3、功耗基础与mA级目标：功耗单位、典型嵌入式平台功耗对比、mA级功耗的量化指标与设计约束
在Edge AI持续视觉感知任务中，功耗不是“一个参数”，而是贯穿硬件选型、软件架构、算法设计、调度策略和系统热设计的核心约束。很多开发者习惯在PC或服务器上完成模型训练与验证，再直接部署到嵌入式平台，结果发现推理延迟达标了，但电池续航远低于预期，或者设备因过热而降频。本章从功耗的基本单位出发，建立mA级目标的量化认知，对比典型嵌入式平台的功耗特性，并给出设计约束的推导方法。
3.1 功耗单位体系与mA级目标的物理含义
功耗的度量在嵌入式系统中有三个层次：电流（I）、功率（P）和能量（E）。电流单位常用mA（毫安）和μA（微安），功率单位常用mW（毫瓦）和W（瓦），能量单位常用mAh（毫安时）和Wh（瓦时）。三者关系为：P = V × I，E = P × t = V × I × t。在电池供电设备中，mAh直接反映电池容量，而mA级电流则直接决定续航时间。
mA级目标并非一个固定数值，而是根据应用场景反推出来的预算。例如，一个使用2000mAh电池的视觉门铃，要求续航6个月（约4320小时），则平均电流预算为：2000mAh ÷ 4320h ≈ 0.46mA。这意味着系统在绝大多数时间必须处于微安级待机状态，仅在事件触发时短暂唤醒执行视觉推理。这种“极低占空比”的工作模式，是mA级功耗设计的核心逻辑。
3.2 典型嵌入式平台功耗对比与选型依据
不同嵌入式平台的功耗差异可达三个数量级。下表对比了常见平台的典型功耗范围，以及它们在持续视觉感知任务中的适用性。
| 平台类型 | 代表芯片/模组 | 典型功耗范围 | 算力水平 | 视觉任务适用性 |
|---|---|---|---|---|
| 低功耗MCU | STM32L4、EFM32、MSP430 | 10~100mW（运行） 1~10μA（待机） |
几十~几百GOPS | 仅适合简单图像预处理、二值化分类 |
| MCU+NPU | STM32N6、瑞萨RA8、NXP i.MX RT1170 | 100~500mW（运行） 10~50μA（待机） |
0.5~4 TOPS | 适合轻量级CNN、关键帧检测 |
| 应用处理器 | 树莓派Zero 2W、全志V853、瑞芯微RV1126 | 0.5~2W（运行） 1~5mA（待机） |
1~3 TOPS | 适合实时视频流分析、多路输入 |
| 高性能边缘AI平台 | Jetson Orin Nano、RK3588、Intel Movidius | 5~25W（运行） 0.1~1W（待机） |
10~100 TOPS | 适合复杂模型、多任务视觉，但需外部电源 |
选型时不能只看“运行功耗”，还要关注待机功耗和唤醒时间。对于mA级目标，MCU+NPU方案往往是最佳折中：它能在需要时提供足够的AI算力，在空闲时进入深度睡眠，且唤醒时间在毫秒级，满足事件驱动的视觉感知需求。
3.3 mA级功耗的量化指标体系
要落实mA级目标，必须建立一套可测量、可对比的量化指标。以下是持续视觉感知任务中最重要的五个功耗指标：
- 平均电流（I_avg）：在完整工作周期（包括运行、空闲、休眠）内的电流积分平均值，直接决定续航时间。
- 峰值电流（I_peak）：系统启动、无线发射或推理加速时出现的最大电流，决定电源芯片和电池的瞬时输出能力。
- 待机电流（I_standby）：系统处于深度睡眠但保持RAM数据时的电流，通常要求小于50μA。
- 能效比（TOPS/W）：每瓦功耗提供的算力，用于比较不同AI加速器的效率。
