4、嵌入式系统基础：微控制器（MCU）架构、外设接口（GPIO、SPI、I2C、UART）、传感器数据采集与处理

在边缘AI与TinyML的工程实践中，绝大多数推理任务并非运行在手机或树莓派上，而是运行在功耗受限、资源受限的微控制器（MCU）中。理解MCU的哈佛架构与冯·诺依曼架构差异、存储映射、时钟树、中断系统，以及GPIO、SPI、I2C、UART等外设接口的电气特性与通信时序，是完成传感器数据采集、预处理和模型输入张量构建的前提。本章将从芯片内部结构出发，逐步拆解外设通信机制，并给出传感器数据采集与信号调理的完整工程链路。

4.1 微控制器（MCU）核心架构与存储映射

MCU 是 TinyML 推理的物理载体，其架构决定了模型参数存储方式、数据搬运路径和计算吞吐上限。当前主流边缘 AI 设备多采用 ARM Cortex-M 系列内核（如 M0+、M4、M7、M33），这些内核采用哈佛架构或改进型哈佛架构，即指令总线与数据总线物理分离，允许 CPU 在同一时钟周期内同时取指和读写数据，显著提升流水线效率。以 STM32F4 系列为例，其内部结构可划分为四个主要域：内核域（CPU、FPU、NVIC、调试接口）、存储域（Flash、SRAM、OTP）、外设域（GPIO、SPI、I2C、UART、ADC、定时器等）以及总线矩阵（AHB、APB1、APB2）。

存储映射是嵌入式开发的基础认知。ARM Cortex-M 采用统一编址方式，4GB 地址空间被划分为多个区域：0x00000000-0x1FFFFFFF 为代码区（Flash），0x20000000-0x3FFFFFFF 为 SRAM 区，0x40000000-0x5FFFFFFF 为外设区，0xE0000000-0xFFFFFFFF 为系统控制空间（包含 NVIC、SysTick、FPU 寄存器）。在 TinyML 部署中，模型权重通常存放在 Flash 中（如 256KB-2MB），推理时的中间张量、激活值则存放在 SRAM 中（如 128KB-512KB）。由于 SRAM 容量远小于 Flash，内存规划成为模型部署的关键约束——例如 TensorFlow Lite Micro 的 arena 大小设置必须精确匹配模型峰值内存需求。

4.2 外设接口：GPIO、SPI、I2C、UART 的工程应用

外设接口是 MCU 与传感器、执行器通信的物理通道。每种接口在速率、引脚数、拓扑结构、抗干扰能力上各有优劣，选型需根据传感器输出类型、采样率、传输距离和功耗要求综合决定。

4.2.1 GPIO：数字信号采集与事件触发

GPIO（通用输入输出）是最基础的外设，每个引脚可配置为输入、输出、复用功能或模拟模式。在 TinyML 场景中，GPIO 常用于读取数字传感器（如 PIR 人体红外传感器输出高/低电平）、检测外部中断（如运动传感器 INT 引脚唤醒 MCU）以及控制执行器（如 LED 指示推理结果）。GPIO 配置需注意：上拉/下拉电阻的选择（内部上拉通常 30-50kΩ，外部上拉可精确控制）、输出速度等级（低速 2MHz、中速 10MHz、高速 50MHz，高速率会增加 EMI）、以及中断触发方式（上升沿、下降沿、双边沿、低电平）。

// STM32 HAL 库 GPIO 外部中断配置示例
GPIO_InitTypeDef GPIO_InitStruct = {0};
__HAL_RCC_GPIOA_CLK_ENABLE();
GPIO_InitStruct.Pin = GPIO_PIN_0;
GPIO_InitStruct.Mode = GPIO_MODE_IT_FALLING;  // 下降沿触发
GPIO_InitStruct.Pull = GPIO_PULLUP;           // 内部上拉
HAL_GPIO_Init(GPIOA, &GPIO_InitStruct);
HAL_NVIC_SetPriority(EXTI0_IRQn, 2, 0);       // 优先级分组
HAL_NVIC_EnableIRQ(EXTI0_IRQn);

4.2.2 SPI：高速同步串行接口

SPI（串行外设接口）采用主从模式，由主机产生时钟信号 SCLK，通过 MOSI 发送数据、MISO 接收数据，CS 片选信号决定通信对象。SPI 的显著优势是速率高（可达 40Mbps 以上）且全双工，适合传输大量数据。在 TinyML 场景中，SPI 常用于：读取高采样率传感器（如 1kHz 以上的 9 轴 IMU）、连接外部 Flash 存储模型参数、驱动 TFT 显示屏显示推理结果。SPI 配置需关注时钟极性（CPOL）和时钟相位（CPHA），必须与从设备数据手册严格匹配，否则通信数据将完全错乱。

