可达数毫秒），且无法保留SRAM内容（部分MCU）。对于需要频繁唤醒的任务，浅度睡眠可能更合适。
- 误区三：电池容量越大越好。大容量电池意味着更大的体积和重量，且自放电率也更高。在低功耗设计中，往往优先考虑降低功耗而非增加电池容量。
- 误区四：忽略启动瞬态功耗。MCU从睡眠唤醒的瞬间，电流可能达到正常工作电流的5-10倍，持续数十微秒。如果频繁唤醒，这部分瞬态功耗不可忽视。
学习建议：建议在学习过程中始终携带一块Arduino开发板（如Nano 33 IoT或MKR系列）和一块电流测量工具（如INA219模块）。每学习一个概念，立即在硬件上验证。例如，学习睡眠模式时，实际测量不同睡眠级别的电流差异；学习采样间隔时，用RTC定时唤醒并记录功耗曲线。理论与实践结合，才能真正掌握低功耗推理的精髓。
本章作为课程导入，已经为你勾勒出低功耗推理的完整图景。在接下来的章节中，我们将逐一深入探讨采样间隔的数学建模、睡眠模式的底层机制、模型压缩的具体方法，以及如何通过系统级设计实现“月级”乃至“年级”的电池寿命。请记住，低功耗推理不是一项孤立的技术，而是一种贯穿硬件选型、软件设计、算法优化全流程的工程哲学。