课程导入：TinyML与低功耗RTOS的融合背景
当嵌入式系统遇上机器学习，当电池供电遇上持续感知需求，TinyML与低功耗RTOS的融合便成为边缘智能落地的关键枢纽。传统RTOS以确定性调度为核心，而TinyML负载则以稀疏的推理事件为特征——两者结合的核心矛盾在于：如何在不牺牲实时响应的前提下，将空闲功耗压至微安级，并在推理任务到达时快速唤醒外设与计算内核。本章作为课程起点，将系统梳理这一融合领域的背景动因、课程目标、学习路径与预期收获，为后续章节的Tickless Idle机制、模型推理唤醒策略、电源域管理等内容建立全局坐标系。
1.1 TinyML与低功耗RTOS融合的必然性
TinyML（Tiny Machine Learning）是指在极低功耗、极小内存（通常为KB级）的微控制器上部署机器学习模型的技术。与云端AI或边缘网关AI不同，TinyML的推理过程完全在本地MCU完成，无需网络连接，延迟可控制在毫秒级。然而，这种本地智能带来了一个根本性挑战：持续感知与电池寿命之间的矛盾。以智能门锁的人脸识别为例，若摄像头和推理引擎始终上电，一颗500mAh的纽扣电池将在数小时内耗尽；若完全关闭外设，则无法捕捉触发事件。低功耗RTOS正是解决这一矛盾的调度中枢——它通过Tickless Idle机制让系统在无任务时进入深度睡眠，同时保留中断唤醒路径，使模型推理仅在需要时被激活。
从系统架构视角看，TinyML工作负载具有三个显著特征，决定了其对RTOS的特殊需求：
- 稀疏性：推理事件并非连续发生，而是由传感器阈值、定时器或外部中断触发，两次推理之间往往存在数秒至数分钟的空闲窗口。
- 突发性：一旦触发，推理任务需要在数十毫秒内完成数据采集、预处理、模型推理和结果输出，对CPU频率和内存带宽有瞬时峰值需求。
- 外设依赖性：推理前必须完成传感器、DMA、通信接口等外设的上电与初始化，这些操作的功耗和延迟直接影响整体能效。
传统RTOS的周期性Tick（通常1ms）在空闲时会频繁唤醒CPU，造成不必要的功耗浪费。而Tickless Idle机制允许RTOS在无任务时停止系统Tick，将MCU置于WFI（Wait For Interrupt）或深度睡眠模式，仅在外部事件或硬件定时器到期时唤醒。这一机制与TinyML的稀疏推理模式天然契合——推理任务本身可以作为"唤醒源"，而空闲期则进入低功耗状态。
1.2 课程目标：从原理到落地的四层能力构建
本课程面向具备嵌入式基础、希望深入低功耗AI边缘计算的工程师，目标不是泛泛介绍TinyML概念，而是建立一套可落地、可量化、可复用的工程方法论。具体而言，课程结束后学员应具备以下四层能力：
| 能力层级 | 核心内容 | 可验证成果 |
|---|---|---|
| 原理层 | 理解Tickless Idle的底层机制：SysTick停止/补偿、睡眠模式分级（WFI/STOP/Standby）、唤醒延迟与功耗的权衡 | 能解释为何深度睡眠下唤醒延迟增加，但整体平均功耗反而降低 |
| 策略层 | 掌握模型推理的唤醒策略：事件驱动唤醒、定时器预测唤醒、双缓冲数据采集、推理结果缓存 | 能针对特定传感器场景设计"感知-推理-休眠"状态机 |
| 工程层 | 学会使用功耗分析工具（如J-Link Power Profiler、STM32CubeMonitor-Power）测量各阶段功耗，定位异常耗电点 | 能输出一份包含各外设功耗占比的测量报告，并优化至目标值 |
| 应用层 | 完成一个端到端案例：振动传感器异常检测、关键词唤醒或视觉唤醒，实现从模型部署到低功耗调优的全流程 | 在指定硬件上实现平均功耗低于50µA的持续感知系统 |
课程强调"量化思维"——每个设计决策都应有功耗数据支撑。例如，选择在推理前预热传感器还是保持传感器常开，不能凭直觉判断，而应通过公式计算：E_total = P_sleep × T_sleep + P_active × T_active + P_transition × T_transition。本课程将反复使用此类量化模型，帮助学员建立功耗预算意识。
1.3 学习路径：模块化递进与实战闭环
课程共30章，按"基础机制→核心策略→工程实践→综合项目"四个阶段组织，每章均包含理论讲解、代码/配置示例、实验任务和常见误区分析。建议学员按照以下路径学习：
- 阶段一（第1-6章）：建立低功耗RTOS与TinyML的基础认知。包括RTOS调度原理、Tickless Idle机制详解、MCU低功耗模式对比、TinyML模型量化与部署基础。
- 阶段二（第7-15章）：深入推理唤醒策略。涵盖事件驱动唤醒、定时器预测唤醒、传感器数据就绪中断、DMA传输完成唤醒、多级唤醒源仲裁等。
- 阶段三（第16-24章）：工程化调优与验证。包括功耗测量方法论、外设电源域管理、动态电压频率调整（DVFS）、RTOS功耗钩子函数定制、常见功耗陷阱排查。
- 阶段四（第25-30章）：综合项目实战。以智能门锁、可穿戴健康监测、工业预测性维护三个场景为主线，完成从需求分析到量产评估的完整闭环。
每个阶段结束时设有自测项目，学员需在指定开发板（如STM32U5系列或nRF5340）上完成一个可运行的功耗优化demo。建议每周投入6-8小时，配合硬件实验，约10周完成全部课程。
1.4 预期收获与常见认知误区
完成本课程后，学员将获得以下可量化的能力提升：
- 功耗优化能力：能够将典型TinyML系统的平均功耗从毫安级降至微安级，具体数值取决于传感器类型和推理频率。例如，一个每秒推理一次的振动监测系统，可从3.2mA降至85µA。
- 系统设计能力：掌握"功耗预算表"设计方法，在项目初期即可估算各模块功耗占比，避免后期返工。
- 问题定位能力：面对"电池消耗过快"类问题，能通过系统化的测量-分析-定位流程，在30分钟内找到异常耗电模块。
- 架构思维：理解功耗管理不是孤立的软件优化，而是需要硬件选型、RTOS配置、模型设计、外设驱动协同的系统工程。
在进入具体技术细节之前，有必要澄清几个常见误区，这些误区往往导致工程师在低功耗TinyML项目中走弯路：
误区二： "模型推理越快，功耗越低。" 推理速度快意味着CPU高频率运行时间短，但高频率本身功耗更大，且唤醒外设和加载模型权重也需要时间。正确的优化目标是"完成一次推理的总能量最小化"，而非单纯追求推理延迟最低。
误区三： "深度睡眠模式一定比浅睡眠好。" 深度睡眠虽然静态功耗极低，但唤醒延迟可能达到毫秒级，且唤醒后需要重新配置时钟和外设。对于推理频率较高的场景（如每秒一次），浅睡眠+快速唤醒可能反而更省电。