- 唤醒功耗/时间：从休眠到可执行推理的功耗和时间，影响事件响应的实时性。
在实际测量中，建议使用功耗分析仪（如Joulescope、Otii Arc）记录实时电流曲线，而不是仅用万用表读取平均值。因为视觉任务往往是突发性的——几毫秒内电流从10μA跳到200mA，这种瞬态特性对电源设计至关重要。
3.4 从续航需求到设计约束的推导方法
mA级目标不是凭空设定的，而是从产品需求逐层推导而来。以下是标准推导流程：
- 确定续航需求：例如“电池供电，每天工作8小时，连续使用30天”。
- 计算总能量预算：若使用3.7V锂电池，容量为1000mAh，则总能量为3.7Wh。
- 推导平均功耗上限：总能量 ÷ 总工作时间 = 3.7Wh ÷ 240h ≈ 15.4mW，即平均电流约4.2mA。
- 分配子模块预算：根据工作占比，将4.2mA分配给处理器（2mA）、传感器（1mA）、无线模块（0.5mA）、电源损耗（0.7mA）。
- 验证峰值约束：确保所有模块同时启动时的峰值电流不超过电池最大放电电流（通常为容量的1~2C）。
这个推导过程必须在硬件选型前完成，否则后续优化空间非常有限。
3.5 实战案例：低功耗视觉门铃的功耗预算与验证
我们以一个典型的视觉门铃项目为例，展示mA级功耗设计的完整闭环。
项目背景与约束：产品使用2000mAh锂电池（3.7V），要求续航6个月。每天平均触发20次事件，每次事件需要拍摄并分析5秒视频。待机时仅PIR传感器工作，检测到人体后唤醒主控。
初始现象：第一版原型机实测平均电流为8.5mA，理论续航仅9.8天，远低于目标。
关键数据：通过功耗分析仪记录，发现待机电流为2.3mA（远超预期的50μA），主要原因是主控芯片未进入深度睡眠，且LDO静态电流过大。事件处理时峰值电流达到680mA，接近电池最大放电能力。
分析判断：待机电流超标是续航不足的主因。进一步排查发现，GPIO上拉电阻、电源指示灯和LDO选型不当共同贡献了1.8mA的额外电流。
实际操作步骤：
- 将主控切换到SHUTDOWN模式，仅保留PIR中断唤醒，待机电流降至12μA。
- 更换低静态电流的DCDC（静态电流<5μA），替代原LDO。
- 移除电源指示灯，或改为软件控制仅在事件期间点亮。
- 优化事件处理流程：将5秒视频缩短为2秒，并降低推理分辨率。
结果对比：优化后待机电流降至15μA，事件处理平均电流为120mA（持续2秒），平均电流降至0.38mA，理论续航提升至219天，满足6个月目标。
风险与代价：深度睡眠模式导致首次唤醒时间从1ms增加到15ms，但PIR检测本身有约200ms的稳定时间，因此不影响实际使用。更换DCDC增加了BOM成本约0.3美元。
复盘经验：mA级设计必须从待机电流入手，因为待机时间占比通常超过99%。同时，要建立“功耗预算表”并逐项核对，避免隐性电流消耗。
3.6 常见误区与设计约束总结
在mA级功耗设计中，以下误区会导致项目延期或产品失败：
- 误区一：只关注处理器功耗，忽略外设。实际上，摄像头传感器、无线模块、电源转换损耗往往占总功耗的40%以上。
- 误区二：将“运行功耗”当作“平均功耗”。视觉任务通常是突发性的，必须计算占空比。
- 误区三：忽视温度对漏电流的影响。高温下，半导体漏电流呈指数增长，可能导致待机电流翻倍。
- 误区四：电源设计余量过大。选择过大规格的DCDC或LDO，其静态电流反而更高。
总结而言，mA级功耗设计是一个从需求推导、平台选型、量化测量到迭代优化的系统工程。只有建立完整的功耗预算体系，并在每个开发阶段持续验证，才能确保Edge AI视觉设备在电池供电下实现长期稳定运行。