2、硬件基础：Arduino系列板卡选型对比与系统连接设计
Arduino生态之所以在端侧AI与交互原型领域长盛不衰，核心在于其硬件家族覆盖了从“极简控制”到“边缘神经网络推理”的完整梯度。面对Uno、Nano 33 BLE Sense、Portenta H7等板卡，初学者常陷入“选型即纠结”的困境：Uno性能不足，Nano 33 BLE Sense存储吃紧，Portenta成本过高。本章将从芯片架构、算力、外设资源、电源树与连接拓扑四个维度展开对比，并给出传感器/执行器的信号链路设计方法，帮助你建立一套“按需选型、按信号布线”的工程化思维。
上图展示了Arduino家族在端侧AI项目中的典型定位与信号流向。可以看到，从Uno到Portenta，算力与存储呈阶梯式上升，但并非所有项目都需要顶级配置。选型的本质是“算力-功耗-成本-开发效率”四者的权衡。下面我们逐一拆解。
2.1 核心原理：从8位MCU到双核Cortex-M7的算力光谱
Arduino板卡的差异首先体现在主控芯片的架构上。Uno R3搭载的ATmega328P是8位AVR内核，主频16MHz，SRAM仅2KB，Flash 32KB。它适合执行简单的逻辑控制，但运行任何形式的神经网络推理（哪怕是极简的线性回归）都力不从心。Uno R4则升级为瑞萨RA4M1（Cortex-M4F，48MHz），算力提升约10倍，但仍以控制为主。
真正开启端侧AI大门的是Nano 33 BLE Sense系列。其主控nRF52840采用Cortex-M4F内核，带FPU（浮点运算单元），主频64MHz，拥有1MB Flash和256KB RAM。这意味着它可以加载TensorFlow Lite Micro的运行时（约20-40KB），并运行经过量化的MobileNetV1或自定义小型CNN模型。例如，一个关键词唤醒模型（如“Hey Arduino”）仅需约30KB Flash和15KB RAM，推理时间在50-100ms内。
Portenta H7则代表了Arduino的算力天花板：双核Cortex-M7（480MHz）+ Cortex-M4（240MHz），2MB RAM，支持外部SDRAM扩展。它不仅能运行图像分类（如MobileNetV2），还能通过OpenMV IDE进行机器视觉开发。但代价是功耗高达数百毫安，且价格是Nano的5倍以上。
2.2 判断方法：五步选型流程与硬件资源清单
面对具体项目，建议按以下流程操作，避免“先买板子再发现不够用”的返工。
- 列出AI模型需求：确定输入类型（一维信号/图像/音频）、模型参数量（<100KB / 100KB-1MB / >1MB）、推理频率（实时/准实时）。
- 估算内存占用：模型权重 + 中间激活值 + 传感器缓冲区 + 系统开销。Nano 33 BLE Sense的256KB RAM中，可用堆空间约200KB，模型+缓冲区需控制在150KB以内。
- 检查外设接口：传感器是模拟输出还是数字（I2C/SPI）？执行器需要几路PWM？是否需要BLE通信？Nano 33 BLE Sense内置了PDM麦克风、9轴IMU、温湿度传感器，可减少外部接线。
- 评估电源预算：整机峰值电流是否超过板载LDO的500mA？若使用电机或大功率LED，必须外接驱动电路。
- 考虑开发工具链：TensorFlow Lite Micro官方支持Nano 33 BLE Sense和Portenta；Edge Impulse对Nicla Vision支持更友好。选择社区资料更丰富的板卡能显著缩短调试周期。
| 板卡型号 | 主控芯片 | RAM/Flash | AI能力 | 典型场景 | 参考价格 |
|---|---|---|---|---|---|
| Uno R3 | ATmega328P | 2KB/32KB | 无 | 基础控制、教学Demo | ¥80 |
| Uno R4 WiFi | RA4M1 | 32KB/256KB | 轻量规则 | Wi-Fi控制、简单传感 | ¥180 |
| Nano 33 BLE Sense | nRF52840 | 256KB/1MB | TFLite Micro | 语音/IMU分类、BLE传输 | ¥220 |
| Portenta H7 | M7+M4双核 | 2MB/16MB | OpenMV/Edge Impulse | 视觉检测、复杂决策 | ¥800 |
