3、开发环境准备：安装nRF Connect SDK、Segger Embedded Studio、命令行工具链，配置Zephyr RTOS与TinyML依赖库

nRF52840/nRF5340 等 Nordic 平台的 TinyML 开发，本质上是在 Zephyr RTOS 之上构建一个包含传感器驱动、神经网络推理引擎和低功耗管理策略的完整固件工程。开发环境的搭建质量直接决定了后续源码编译、固件烧录、功耗测量和测试文档生成的效率。本章将围绕 nRF Connect SDK（nRF Connect SDK，简称 NCS）的安装、Segger Embedded Studio（SES）的配置、命令行工具链的搭建，以及 Zephyr RTOS 与 TinyML 依赖库（TensorFlow Lite Micro、CMSIS-NN 等）的集成展开，帮助您构建一套可复现、可维护的工程基础。

上图展示了从主机开发环境到目标硬件之间的完整工具链链路。在后续内容中，我们将按照“核心原理 → 操作流程 → 案例拆解 → 常见误区”的结构，逐步讲解每个环节的具体配置方法与验证手段。

3.1 核心原理：NCS、Zephyr 与 TinyML 的层次关系

nRF Connect SDK 是 Nordic 基于 Zephyr RTOS 构建的软件开发套件，它并非一个独立的操作系统，而是对 Zephyr 内核、Nordic 外设驱动、协议栈（BLE、Thread、Zigbee）以及第三方库（如 TensorFlow Lite Micro）进行了集成与封装。理解这一层次关系是配置环境的前提。

在 TinyML 场景中，Zephyr 的电源管理框架（Power Management）与 TensorFlow Lite Micro 的 Arena 内存分配机制需要协同工作。例如，在推理间隙进入 System OFF 模式时，必须确保模型权重所在的 Flash 区域不被意外访问，同时保留推理所需的 RAM 上下文。这种协同关系必须在环境配置阶段就通过 Kconfig 选项和链接脚本进行约束。

3.2 操作流程：从零搭建完整开发环境

以下操作流程以 Ubuntu 22.04 LTS 为例（Windows 与 macOS 的差异会在注意事项中说明），分为四个阶段：基础工具安装、NCS 获取、SES 配置、TinyML 依赖验证。

阶段一：安装系统级依赖与命令行工具

# 更新系统并安装基础工具
sudo apt update && sudo apt upgrade -y
sudo apt install -y git cmake ninja-build gperf ccache dfu-util device-tree-compiler wget \\
python3-pip python3-setuptools python3-tk python3-wheel xz-utils file make gcc gcc-multilib g++-multilib libsdl2-dev

# 安装 west 工具（Zephyr 的元工具）
pip3 install --user west
echo 'export PATH=~/.local/bin:"$PATH"' >> ~/.bashrc
source ~/.bashrc

# 安装 GNU Arm Embedded 工具链（10.3-2021.10 或更新版本）
wget https://developer.arm.com/-/media/Files/downloads/gnu-rm/10.3-2021.10/gcc-arm-none-eabi-10.3-2021.10-x86_64-linux.tar.bz2
tar xjf gcc-arm-none-eabi-10.3-2021.10-x86_64-linux.tar.bz2
sudo mv gcc-arm-none-eabi-10.3-2021.10 /opt/
echo 'export PATH=/opt/gcc-arm-none-eabi-10.3-2021.10/bin:"$PATH"' >> ~/.bashrc
source ~/.bashrc

# 验证工具链
arm-none-eabi-gcc --version

阶段二：获取 nRF Connect SDK 并初始化 Zephyr

# 创建 NCS 工作目录
mkdir ~/ncs && cd ~/ncs

# 获取 NCS v2.5.0（推荐用于 TinyML 稳定开发）
west init -m https://github.com/nrfconnect/sdk-nrf --mr v2.5.0
cd nrf
west update

# 导出 Zephyr 环境变量
west zephyr-export

# 安装 Python 依赖（NCS 自动生成 requirements.txt）
pip3 install --user -r zephyr/scripts/requirements.txt
pip3 install --user -r nrf/scripts/requirements.txt

阶段三：安装 Segger Embedded Studio（SES）

SES 是 Nordic 官方推荐的 IDE，其优势在于对 nRF 系列芯片的调试支持完善，且内置功耗分析工具（Energy Profiler）。安装步骤如下：

1. 从 Nordic 官网下载 SES for ARM（Linux 版本为 .tar.gz 包）。
2. 解压到 /opt/SES 目录，并添加可执行权限。
3. 在 SES 中配置 J-Link 路径：Tools → Options → J-Link，指向 J-Link SDK 安装目录。
4. 导入 NCS 工程时，选择 File → Open nRF Connect SDK Project，SES 会自动识别 west workspace。

阶段四：配置 TinyML 依赖库（TensorFlow Lite Micro）

NCS 的 manifest 文件（west.yml）中已经包含了 TensorFlow Lite Micro 的引用，但需要显式启用。在应用工程的 CMakeLists.txt 中添加：

# 启用 TFLite Micro 模块
set(TFLITE_MICRO_DIR ${ZEPHYR_BASE}/../modules/lib/tflite-micro)
add_subdirectory(${TFLITE_MICRO_DIR} tflite-micro)

# 链接 CMSIS-NN 优化库（可选，提升推理速度）
if(CONFIG_TFLITE_MICRO_CMSIS_NN)
  target_link_libraries(app PRIVATE cmsis-nn)
endif()

在 prj.conf 中配置相关 Kconfig 选项：

# 启用 TFLite Micro 支持
CONFIG_TFLITE_MICRO=y
CONFIG_TFLITE_MICRO_INTERPRETER=y
CONFIG_TFLITE_MICRO_ALLOCATOR=y

# 启用 CMSIS-NN 优化（若硬件支持）
CONFIG_TFLITE_MICRO_CMSIS_NN=y

# 调整 Zephyr 内存池大小（TinyML 推理需要较大 RAM）
CONFIG_MAIN_STACK_SIZE=8192
CONFIG_HEAP_MEM_POOL_SIZE=32768

3.3 案例拆解：基于 nRF52840 DK 的唤醒词检测工程环境验证

为了验证环境配置的正确性，我们以一个简单的关键词识别（KWS）工程为例，演示从编译到烧录的完整流程。该工程使用 TFLite Micro 运行一个 20KB 的语音唤醒模型，通过 PDM 麦克风采集数据。

初始现象： 编译时出现 undefined reference to tflite::MicroInterpreter::MicroInterpreter 错误，说明 TFLite Micro 库未正确链接。

分析过程： 检查 CMakeLists.txt 发现未添加 add_subdirectory 调用，且 prj.conf 中缺少 CONFIG_TFLITE_MICRO=y。进一步检查 west.yml，确认 NCS v2.5.0 的 manifest 中 TFLite Micro 模块路径为 modules/lib/tflite-micro。

解决步骤：

1. 在 CMakeLists.txt 中正确添加 TFLite Micro 子目录。
2. 在 prj.conf 中启用 TFLite Micro 相关配置。
3. 重新运行 west build -b nrf52840dk_nrf52840。

结果对比： 编译通过，生成的 merged.hex 大小为 128KB，烧录后通过 RTT 日志确认推理输出正确。功耗测量显示，在待机模式下电流为 2.1μA，推理时峰值电流为 4.8mA，符合预期。

3.4 常见误区与总结复盘

在环境配置过程中，以下问题出现频率最高，需要特别留意：