1. 边缘计算概述：STM32在边缘计算中的角色、实时推理的基本概念、课程项目总览

大家好，欢迎来到这门课。我是你们的老朋友，一个在嵌入式边缘摸爬滚打了十几年的工程师。

咱们这门课叫《STM32外设驱动与实时推理：边缘计算实战》。名字挺长，但核心就两件事：让STM32把活儿干得漂亮，让它在本地就能做决策。

你可能会问，STM32这种MCU，也能搞边缘计算？能搞实时推理？

嗯，我刚开始接触这个方向时，也怀疑过。但后来在几个工业项目中，我发现很多场景根本不需要上Linux、跑GPU。一个Cortex-M7内核的STM32，配上精心优化的外设驱动和轻量级推理框架，完全能搞定。说白了，边缘计算不是非得用高大上的硬件，而是用最合适的硬件，在最靠近数据源头的地方，把问题解决掉。

1.1 边缘计算是什么？STM32能做什么？

边缘计算，你可以把它理解成「把计算能力下沉到数据产生的地方」。传统做法是把所有数据传到云端，服务器算完再传回来。但很多场景等不了这个来回——比如工业产线上的实时缺陷检测，延迟超过10毫秒，产品就报废了。

STM32在边缘计算中的角色，我总结为三个字：守门员。

• 数据采集：通过ADC、SPI、I2C等外设，从传感器、摄像头、麦克风拿到原始数据。
• 实时处理：在微秒级、毫秒级内完成滤波、特征提取、推理判断。
• 决策执行：直接控制电机、继电器、报警器，或者只把关键结果上报云端。

我在一个智能农业项目中，就用STM32F4采集土壤湿度、光照、温度数据，在本地跑了一个简单的决策树模型，直接控制灌溉阀门。云端只负责记录和可视化。这样即使断网，系统也能正常工作。这就是边缘计算的价值。

1.2 实时推理的基本概念

实时推理，说白了就是让模型在严格的时间约束内，对输入数据做出判断。注意，这里有两个关键词：模型和时间约束。

模型可以是传统的机器学习模型（如SVM、决策树），也可以是轻量级的神经网络（如TinyML、CMSIS-NN）。时间约束取决于应用场景——电机控制可能需要微秒级，语音唤醒可能需要几十毫秒，而环境监测可能几百毫秒就够了。

为什么STM32能搞实时推理？

• 硬件加速：Cortex-M4/M7内核带DSP指令和浮点单元（FPU），算力足够跑轻量模型。
• 低功耗：相比GPU和CPU，STM32的功耗低几个数量级，适合电池供电的传感器节点。
• 确定性：裸机或RTOS下，任务执行时间是确定的，没有Linux那种不可控的调度延迟。

我曾经在一个振动监测项目中，用STM32H7采集加速度计数据，在本地运行一个3层全连接网络，检测轴承故障。从数据采集到输出结果，总延迟控制在2毫秒以内。如果走云端，光网络传输就要几十毫秒，根本没法用。

1.3 课程项目总览

这门课不是光讲理论，咱们要动手做项目。整个课程围绕一个核心项目展开：基于STM32的智能工业异常检测终端。

这个终端会集成以下功能：

模块	外设/技术	实时推理任务
数据采集	ADC + DMA + 定时器	多通道同步采样，无丢帧
信号处理	FFT、数字滤波	提取频域特征
异常检测	轻量级神经网络 / 决策树	实时分类（正常/异常）
人机交互	LCD + 触摸屏 / 按键	本地显示结果和报警
数据上报	UART / Ethernet / Wi-Fi	仅上传异常事件和统计摘要

整个课程分为三个阶段：

1. 基础篇（第1-10章）：从零开始，逐个攻克STM32常用外设驱动。每个外设都会结合一个实时推理的小案例，比如用ADC采集光敏电阻数据，跑一个简单的阈值分类器。
2. 进阶篇（第11-20章）：深入实时推理技术，包括模型量化、CMSIS-NN优化、RTOS下的任务调度。你会学会如何把训练好的模型部署到STM32上，并保证实时性。
3. 实战篇（第21-30章）：整合所有模块，完成智能工业异常检测终端。从硬件选型、PCB设计，到驱动开发、模型部署、系统联调，完整走一遍产品级开发流程。

1.4 知识体系总览

下面这张图，是我对这门课知识体系的梳理。你可以把它当作整个课程的地图。

这张图展示了课程的三大知识支柱：外设驱动开发、实时推理技术、系统集成与部署。它们不是孤立的，而是环环相扣。你只有把外设驱动写扎实了，才能拿到高质量的数据；只有理解了实时推理的约束，才能设计出合适的模型；只有掌握了系统集成的技巧，才能把原型变成产品。