1、课程导入：nRF5340双核架构概览、AI应用场景、课程目标与学习路径
欢迎进入《nRF5340双核AI应用》课程的第一章。在物联网与边缘计算深度融合的今天，终端设备不再仅仅承担数据采集与传输的任务，而是越来越多地需要在本地完成语音识别、传感器融合、异常检测、预测性维护等轻量级AI推理。nRF5340作为Nordic Semiconductor推出的旗舰级双核SoC，凭借其独特的“应用核+网络核”异构架构，为在资源受限的嵌入式设备上实现高效AI应用提供了极具吸引力的硬件平台。本章将首先剖析nRF5340的双核架构及其设计哲学，随后梳理典型的AI应用场景，最后明确本课程的学习目标与路径，帮助您建立全局视野，为后续章节的深入实践打下坚实基础。
上图清晰地展示了nRF5340双核架构的核心分工：应用核（Application Core）与网络核（Network Core）各自独立运行，通过核间通信（IPC）机制进行数据交换。这种设计并非简单的“双核堆料”，而是基于功耗与性能的深度权衡。网络核专注于处理低功耗蓝牙（BLE）、Zigbee等无线协议栈，其运行频率较低，功耗控制极为精细；而应用核则拥有更高的主频、更大的Flash和RAM资源，专门用于运行复杂的应用程序，包括RTOS、信号处理算法以及AI推理任务。这种物理层面的任务隔离，使得开发者可以在不干扰无线连接稳定性的前提下，最大化地挖掘AI推理的性能潜力。
1.1 nRF5340双核架构的核心原理与设计哲学
要理解nRF5340，首先需要理解其“异构双核”的定位。与对称多处理（SMP）架构不同，nRF5340的两个Cortex-M33核心并非完全对等。它们拥有独立的时钟域、电源域和内存映射，可以运行不同的操作系统（例如，应用核运行Zephyr RTOS，网络核运行Nordic的SoftDevice控制器固件）。这种非对称多处理（AMP）架构的核心优势在于：故障隔离与功耗优化。无线协议栈对实时性要求极高，且其状态机复杂，若与AI推理任务共享一个核心，一旦AI计算量激增，可能导致无线协议栈响应超时，引发连接断开。而双核架构从硬件层面杜绝了这种“互相拖累”的可能。
核心原理拆解：
- 独立电源域：网络核可以在应用核深度睡眠时独立维持无线连接，实现“常开”的BLE广播或扫描，功耗可低至亚微安级别。
- 灵活的内存映射：两个核心共享一部分SRAM（通过“共享内存”区域），但各自拥有私有内存。AI模型权重可以存放在应用核的私有Flash中，避免占用网络核稀缺的RAM。
- 硬件加速器协同：除了CPU核心，nRF5340还集成了PDRF（外设DMA）、ARM CryptoCell-312加密单元等。在AI推理中，CryptoCell虽然不直接参与矩阵运算，但可用于模型加密和通信安全，保护AI模型的知识产权。
在AI应用开发中，这种架构带来的直接好处是：您可以将麦克风采集（通过PDM接口）和BLE数据传输（网络核）完全交给网络核与DMA，而应用核则专注于运行神经网络推理。例如，在关键词唤醒（KWS）应用中，网络核负责BLE连接，应用核在检测到唤醒词后，才通过网络核发送通知，整个过程功耗极低。
1.2 AI应用场景与任务划分判断方法
并非所有AI应用都适合在nRF5340上运行。作为课程专家，我建议您从以下三个维度判断任务划分的合理性：计算密度、数据吞吐量和实时性要求。
| 场景类型 | 典型应用 | 推荐任务划分策略 | 关键考量因素 |
|---|---|---|---|
| 低功耗传感器AI | 跌倒检测、振动异常分类 | 网络核负责IMU数据采集与BLE传输；应用核运行轻量级MLP或决策树模型 | 模型大小需小于应用核RAM的50%，避免频繁的Flash读取 |
| 语音模式识别 | 关键词唤醒、命令词识别 | 网络核负责PDM麦克风数据流；应用核执行MFCC特征提取+CNN推理 | 需使用PDM通道的DMA环形缓冲区，确保数据无丢失 |
