4、硬件平台选型：低功耗MCU、NPU、DSP、FPGA等平台对比，以及适合持续视觉感知的硬件特性

持续视觉感知（Continuous Visual Perception）任务与传统的“触发式”图像识别有本质区别：系统需要以毫瓦级甚至微瓦级功耗，在长时间内不间断地采集图像、执行预处理、运行推理模型并做出决策。这意味着硬件平台的选择不能仅看峰值算力，而必须综合评估静态功耗、动态功耗、推理能效比（TOPS/W）、外设集成度、低功耗模式切换延迟以及开发工具链的成熟度。本章将系统对比低功耗MCU、NPU、DSP和FPGA四类主流平台，并给出面向持续视觉感知任务的硬件选型决策框架。

上图展示了持续视觉感知硬件选型的核心决策链路。在实际项目中，我们通常先明确任务需求（如每秒处理5帧VGA灰度图、运行MobileNetV2分类模型），再根据电池容量或能量收集能力确定功耗预算，最后在四类平台中做权衡。下面逐一展开分析。

4.1 核心原理：四类平台的架构与能耗本质

理解平台差异的关键在于计算架构的“数据搬运”与“计算单元”组织方式。持续视觉感知的功耗主要由三部分构成：传感器采集功耗、数据搬运功耗、计算功耗。不同平台在这三方面的表现截然不同。

• 低功耗MCU（如STM32U5、EFM32、MSP430）：采用冯·诺依曼或哈佛架构，CPU核心通常为Cortex-M系列。其优势在于极低的静态功耗（可低至1µA以下）和快速唤醒时间（<10µs）。但算力有限，一般只能运行经过极度量化的轻量模型（如Binary Neural Network）或执行简单的图像预处理（如运动检测、差分计算）。
• NPU（如STM32N6、瑞萨RA8、寒武纪MLU220边缘版）：本质是脉动阵列或SIMD架构，专为卷积运算优化。NPU的能效比极高，典型值可达2-10 TOPS/W，但数据搬运功耗占比大，且需要外部DDR或SRAM配合。NPU通常需要搭配MCU或CPU作为控制核心，形成异构架构。
• DSP（如CEVA-XM6、Cadence Tensilica Vision Q8）：采用VLIW（超长指令字）架构，擅长向量运算和数字信号处理。在视觉任务中，DSP对图像滤波、特征提取、FFT等操作效率很高，且延迟可控。但DSP的编程模型复杂，需要手写优化汇编或使用专用库，开发周期较长。
• FPGA（如Lattice CrossLink-NX、Microchip PolarFire）：通过硬件描述语言配置逻辑门阵列，可实现完全定制化的流水线处理。FPGA的延迟最低（微秒级），且功耗与逻辑利用率直接相关。但FPGA的静态功耗相对较高（通常>100mW），且开发难度最大，不适合快速迭代。

4.2 判断方法：基于任务需求的平台筛选流程

在实际选型中，我们建议采用“三步筛选法”来缩小平台范围，避免盲目对比参数。

1. 第一步：模型与算力匹配。列出目标神经网络（或传统CV算法）的MACs（乘加运算次数）和参数量。例如，MobileNetV2在224×224输入下约需300M MACs。若要求帧率≥5fps，则所需算力为300M×5=1.5 GMACs/s。考虑NPU利用率（通常50-70%），实际需要约2.5 GMACs/s的算力。此时，低功耗MCU（通常<0.1 GMACs/s）直接排除，而入门级NPU（如STM32N6内置NPU约1.2 GMACs/s）可能勉强够用，但需要进一步优化。
2. 第二步：功耗预算验证。根据系统总功耗预算（例如电池容量500mAh，目标续航24小时，平均功耗需≤20mW），扣除传感器（如OV2640约20mW）、无线模块（如BLE约10mW），留给处理器的功耗预算约为5-10mW。此时需要对比平台在“持续运行”状态下的功耗。MCU在48MHz下运行约5-10mW，NPU在推理时约20-50mW，DSP约15-30mW，FPGA约100mW以上。显然，只有MCU和部分超低功耗NPU满足要求。
3. 第三步：低功耗模式与唤醒机制评估。持续视觉感知并非一直全速运行，而是“事件驱动”或“周期唤醒”。需要检查平台是否支持保留RAM的深度睡眠模式（如MCU的STOP2模式、NPU的DDR自刷新模式），以及唤醒时间是否满足实时性要求。例如，若系统需要每100ms唤醒一次进行运动检测，唤醒时间必须<5ms，否则功耗浪费在唤醒过程中。

