2、TinyML基础：嵌入式机器学习概念、典型硬件平台（MCU、传感器）、资源约束与功耗挑战
TinyML（微型机器学习）是机器学习与嵌入式物联网系统交叉融合的前沿领域，其核心目标是在功耗受限、算力有限、存储空间极小的微控制器（MCU）上部署和运行机器学习推理模型。与云端AI依赖大规模GPU集群不同，TinyML强调在数据产生的物理边缘侧完成感知、推理与决策，从而避免数据传输延迟、带宽消耗和隐私泄露风险。理解TinyML的基础概念、硬件平台特性以及功耗挑战，是设计低功耗周期性采样调度框架的前提。本章将系统梳理嵌入式机器学习的基本原理、典型MCU与传感器平台、资源约束边界，并深入剖析功耗来源与优化切入点。
2.1 嵌入式机器学习的核心概念与运行范式
嵌入式机器学习并非简单地将深度学习模型“压缩”后放入MCU，而是一种涉及模型设计、量化压缩、运行时优化和硬件适配的系统工程。其核心概念包括：端侧推理（On-device Inference）、模型量化（Quantization）、知识蒸馏（Knowledge Distillation）以及增量学习（Incremental Learning）。在TinyML工作流中，模型通常在PC或云端完成训练，然后通过TensorFlow Lite for Microcontrollers、CMSIS-NN或RVNN等工具链转换为C++数组或二进制文件，最终部署到MCU上执行前向推理。
关键运行范式：TinyML系统通常采用“感知-处理-执行”的闭环结构。传感器以固定或事件触发方式采集物理信号，MCU对原始数据进行预处理（滤波、归一化、特征提取），然后运行轻量级神经网络（如MobileNetV1、TinyMLPerf基准模型）或经典机器学习算法（决策树、随机森林、朴素贝叶斯）完成分类或回归任务，最后驱动执行器或通过无线模块上报结果。整个流程必须在严格的功耗预算和时间约束下完成。
与通用嵌入式系统不同，TinyML对模型体积和推理延迟有极端要求。例如，一个用于关键词唤醒（KWS）的模型参数量通常被限制在100KB以内，推理时间需控制在50ms以下，以保证实时响应。此外，TinyML系统往往需要支持持续运行（Always-on）场景，这意味着待机功耗必须低至微安培级别，否则电池供电设备将无法维持数周甚至数月的使用寿命。
2.2 典型硬件平台：MCU、传感器与开发板选型
选择适合的硬件平台是TinyML项目成功的第一步。当前主流TinyML硬件平台主要分为三大类：超低功耗MCU、集成NPU的MCU以及带无线SoC的MCU。以下表格对比了典型平台的关键参数：
| 平台型号 | 核心架构 | Flash/SRAM | 典型功耗（Active） | 待机功耗 | 适用场景 |
|---|---|---|---|---|---|
| STM32L4系列 | Cortex-M4F @80MHz | 1MB / 128KB | ~100μA/MHz | 0.3μA（Shutdown） | 工业传感、可穿戴 |
| nRF52840 | Cortex-M4F @64MHz | 1MB / 256KB | ~4.8mA（Radio ON） | 0.4μA（OFF） | BLE物联网节点 |
| ESP32-S3 | Xtensa LX7 @240MHz | 8MB / 512KB | ~40mA（WiFi） | ~10μA（Deep Sleep） | AI语音、图像入门 |
| MAX78000 | Cortex-M4F + CNN加速器 | 512KB / 128KB | ~1.5mA（推理） | 0.5μA | 边缘视觉、振动分析 |
| Raspberry Pi Pico | Cortex-M0+ @133MHz | 2MB / 264KB | ~1.5mA（Active） | ~1μA | 教育、原型验证 |
传感器选型同样至关重要。在周期性采样任务中，常用的传感器包括：MEMS加速度计（如LIS3DH、BMI270）、温湿度传感器（如SHT40、BME280）、气压传感器（如BMP390）以及麦克风（如ICS-43434）。这些传感器通常支持多种工作模式（如单次采样、FIFO缓冲、中断输出），合理配置其采样率和功耗模式能显著影响系统整体能耗。
选型经验：对于电池供电的周期性采样设备，建议优先选择支持硬件FIFO和可配置中断阈值的传感器。例如，加速度计可以在检测到运动超过阈值时才唤醒MCU，避免MCU频繁从睡眠模式唤醒进行无效采样，从而节省大量功耗。
2.3 资源约束的量化分析与适配策略
TinyML系统的资源约束体现在计算能力、存储容量、内存带宽和能量预算四个维度。以STM32L4为例，其80MHz的Cortex-M4F核心每秒可执行约8000万次乘加运算（MACs），但一个典型的1D卷积层（输入64通道，输出32通道，核大小3）就需要约6000次MACs，这意味着每秒最多处理约1.3万个这样的层操作。因此，模型设计必须严格控制层数和通道数。
