课程导入：TinyML低功耗联网的总体目标、学习路径、适用场景与课程结构
TinyML 的核心命题，是在功耗、算力、内存都极度受限的微控制器（MCU）上运行机器学习推理，并让这些“智能”真正进入物理世界。然而，一个孤立的 TinyML 设备价值有限——只有当它能够将推理结果、原始特征或异常事件可靠地传送到云端或边缘网关时，才能构成完整的智能闭环。本课程聚焦于 TinyML 设备最关键的通信环节：如何在 BLE、Wi-Fi 与 LoRa 三种主流无线技术之间做出正确选择，并设计出满足低功耗、低带宽、高可靠要求的联网上传策略。
1.1 TinyML 低功耗联网的总体目标
TinyML 低功耗联网的总体目标可以概括为：在极有限的能量预算内，以最小的数据开销，将设备端推理产生的有价值信息可靠地送达目标接收方。这个目标包含三个核心维度：
- 能量效率最大化：通信模块通常是 TinyML 设备中功耗最高的部件之一。一颗 CR2032 纽扣电池（约 220mAh）在 BLE 广播模式下可以工作数月，但若使用 Wi-Fi 持续传输，可能仅能支撑数天。因此，通信策略的首要目标是让每一焦耳能量都产生最大的信息传递价值。
- 信息密度最优化：TinyML 设备不应传输原始传感器数据流，而应传输“推理结果”或“压缩特征”。例如，一个振动监测设备只需上传“异常”或“正常”的标签，而非 32kHz 的原始加速度波形。这要求我们在设备端完成特征提取和推理，仅将高价值信息上传。
- 连接可靠性保障：低功耗不等于低可靠性。在农业、工业等实际场景中，设备可能处于信号弱、干扰强的环境。需要设计重传机制、确认机制和自适应策略，确保关键告警不丢失。
1.2 学习路径：从技术认知到系统决策
本课程的学习路径设计遵循“认知 → 选型 → 实现 → 优化”的递进逻辑，共分为四个阶段，覆盖 30 个章节的核心内容：
| 阶段 | 章节范围 | 核心能力目标 | 关键产出 |
|---|---|---|---|
| 基础认知 | 第 1-5 章 | 理解三种无线技术的物理层特性、功耗模型与适用边界 | 技术选型对比表 |
| 协议与实现 | 第 6-15 章 | 掌握 BLE GATT 自定义服务、Wi-Fi MQTT 接入、LoRaWAN 入网流程 | 可运行的通信代码框架 |
| 低功耗优化 | 第 16-24 章 | 学会休眠-唤醒调度、数据压缩、批量上传、自适应策略 | 功耗测量报告与优化方案 |
| 系统实战 | 第 25-30 章 | 完成多场景综合项目，具备排障与调优能力 | 完整项目原型 |
在学习过程中，建议读者准备一套基础的硬件平台（如 ESP32-C3 或 nRF52840 开发板），配合一个 LoRa 模块（如 SX1262）和一个 BLE Beacon，以便在阅读理论的同时进行动手验证。每章末尾的“动手实验”环节将帮助你将抽象概念转化为实际经验。
1.3 适用场景：三类典型部署环境
不同的应用场景对通信技术有着截然不同的需求。我们将 TinyML 联网的典型场景归纳为以下三类，每一类都有其独特的约束条件：
场景 A：近距离个人设备（BLE 主导）
典型应用包括智能手环、医疗贴片、智能家居传感器。这些设备与手机或家庭网关的距离通常在 10 米以内，数据量小（每次几十字节），对实时性要求适中。BLE 的低功耗广播和连接模式在此类场景中具有优势。例如，一个心电异常检测贴片，可以在本地完成心律失常分类，仅在检测到异常时通过 BLE 通知手机 App。
场景 B：中距离固定节点（Wi-Fi 主导）
典型应用包括工厂设备振动监测、智能电表、室内环境监测。设备通常有稳定的电源供应（或较大容量电池），距离路由器/网关在 50 米以内，需要上传的数据量相对较大（如频谱特征、事件波形片段）。Wi-Fi 的 TCP/IP 协议栈成熟，可直接接入现有网络基础设施，开发效率高。但需要注意，Wi-Fi 的功耗通常在 100-300mA 级别，不适合电池供电的长期连续工作。
场景 C：远距离广覆盖（LoRa 主导）
典型应用包括农业土壤墒情监测、森林火灾预警、城市井盖监测、野生动物追踪。设备分布范围广（数百米至数公里），通常无现成网络覆盖，电池供电且期望工作 3-5 年。LoRa 的扩频调制技术提供了 -137dBm 的接收灵敏度，配合网关可实现公里级覆盖，但有效数据速率仅 0.3-50kbps，且受限于各地区的占空比法规（如欧洲 868MHz 频段 1% 占空比限制）。
1.4 课程结构：四大模块与学习建议
本课程共 30 章，分为四大模块，每个模块解决一个核心问题：
- 模块一：无线技术基础与选型（第 1-8 章）——深入剖析 BLE、Wi-Fi、LoRa 的物理层特性、协议栈架构、功耗模型和网络拓扑。学完本模块，你将能够根据项目需求独立完成技术选型。
- 模块二：TinyML 数据链路设计（第 9-16 章）——聚焦于“传什么”和“怎么传”。涵盖特征压缩、量化编码、批量上传策略、自适应传输算法，以及如何将 TensorFlow Lite Micro 的推理输出与通信协议高效对接。
- 模块三：低功耗工程实践（第 17-24 章）——从硬件设计到软件调度，包括电源管理、休眠唤醒机制、RTOS 任务设计、通信模块的功耗测量与调优方法。这一模块将帮助你实现“微安级待机、毫安级工作”的工程目标。
- 模块四：系统集成与案例实战（第 25-30 章）——通过三个完整项目（智能农业、工业预测性维护、可穿戴健康监测），展示从需求分析、方案设计、原型实现到现场部署的全流程。每个案例都包含真实的功耗数据、通信日志和问题排查记录。
1.5 常见误区与学习提醒
在开始正式学习之前，有必要澄清几个初学者容易陷入的误区：
- 误区一：追求“最高级”的技术——LoRa 并不比 BLE“高级”，Wi-Fi 也不一定比 LoRa“快”。技术选择完全取决于场景约束。一个室内温湿度传感器用 LoRa 传输 10 米距离，不仅浪费带宽，还增加了模块成本和功耗。
- 误区二：忽视协议栈开销——很多开发者只关注射频芯片的发射电流，却忽略了协议栈运行、CPU 唤醒、外设初始化带来的额外功耗。实际上，一次完整的 Wi-Fi 连接建立过程（扫描、认证、关联、DHCP）可能消耗 300mA 电流持续 2-3 秒，这比发送 1KB 数据本身的功耗高出数倍。
- 误区三：将“低功耗”等同于“低速率”——BLE 的 2Mbps 物理速率并不低，关键在于如何设计传输策略。一次快速完成传输并立即进入休眠，比长时间低速传输更省电。这就是“突发传输”策略的核心思想。
- 误区四：忽略网络依赖——Wi-Fi 和 BLE 都依赖网关或手机作为桥梁，LoRa 则需要网关设备。在偏远地区部署时，网关的供电和网络回传（如 4G 回传）往往成为真正的瓶颈，这一点需要在项目规划初期就纳入考虑。