课程导入：学习目标、适用人群、课程结构、TinyML与低功耗调度的关系
TinyML（微型机器学习）正将人工智能推理能力从云端下沉到毫米级嵌入式设备中。然而，当一颗纽扣电池需要支撑传感器节点运行数月甚至数年时，功耗便不再是“优化项”，而是决定产品能否落地的“生死线”。在众多功耗优化手段中，周期性采样任务是最常见、也最容易被忽视的功耗黑洞——一个看似简单的定时读取传感器操作，若缺乏合理的调度框架，可能导致设备待机电流从微安级飙升至毫安级，续航时间缩短数十倍。本章作为整个课程的开篇，将明确学习目标、界定适用人群、拆解课程结构，并深入剖析TinyML与低功耗调度之间的本质联系，为后续章节的实战技术打下认知基础。
1.1 学习目标：从“能跑”到“能省着跑”
本课程的学习目标并非简单地教会你编写一个定时器中断，而是帮助你建立一套完整的、可工程化的低功耗调度思维。完成本课程后，学习者应当具备以下四项核心能力：
- 理解功耗本质：能够准确计算TinyML设备在采样、处理、通信、休眠四种状态下的功耗构成，并识别出周期性采样任务中的主要功耗浪费点。
- 掌握调度框架：能够设计并实现一个支持多优先级、可抢占、支持动态功耗管理的周期性任务调度器，无论是基于RTOS还是裸机状态机。
- 优化采样策略：能够根据传感器特性和应用场景，设计自适应采样周期、批量采样、事件触发采样等策略，在数据新鲜度与功耗之间取得平衡。
- 落地工程验证：能够使用功率分析仪、逻辑分析仪等工具，对调度框架进行功耗实测、时序验证和长期稳定性评估。
核心认知：低功耗调度不是“省电模式”的简单开启，而是一种系统级的资源管理艺术。它要求开发者对硬件状态、任务时序、数据语义有全局理解。本课程将帮助你从“代码能跑”提升到“知道为什么这样跑更省电”的层次。
1.2 适用人群：谁需要这门课？
本课程面向三类核心人群，同时也欢迎对嵌入式AI感兴趣的跨界学习者：
| 人群类型 | 背景特征 | 课程收益 |
|---|---|---|
| 嵌入式软件工程师 | 熟悉MCU开发，有RTOS使用经验，但缺乏系统化的功耗优化方法论 | 掌握从任务调度层面降低功耗的完整框架，提升产品续航竞争力 |
| TinyML算法工程师 | 擅长模型训练与量化，但对硬件功耗特性了解有限 | 理解模型部署时的硬件约束，学会设计“功耗感知”的采样与推理策略 |
| 物联网产品经理/硬件负责人 | 负责产品定义与硬件选型，需要评估不同方案的功耗可行性 | 建立低功耗设计的全局视野，能够更准确地评估项目风险与成本 |
需要特别说明的是，本课程假设学习者具备C语言编程基础、基本的数字电路知识（如中断、定时器、GPIO），并对机器学习有概念性了解。如果你尚未接触过TinyML，建议先补充基础的TensorFlow Lite Micro或CMSIS-NN知识，但这不是硬性前提——课程中涉及AI推理的部分会提供必要的背景说明。
1.3 课程结构：六模块递进式学习路径
整个课程共30章，按照“认知→设计→实现→优化→验证”的逻辑组织为六大模块。每个模块之间既有知识递进关系，又保持相对独立，方便学习者按需查阅。
- 基础概念模块（第1-4章）：建立功耗模型、任务模型和调度理论的基本框架。重点讲解CMOS功耗来源、MCU低功耗模式、周期性任务的实时性约束。
- 硬件设计模块（第5-9章）：聚焦时钟树设计、电源域划分、传感器接口电路、以及硬件与调度框架的协同设计。这是很多软件工程师容易忽略的盲区。
- 调度算法模块（第10-15章）：深入对比裸机前后台、RTOS多线程、事件驱动等调度架构，并引入动态电压频率调节（DVFS）、任务合并、批处理等高级调度策略。
- 采样策略模块（第16-21章）：针对周期性采样任务，设计自适应采样、预测性唤醒、数据变化率触发等智能策略，减少无效采样次数。
- 推理优化模块（第22-26章）：从模型量化、算子融合、内存复用等角度，降低单次推理的功耗与延迟，使调度框架的“省电”效果最大化。
- 实战案例模块（第27-30章）：通过智能农业土壤监测、可穿戴健康手环、工业振动分析三个完整案例，展示从需求分析到量产验证的全流程。
学习建议：如果你已经有丰富的RTOS使用经验，可以跳过第10-11章的基础调度内容，但建议至少浏览第12章关于“功耗感知调度器”的设计模式。如果你更关注算法层面，第16章之后的内容将是重点，但请务必先理解第3章的功耗模型，否则后续优化将缺乏量化基准。
1.4 TinyML与低功耗调度的关系：一枚硬币的两面