4.2.3 I2C：双线制多设备总线

I2C（Inter-Integrated Circuit）仅需 SCL（时钟）和 SDA（数据）两根线，通过 7 位或 10 位地址寻址，支持一总线上挂载多个设备。I2C 采用开漏输出+外部上拉电阻（典型 4.7kΩ），因此通信速率受限（标准模式 100kbps，快速模式 400kbps，高速模式 3.4Mbps）。在 TinyML 场景中，I2C 是连接低速环境传感器（温湿度 SHT30、气压 BMP280、光照 BH1750）的首选接口，因为这类传感器采样率低（1-10Hz），I2C 速率完全满足需求且节省引脚。I2C 通信需注意地址冲突（多个同型号传感器可通过 ADDR 引脚修改地址）、总线死锁（从设备拉低 SDA 不放，需主机发送 9 个时钟脉冲复位）以及电平匹配（1.8V 传感器与 3.3V MCU 需电平转换）。

// I2C 读取 SHT30 温湿度传感器（地址 0x44）示例
uint8_t cmd[2] = {0x2C, 0x06};  // 高精度测量命令
HAL_I2C_Master_Transmit(&hi2c1, 0x44<<1, cmd, 2, 100);
HAL_Delay(20);  // 等待测量完成
uint8_t buf[6];
HAL_I2C_Master_Receive(&hi2c1, 0x44<<1, buf, 6, 100);
uint16_t temp_raw = (buf[0]<<8) | buf[1];
float temp = -45.0f + 175.0f * (temp_raw / 65535.0f);

4.2.4 UART：异步串行通信

UART（通用异步收发器）只需 TX 和 RX 两根线，通信双方需约定相同的波特率（每秒传输的比特数）。UART 是异步通信，没有时钟线，依靠起始位和停止位同步帧。在 TinyML 场景中，UART 主要用于：调试日志输出（printf 重定向）、与蓝牙/WiFi 模块通信（如 ESP32 透传推理结果）、与上位机进行模型参数交互。UART 配置需注意波特率误差（双方误差需小于 2%）、数据位/停止位/校验位匹配，以及流控（RTS/CTS 可选）。

4.3 传感器数据采集与信号处理链路

传感器数据采集是 TinyML 推理的输入源头，其质量直接影响模型准确率。完整的数据采集链路包括：传感器选型 → 接口配置 → 数据读取 → 信号调理 → 数据缓存 → 特征提取 → 模型输入张量构建。每个环节都有特定的工程陷阱。

4.3.1 信号调理与抗混叠滤波

对于模拟输出传感器（如麦克风、光电二极管），MCU 的 ADC 模块负责将连续模拟信号转换为离散数字值。ADC 采样率必须满足奈奎斯特采样定理（采样率 ≥ 2 倍信号最高频率），否则会产生混叠失真。例如，语音信号最高频率 4kHz，则采样率至少 8kHz，实际工程中通常取 16kHz。在 ADC 前端需加入抗混叠低通滤波器（RC 一阶或运放二阶），截止频率设为采样率的 1/2 以下。此外，ADC 参考电压（VREF）的稳定性至关重要，建议使用外部精密基准源（如 REF3030）而非 MCU 内部 VREF。

4.3.2 数据缓存与 DMA 传输

对于连续高频采样（如 1kHz 加速度计、16kHz 麦克风），若每次采样都触发 CPU 中断，将导致大量上下文切换开销，甚至影响推理任务实时性。标准方案是使用DMA 环形缓冲区：ADC 或 SPI 外设通过 DMA 将数据持续写入 SRAM 中的环形缓冲区，当缓冲区半满或全满时触发一次中断，CPU 批量处理数据。以 16kHz 采样、16 位精度为例，每秒产生 32KB 数据，若 SRAM 分配 8KB 环形缓冲区，则每 250ms 触发一次中断，CPU 负载极低。

// ADC + DMA 环形缓冲区配置（伪代码）
#define BUF_SIZE 4096
uint16_t adc_buf[BUF_SIZE];
// 配置 ADC 为连续扫描模式，DMA 循环模式
HAL_ADC_Start_DMA(&hadc1, (uint32_t*)adc_buf, BUF_SIZE);
// 在 DMA 半传输完成中断中处理前一半数据
void HAL_ADC_ConvHalfCpltCallback(ADC_HandleTypeDef* hadc) {
    process_audio_data(adc_buf, BUF_SIZE/2);
}

