边缘AI与持续视觉感知基础

在进入mA级功耗Edge AI系统设计之前，必须先厘清两个核心概念：边缘计算与持续视觉感知。前者决定了算力部署的位置与资源边界，后者定义了视觉任务的工作模式与功耗约束。二者交汇之处，正是本课程所有技术方案的出发点——在极低的功率预算下，让视觉系统以“始终在线”的方式持续理解物理世界。本章将系统梳理边缘计算的架构本质、持续视觉感知的独特技术特征，并结合智能安防、工业质检、可穿戴设备三大典型场景，剖析其功耗敏感点与设计约束。

2.1 边缘计算：从云端下沉到设备端的必然性

边缘计算并非简单的“把服务器搬到现场”，而是一种分布式计算范式，其核心思想是将数据处理、分析推理与决策能力部署在靠近数据源的位置。对于持续视觉感知任务而言，这种下沉是刚性的——如果每一帧图像都需要上传云端处理，网络延迟、带宽成本与功耗开销将完全摧毁系统的可用性。以1080p RGB图像为例，单帧未压缩数据量约为6.2 MB，若以30 fps连续传输，需要约1.5 Gbps的持续带宽，这对电池供电设备而言是不可接受的。

2.2 持续视觉感知的定义与独特挑战

持续视觉感知（Continuous Visual Perception）指视觉系统在无人干预下，长时间、不间断地对环境进行视觉采集、分析与理解。与传统的“触发式”视觉任务不同，持续感知要求系统具备三个关键特性：始终在线（Always-On）、事件驱动（Event-Driven）与低功耗待机（Low-Power Standby）。这意味着系统大部分时间处于低功耗监听状态，仅在检测到感兴趣事件时才唤醒全速处理。

特性维度	传统视觉系统	持续视觉感知系统	设计影响
工作模式	按需触发，处理完即停	7×24小时连续运行	待机功耗成为主导指标
数据流	高帧率、短时突发	低帧率、持续流动	需要硬件级流水线优化
功耗分布	峰值功耗集中	平均功耗极低（<1 mW）	DVFS与电源门控策略
延迟要求	秒级响应可接受	毫秒级事件响应	中断驱动架构设计
存储策略	原始图像全量保存	特征/事件选择性存储	片上SRAM环形缓冲区

2.3 典型应用场景深度拆解

2.3.1 智能安防：电池供电的AI摄像头

智能安防是持续视觉感知最成熟的应用领域。典型场景包括家庭门口的可视门铃、仓库周界监控、野外动物监测等。这些设备通常使用4节AA电池或18650锂电池供电，要求续航6~12个月。系统需要持续分析视频流，检测人形、车辆、异常行为等事件，并在检测到事件后通过Wi-Fi推送告警。

关键设计约束：

• 感知策略：采用“双级检测”架构——第一级使用超低功耗的PIR传感器或事件相机进行粗粒度运动检测，第二级才唤醒图像传感器进行精细识别。PIR传感器功耗仅约10 μA，而图像传感器工作功耗约30~50 mW，这种分级策略可将平均功耗降低两个数量级。
• 处理策略：在MCU上运行轻量级神经网络（如MobileNetV2的量化版本），输入分辨率降至QVGA（320×240），帧率降至1~5 fps。关键帧触发全分辨率抓拍。
• 通信策略：Wi-Fi模块平时处于断电状态，仅在事件触发时上电并快速连接。连接时间需控制在500 ms以内，否则通信功耗将超过处理功耗。

2.3.2 工业质检：从“拍照上传”到“边缘实时判定”

工业质检场景对功耗的敏感度相对较低（通常有线供电），但对实时性与可靠性要求极高。传统方案将产线相机图像上传至工控机处理，单次检测延迟约200~500 ms。而边缘AI方案将检测模型部署在产线旁的嵌入式设备上，延迟可压缩至30~50 ms，满足高速产线（每分钟600件）的节拍要求。

典型部署架构：

1. 采集端：使用全局快门CMOS传感器，分辨率500万像素，帧率30 fps，配合频闪光源（曝光时间100 μs）冻结运动模糊。
2. 处理端：采用“MCU+NPU”异构方案，MCU负责图像采集与预处理（ROI裁剪、直方图均衡），NPU负责推理（缺陷分类、定位）。
3. 判定逻辑：设置两级阈值——第一级为“疑似缺陷”粗筛（召回率>99%），第二级为“缺陷分类”精判（准确率>95%）。粗筛通过则触发精判，否则直接放行。

对比维度	传统云端方案	边缘AI方案	提升幅度
单次检测延迟	200~500 ms	30~50 ms	4~10倍提升
网络依赖	完全依赖	不依赖（本地判定）	断网可用
数据隐私	图像外传	本地处理	数据不出厂
系统功耗	工控机约50 W	嵌入式约3 W	功耗降低90%+

2.3.3 可穿戴设备：在毫瓦级预算内实现手势与活动识别

可穿戴设备（如智能手表、AR眼镜、智能戒指）是mA级功耗约束最严苛的场景。以智能手表为例，其电池容量通常为300~500 mAh，系统总功耗预算约1~2 mW（平均）。在此预算下，持续视觉感知只能以“极低占空比”方式运行——例如每秒采集1帧QVGA图像，每帧处理时间不超过10 ms，其余时间深度睡眠。

功耗分配策略：

• 传感器：选用低功耗图像传感器（如OV7740，工作功耗约25 mW@30fps），但实际运行在1 fps，等效功耗约0.8 mW。更激进的做法是使用事件相机（如Prophesee Gen3），仅在像素亮度变化时输出事件流，平均功耗可低至0.5~1 mW。
• 处理器：采用Cortex-M4F或RISC-V内核，主频控制在100 MHz以内，运行量化后的TinyML模型（如手势识别模型，参数量<100K）。处理1帧QVGA图像约需5~8 ms，功耗约3~5 mW（瞬时），但占空比仅1%，平均功耗约0.05 mW。
• 内存：全部使用片上SRAM，避免外部DRAM的刷新功耗。模型权重存储在Flash中，运行时加载至SRAM。
• 通信：BLE模块仅在需要同步数据时唤醒，单次广播功耗约5 mA×5 ms，平均功耗可忽略。

2.4 常见误区与设计复盘

在持续视觉感知系统设计中，工程师常陷入以下误区，导致功耗超标或功能失效：

误区	错误认知	正确做法
只关注峰值功耗	只要处理器峰值功耗够低就行	必须计算“平均功耗=峰值功耗×占空比+待机功耗×空闲占比”
忽略传感器启动时间	传感器随时可唤醒	CMOS传感器从待机到稳定输出需10~50 ms，需提前预热或使用快速启动模式
模型精度优先	模型越大精度越高	在mA级功耗约束下，应优先选择参数量<1M的模型，并通过知识蒸馏提升精度
通信模块常开	保持连接以便随时上报	采用“事件触发+定时心跳”模式，通信模块平时断电，仅在事件时唤醒
忽视电源转换效率	LDO简单够用	当输入电压与核心电压差较大时，应使用DC-DC（效率90%+）而非LDO（效率50%~70%）