| Nicla Vision | STM32H7 | 1MB/2MB | FOMO/分类 | 低功耗视觉、可穿戴 | ¥600 |
2.3 案例拆解：基于Nano 33 BLE Sense的穿戴式跌倒检测原型
我们以一个真实课程项目为例：学生需要制作一个可穿戴设备，通过IMU数据识别“跌倒”动作并发送BLE报警。初始约束：设备必须由3.7V锂电池供电，连续工作8小时，且成本控制在300元以内。
初始现象与问题：学生最初选用Uno R3 + MPU6050 + HC-05蓝牙模块，但发现两个致命问题：一是Uno的5V逻辑电平与MPU6050的3.3V不匹配，需额外电平转换；二是Uno无法运行任何分类模型，只能靠阈值判断（如加速度>3g），误报率极高。
关键参数分析：跌倒动作的典型特征是加速度在200ms内从1g跃升至3-5g，且伴随角速度剧烈变化。单纯阈值法无法区分“跌倒”和“猛坐下”。需要采集连续50帧数据（每帧含6轴数据），送入一个两层全连接神经网络（输入12节点，隐藏层16节点，输出2类）。该模型量化后约8KB，推理时间约15ms。
实际操作步骤：
- 更换为Nano 33 BLE Sense，利用板载LSM9DS1 IMU，省去外部传感器和接线。
- 在Edge Impulse中采集3分钟跌倒/日常活动数据，提取时域特征（均值、方差、峰值），训练DNN模型。
- 将模型导出为TensorFlow Lite int8量化格式，部署到板卡。
- 编写代码：每20ms读取一次IMU，滑动窗口50帧，推理后若概率>0.8则触发BLE通知。
- 电源优化：使用nRF52840的DC-DC模式，关闭LED，待机电流降至10μA，工作电流约15mA，800mAh电池可续航约50小时。
结果对比：误报率从阈值法的35%降至2.3%，响应时间从500ms缩短至120ms。代价是开发周期从2天延长至5天（主要是数据采集和模型调参）。
2.4 传感器、执行器与电源连接规范
硬件连接是原型稳定性的基石。以下三条铁律必须遵守：
- 电平匹配：3.3V逻辑的传感器（如MPU6050、SSD1306 OLED）严禁直接接5V引脚。Nano 33 BLE Sense所有GPIO均为3.3V，Uno的I2C引脚虽为5V容忍，但建议统一使用3.3V供电。
- 电源隔离：电机、舵机等感性负载必须独立供电，不可与MCU共用同一路LDO。否则电机启动瞬间的电流尖峰（可达1A以上）会导致MCU复位。推荐使用AMS1117-3.3为MCU供电，电机使用5V/2A的DC-DC模块。
- 信号完整性：I2C总线长度超过20cm时需加4.7kΩ上拉电阻；SPI线缆应使用双绞线；模拟信号线远离PWM线，避免串扰。
// 典型连接示例：Nano 33 BLE Sense + 舵机 + 外部电源
// 舵机信号线 → D9 (PWM)
// 舵机电源线 → 外部5V电源正极
// 舵机地线 → 外部电源负极 + Nano GND（共地）
// 注意：必须共地，否则PWM信号无参考电平
#include <Servo.h>
Servo myservo;
void setup() {
myservo.attach(9, 500, 2400); // 设置脉冲宽度范围
}
void loop() {
myservo.write(90); // 旋转到90度
delay(1000);
}对于电池供电场景，建议采用“锂电池 → 升压/降压模块 → 5V/3.3V双路输出”的电源树结构。例如使用MT3608升压模块将3.7V升至5V，再用AMS1117-3.3降压给MCU。实测效率可达85%以上，待机功耗低于0.1W。
最后，关于连接方式的选择：I2C适合短距离、低速（<400kHz）的多传感器挂载；SPI适合高速数据流（如摄像头、SD卡）；UART适合与蓝牙模块或上位机通信。在端侧AI项目中，推荐优先使用I2C连接传感器，因为其地址机制可减少接线，且Nano 33 BLE Sense的I2C接口支持1MHz快速模式。
总结本章：选型不是选最贵，而是选“刚好够用且留有余量”。Uno适合逻辑控制，Nano 33 BLE Sense是端侧AI的黄金起点，Portenta则是专业级视觉应用的利器。在动手接线前，务必画出电源树和信号链路图，明确每个模块的电压、电流和逻辑电平，这样才能从课堂Demo顺利走向可展示的稳定原型。