4.3.3 数据预处理与特征构建

原始传感器数据通常不能直接输入 TinyML 模型，需经过预处理。常见操作包括：去直流偏置（减去均值）、归一化（映射到 [-1,1] 或 [0,1]）、滑动窗口（如 256 点音频帧，50% 重叠）、特征提取（MFCC、FFT 频谱、时域统计量）。预处理环节需注意定点化问题——MCU 通常无 FPU（如 Cortex-M0+），浮点运算需软件模拟，耗时严重。建议将归一化系数预先计算为定点数（Q15 格式），在整数域完成运算。

4.4 实战案例：基于 STM32 的振动异常检测系统

本案例展示一个完整的传感器数据采集与 TinyML 推理链路。某工业设备需监测电机轴承振动，异常时提前预警。选用 STM32F407（Cortex-M4，168MHz，192KB SRAM）作为主控，ADXL345 三轴加速度计（SPI 接口，±16g，3200Hz 最大采样率）作为振动传感器。

初始现象与目标：设备正常运行时振动频率约 50Hz（电机转速 3000rpm），异常时出现 200-500Hz 高频冲击。目标：以 1kHz 采样率采集振动数据，每 1 秒输出一次异常概率。

关键参数与配置：

• SPI 速率：2.25Mbps（ADXL345 最大 5MHz，留有余量）
• 采样率：1kHz（ADXL345 内部滤波带宽设为 500Hz）
• DMA 环形缓冲区：2048 个样本（约 2 秒数据），半满中断
• 特征提取：每 256 点计算 RMS、峰值、FFT 频谱能量比（高频/低频）
• 模型：2 层全连接神经网络（输入 6 维特征，隐藏层 16 节点，输出 2 类）

分析判断过程：初始调试时发现 SPI 读取数据偶发错位，示波器测量发现 SCLK 波形存在过冲，且 CS 片选信号建立时间不足。解决方案：在 SPI 时钟线串联 33Ω 电阻，并将 SPI 速率降至 1.125Mbps，同时调整 CS 时序为提前 1μs 拉低。数据稳定后，采集 10 组正常/异常数据，提取特征并训练模型，量化后模型大小 1.2KB，推理耗时 0.8ms。

实际操作步骤：

1. 初始化 SPI1（速率 1.125Mbps，CPOL=1，CPHA=1），配置 ADXL345 为测量模式，±16g，输出速率 1kHz。
2. 配置 DMA2 通道 0 为 SPI1 RX 循环模式，缓冲区 2048 字节。
3. 在 DMA 半传输完成中断中，对前 1024 个样本进行特征提取。
4. 将 6 维特征输入 TFLite Micro 模型，获得异常概率。
5. 若概率 > 0.8，GPIO 输出高电平触发报警 LED，并通过 UART 发送日志。

结果对比与复盘：系统运行 72 小时，成功识别 15 次异常事件，误报 2 次（均为外部冲击干扰）。误报原因分析：特征提取窗口过短（256 点），无法区分持续冲击与瞬时干扰。改进方案：将窗口延长至 512 点，并增加时域波形因子特征。优化后误报降至 0 次。本案例验证了 SPI+DMA 方案在 1kHz 采样场景下的可行性，同时说明特征工程对 TinyML 推理准确率的关键影响。

4.5 常见误区与设计复盘

在嵌入式系统与 TinyML 结合的实际项目中，以下误区高频出现，需特别警惕：

• 误区一：忽视时钟树配置。外设时钟未使能或分频错误，导致 SPI/I2C 速率异常。排查方法：核对 RCC 寄存器配置，使用逻辑分析仪实测 SCLK 频率。
• 误区二：中断优先级设置不当。ADC 采样中断优先级低于其他外设中断，导致采样间隔抖动，影响信号频谱分析。建议将采样相关中断设为最高优先级（数值最小）。
• 误区三：SRAM 分配不足。TFLite Micro 的 tensor arena 设置过小，模型加载失败。需通过模型分析工具（如 TFLite Model Analyzer）获取峰值内存需求，并预留 20% 余量。
• 误区四：忽略传感器上电稳定时间。部分传感器（如温湿度）上电后需 10-100ms 稳定，立即读取会得到错误数据。应在初始化后延时再读取。
• 误区五：浮点运算滥用。在无 FPU 的 MCU 上使用 float 类型进行大量运算，导致推理耗时剧增。应使用定点数或 Q 格式表示。

设计复盘时，建议从信号链路完整性（传感器→接口→DMA→预处理→模型）逐级检查，每一级都应有明确的验证指标（如 SPI 误码率 < 1e-6、ADC 信噪比 > 60dB、推理延迟 < 10ms）。只有建立量化指标体系，才能确保 TinyML 系统在真实环境中稳定运行。