TinyML与低功耗调度之间的关系，可以用“一枚硬币的两面”来概括。TinyML定义了“在极受限资源下运行机器学习模型”的目标，而低功耗调度则是实现这一目标的核心使能技术。两者相互依存，缺一不可。
从TinyML的视角看：TinyML设备通常由电池供电，且部署位置往往难以频繁更换电池（如桥梁监测节点、野生动物追踪器）。这意味着整个系统的平均功耗必须被严格限制。以常见的CR2032纽扣电池为例，其标称容量约为220mAh。若设备需要运行一年，则平均电流不能超过220mAh / 8760h ≈ 25μA。而一颗典型的低功耗MCU（如STM32L4系列）在活跃模式下的电流高达数毫安，在睡眠模式下则可低至1μA以下。这中间的差距，必须依靠合理的调度策略来弥合——让MCU尽可能多地处于睡眠状态，仅在需要采样和推理时短暂唤醒。
从调度框架的视角看：周期性采样任务是TinyML设备中最典型的工作负载。一个环境监测节点可能需要每10分钟采集一次温度、湿度、气压数据，然后运行一个轻量级模型判断是否有异常。这个任务看似简单，但若调度不当，会出现以下问题：
- 唤醒抖动：定时器精度不足或中断响应延迟，导致采样时刻漂移，影响数据时间一致性。
- 无效唤醒：传感器数据未发生变化时仍执行完整采样+推理流程，浪费能量。
- 外设漏电：采样完成后未及时关闭传感器电源或通信接口，造成额外漏电流。
- 任务堆积：高优先级任务频繁打断低优先级任务，导致低优先级任务反复重启，增加功耗。
低功耗调度框架正是为了解决这些问题而设计的。它通过统一的任务时间表、精细的外设电源管理、以及智能的采样决策机制，确保每一次唤醒都“物有所值”。
常见误区：很多开发者认为“只要MCU支持睡眠模式，功耗自然就低了”。实际上，睡眠模式只是提供了低功耗的“可能性”，真正的功耗优化取决于你如何调度任务、管理外设、以及设计唤醒源。一个设计不良的调度器，可能让MCU频繁进出睡眠模式，反而因为状态切换开销而增加功耗。本课程将帮助你避免这类“假低功耗”陷阱。
1.5 案例拆解：一个温湿度监测节点的功耗优化历程
为了更直观地说明TinyML与低功耗调度的关系，我们来看一个典型的工程案例。某智能农业项目需要部署100个土壤温湿度监测节点，每个节点使用2节AA电池供电，要求续航至少6个月。节点每15分钟采集一次数据，并通过LoRa上传。
初始方案与问题：开发团队的第一版固件采用简单的“定时器中断+主循环轮询”架构。定时器每15分钟触发一次中断，在中断中设置标志位，主循环检测到标志位后执行传感器读取、模型推理和LoRa发送。实测发现，节点平均电流高达1.2mA，理论续航仅约7天，远低于目标。
功耗分析过程：使用Joulescope功率分析仪抓取电流波形后发现三个主要问题：
- 传感器预热时间过长：土壤湿度传感器每次上电后需要稳定2秒，期间消耗15mA电流。由于调度器未做预热管理，每次采样都包含这段无效功耗。
- LoRa发送后未及时进入睡眠：LoRa模块发送完成后，代码仍保持其供电3秒，等待可能的ACK，但实际网络并不需要ACK，导致额外9mA电流持续3秒。
- MCU频繁唤醒：由于使用了1秒周期的RTC唤醒来检查是否有待处理任务，MCU每1秒唤醒一次，每次唤醒消耗约50μA×2ms，虽然单次不大，但累计起来占到了总功耗的15%。
调度框架优化措施：
- 引入“预热-采样-推理-发送-休眠”五状态调度状态机，传感器预热期间MCU进入低功耗睡眠，仅保持传感器供电。
- 将LoRa发送改为“发送即休眠”模式，不等待ACK，节省3秒高功耗时间。
- 将RTC唤醒周期从1秒延长至15分钟，期间完全关闭MCU时钟，仅保留RTC和GPIO唤醒功能。
- 增加数据变化率检测：若连续两次采样数据变化小于阈值，则跳过推理步骤，直接进入休眠。
优化结果：优化后节点平均电流降至38μA，理论续航达到约8个月，满足6个月的设计目标。更重要的是，整个调度框架的代码量仅增加了约200行，且逻辑更加清晰，便于后续维护和功能扩展。
复盘经验：这个案例揭示了低功耗调度的核心方法论——“先测量，再优化”。没有功率分析仪的数据支撑，团队很难定位到预热时间和ACK等待这两个隐蔽的功耗点。同时，调度框架的设计必须与硬件特性紧密结合，例如传感器预热时间、通信模块的功耗状态机等，这些都需要在框架设计阶段就纳入考量。
1.6 总结与学习路径建议
本章作为课程导入，明确了三个关键认知：第一，TinyML的低功耗目标必须通过系统级的调度框架来实现，而非依赖单一硬件特性；第二，周期性采样任务是最典型的优化对象，其功耗浪费点往往隐藏在细节中；第三，功耗优化是一个“测量-分析-设计-验证”的闭环过程，需要软硬件协同视角。