存储方面，MCU的Flash通常用于存放模型权重和代码，SRAM则用于存放中间激活值。一个量化后的INT8模型，若权重为200KB，则Flash占用200KB；若输入特征图为32×32×16，则SRAM需要约16KB的激活缓冲区。当SRAM不足时，系统将被迫使用Flash存储中间结果，导致推理速度急剧下降。因此，内存规划是TinyML工程化的核心技能。
// 示例：模型内存占用估算（伪代码）
model_size = weights_size + activations_size + metadata_size;
// 假设：INT8量化，输入特征图 32x32x16
input_activation = 32 * 32 * 16 * 1; // 16KB
// 第一层卷积输出 30x30x32
conv1_activation = 30 * 30 * 32 * 1; // 28.8KB
// 总SRAM需求 ≈ 16 + 28.8 + 其他层 ≈ 60KB
// 若SRAM只有64KB，则需考虑内存复用或减少通道数针对资源约束，常用的适配策略包括：深度可分离卷积（减少计算量）、权重量化（FP32→INT8，减少4倍存储）、激活函数ReLU6（便于量化）、模型剪枝（移除冗余连接）以及知识蒸馏（用小模型学习大模型输出）。这些技术需要结合具体硬件特性进行联合优化。
2.4 功耗挑战的根源与低功耗设计方法论
功耗是TinyML系统最核心的约束。周期性采样任务的功耗主要由四部分组成：传感器采样功耗、MCU处理功耗、无线传输功耗和待机功耗。其中，无线传输（如BLE广播）的峰值功耗可达10mA以上，虽然持续时间短，但若频繁发送数据，能耗占比极高。MCU的功耗与时钟频率和电压成正比，降低频率可显著减少动态功耗，但会增加推理时间。
常见误区：许多开发者误以为“降低采样频率”就能线性降低功耗。实际上，MCU从睡眠模式唤醒需要消耗额外能量（唤醒时间约10μs，唤醒电流约1mA），如果采样间隔过短，唤醒功耗可能超过采样功耗本身。因此，需要计算总能耗 = 采样能耗 + 唤醒能耗 + 处理能耗 + 传输能耗 + 待机能耗，并找到最优采样周期。
低功耗设计方法论应遵循以下流程：
- 功耗预算分解：根据电池容量（如200mAh CR2032）和目标寿命（如6个月），计算平均可用电流（约46μA），再分配到各功能模块。
- 任务周期规划：确定采样频率、推理频率和传输频率。例如，每10秒采样一次，每1分钟推理一次，每5分钟传输一次。
- 硬件低功耗模式配置：利用MCU的Sleep/Deep Sleep/Standby模式，以及传感器的低功耗模式（如LIS3DH的50Hz低功耗模式仅需~10μA）。
- 动态电压频率调节（DVFS）：在推理时使用高频（如80MHz），在空闲时降至低频或进入睡眠。
- 事件驱动唤醒：使用传感器中断或RTC定时器唤醒MCU，避免轮询。
2.5 案例拆解：工业振动监测节点的功耗优化
某工业设备预测性维护项目需要部署一个振动监测节点，使用ADXL345加速度计（±16g，12位分辨率）和STM32L431 MCU，通过BLE每5分钟上报一次振动特征值。初始设计采用1kHz采样率连续采样10秒，然后进行FFT计算并发送原始数据。实测平均功耗高达2.3mA，电池（500mAh）仅能维持约9天。
分析过程：通过电流探针测量发现，BLE传输占功耗的68%（每次传输约120mA，持续80ms），MCU FFT计算占22%，传感器采样占8%，待机仅占2%。进一步分析发现，原始数据发送量过大（10秒×1kHz×2字节=20KB），导致BLE传输时间过长。
优化措施：
- 将采样率降至500Hz（满足振动分析需求），采样时间缩短至5秒，数据量降至5KB。
- 在MCU上运行轻量级FFT（256点），提取前4个频段的能量值，仅发送8字节特征数据。
- 将BLE传输间隔调整为每15分钟一次，并采用无连接广播模式。
- MCU在非采样期间进入Standby模式（0.3μA），使用RTC定时唤醒。
结果对比：优化后平均功耗降至42μA，电池寿命延长至约490天。代价是丢失了原始波形数据，无法进行事后频谱分析，但满足了预测性维护的实时性需求。
复盘经验：TinyML功耗优化的核心是减少数据搬运和缩短高功耗模块工作时间。在边缘端完成特征提取和压缩，远比传输原始数据更节能。同时，合理利用MCU的低功耗模式，将平均功耗降低1-2个数量级是完全可行的。
2.6 常见误区与设计总结
在TinyML项目实践中，以下误区需要特别警惕：
- 误区一：模型精度越高越好。在资源受限环境下，应优先保证模型体积和推理速度，精度只需满足业务阈值即可。
- 误区二：忽略传感器功耗。某些传感器在连续模式下的功耗甚至超过MCU，应优先选择支持单次采样或FIFO模式的传感器。
- 误区三：频繁无线唤醒。每次无线唤醒的功耗开销巨大，应尽量合并数据包，减少传输次数。
- 误区四：未考虑启动时间。MCU从深度睡眠唤醒到稳定运行需要时间，若唤醒过于频繁，启动功耗将占据主导。