| 图像分类（低分辨率） | QR码识别、简单物体分类 | 应用核通过QSPI读取摄像头FIFO；网络核负责结果上报 | 建议使用MobileNetV1或更小的模型，输入尺寸限制在96x96以内 |
| 预测性维护 | 电机轴承剩余寿命预测 | 网络核采集高频振动数据并做FFT预处理；应用核运行LSTM或GRU模型 | FFT运算可放在网络核以减轻应用核负担，但需注意网络核的M33不带FPU，需使用定点数 |
判断操作流程：首先，评估AI模型的参数量与乘加运算次数（MACs）。如果模型小于100KB且MACs小于10M，通常可以在应用核上以实时性运行。其次，检查数据源接口。如果数据源是BLE或802.15.4无线传输，则必须由网络核处理。最后，考虑功耗预算。如果设备要求峰值电流小于5mA，那么AI推理必须采用“突发模式”，即快速唤醒应用核完成推理后立即睡眠，而网络核保持常开。
1.3 案例拆解：基于双核架构的智能门锁人脸识别系统
为了更直观地理解任务划分，我们拆解一个典型的智能门锁应用。该门锁需要实现本地人脸识别（无需云端），并在识别成功后通过BLE向手机发送开锁通知。
案例背景与约束：设备由两节AA电池供电，要求待机功耗低于10µA，识别响应时间小于1秒。摄像头模块输出QVGA（320x240）灰度图像，通过SPI接口连接。
初始现象与目标：初期方案采用单核MCU（如nRF52840）实现，发现当人脸检测算法（Viola-Jones）运行时，BLE广播间隔抖动明显，且整体功耗高达30mA。目标是将功耗降低至平均50µA，并保证BLE连接稳定。
分析判断过程：问题根源在于单核资源竞争。Viola-Jones检测需要遍历多个尺度窗口，计算量大且耗时，导致无线协议栈中断响应延迟。解决方案是利用nRF5340双核：将人脸检测与识别（采用MobileNetV1量化模型）放在应用核，将BLE协议栈与摄像头数据采集放在网络核。
实际操作步骤：
- 硬件连接调整：将摄像头SPI接口连接到网络核的SPI从机外设，利用网络核的DMA将图像帧直接写入共享内存区域。
- 核间通信配置：使用OpenAMP（开放非对称多处理框架）的RPMsg协议，网络核发送“图像就绪”消息给应用核。
- AI推理优化：在应用核上使用CMSIS-NN优化卷积运算，并将模型输入从320x240降采样至96x96，推理时间从800ms降至120ms。
- 功耗管理：应用核在完成推理后立即进入System OFF模式，仅保留网络核的RTC唤醒定时器。
结果对比与复盘：改造后，系统平均功耗降至45µA（待机）和15mA（识别瞬间），BLE连接稳定无丢包。关键经验是：不要将图像预处理（如缩放、灰度化）放在应用核，这部分数据搬运工作应交给网络核的DMA完成，以释放应用核的算力给真正的神经网络推理。
1.4 常见误区与学习路径规划
在开始后续章节前，请务必规避以下三个常见误区：
误区一：将网络核当作“从核”使用。网络核虽然主频低，但它有自己独立的任务（无线协议栈）。不要试图将AI推理任务的一部分放在网络核上执行，除非您完全接管了协议栈的调度，否则极易导致无线连接异常。
误区二：忽视共享内存的缓存一致性问题。两个M33核心都带有缓存，当通过共享内存交换数据时，必须使用__DSB()指令或原子操作来确保数据可见性，否则会出现“幽灵数据”。
误区三：模型选择贪大求全。nRF5340的512KB RAM虽然可观，但运行一个MobileNetV2（约14MB）是不现实的。请务必使用TFLite Micro的模型转换工具，并量化至int8。
本课程学习路径：本课程共30章，分为四大模块。第一模块（第1-5章）聚焦开发环境搭建与双核通信基础；第二模块（第6-12章）深入AI模型转换、量化与CMSIS-NN优化；第三模块（第13-20章）讲解传感器数据融合与实时推理实战；第四模块（第21-30章）涵盖低功耗优化、安全启动与产品级调试技巧。建议您在学习本章后，先动手搭建nRF5340 DK板的双核Hello World工程，通过打印日志观察两个核心的启动顺序，为后续的AI应用打下扎实的工程基础。