4.3 案例拆解：智能门铃的持续人脸检测平台选型

我们以一个典型的持续视觉感知产品——电池供电的智能门铃为例，完整展示选型过程。该门铃需要24小时不间断检测门前区域是否有人，一旦检测到人脸则唤醒主控进行识别并推送通知。

项目约束与初始参数：

• 电池：3.7V 2000mAh锂电池，目标续航6个月（约180天）。
• 传感器：OV2640摄像头，VGA分辨率（640×480），输出YUV422格式。
• 检测任务：每200ms采集一帧，运行轻量级人脸检测模型（如MobileNet-SSD，输入尺寸160×160，约50M MACs）。
• 识别任务：检测到人脸后，运行人脸识别模型（约200M MACs），并发送Wi-Fi通知。

功耗预算计算：总能量=3.7V×2000mAh=7400mWh。6个月=4320小时，平均功耗需≤1.71mW。扣除传感器待机功耗（约0.5mW）和Wi-Fi模块待机功耗（约0.1mW），留给处理器的平均功耗预算约为1.1mW。这是一个极其严苛的预算。

平台筛选过程：

1. MCU方案（如STM32U585）：Cortex-M33内核，内置2D硬件加速器。运行MobileNet-SSD需要约200ms/帧，功耗约15mW。但采用“事件驱动”策略：摄像头以1fps低分辨率输出，MCU仅做帧差法运动检测（功耗约2mW），检测到运动后才全速运行推理（15mW持续200ms）。平均功耗估算：2mW×90%时间+15mW×10%时间=3.3mW，仍超出预算。
2. NPU方案（如STM32N6）：内置NPU算力1.2 GMACs/s，运行MobileNet-SSD仅需约40ms/帧，功耗约25mW。同样采用事件驱动，但NPU支持“低功耗推理模式”（仅激活部分MAC阵列），功耗可降至8mW。平均功耗：0.5mW（待机）+8mW×10%时间=1.3mW，勉强满足预算。
3. DSP方案（如CEVA-XM6）：需要外挂DDR，静态功耗较高（约5mW），且唤醒时间较长（约1ms），不适合频繁唤醒。平均功耗估算约2.5mW，超出预算。
4. FPGA方案：静态功耗即超过100mW，直接排除。

最终选型与优化：选择STM32N6，并做三项优化：①将摄像头分辨率降至320×240，减少数据搬运；②使用NPU的“深度睡眠+快速唤醒”模式，唤醒时间控制在200µs；③将运动检测算法放在NPU的“轻量级引擎”中，功耗仅3mW。实测平均功耗为1.2mW，续航约5.5个月，接近目标。

4.4 常见误区与总结复盘

在持续视觉感知硬件选型中，工程师常陷入以下误区：

• 误区一：只看峰值算力。认为NPU算力高就一定好，忽略了NPU需要搭配DDR带来的额外功耗和成本。对于简单任务（如运动检测），一颗Cortex-M0+的MCU可能比NPU更合适。
• 误区二：忽略“感知-计算”协同。持续视觉感知不仅是处理器的事，传感器（如全局快门、低功耗模式）、内存（如PSRAM vs DDR）、电源管理IC（如动态电压调节）都会显著影响系统功耗。选型时需将整个数据链路纳入考量。
• 误区三：低估工具链成本。FPGA和DSP的开发周期通常是MCU的3-5倍。如果产品迭代速度快，建议优先选择工具链成熟的平台（如STM32系列或瑞萨RA系列），即使硬件参数略逊。
• 误区四：忽视“事件驱动”架构设计。持续视觉感知的核心是“无事休眠，有事唤醒”。硬件平台必须支持多级低功耗模式（如待机、停止、睡眠）和外设事件唤醒（如GPIO中断、定时器、传感器中断）。如果平台不支持快速唤醒，再低的待机功耗也无意义。

总结复盘：硬件平台选型没有“最好”，只有“最匹配”。建议团队在项目启动初期，用一周时间完成“任务需求-功耗预算-平台初筛”的快速评估，并制作一个简单的功耗仿真表格（Excel即可），将传感器、处理器、无线模块的功耗按时间占比加权计算。同时，务必申请开发板进行实测，重点验证：①低功耗模式下的实际电流；②唤醒时间；③推理时的峰值电流和持续时间。这些数据将直接决定产品能否达到目标续航。