現今的問題已經不再是邊緣 AI 是否將會持續存在，而是如何才能在競爭激烈的領域中成功。因此，意法半導體（STMicroelectronics；ST）特別造訪邊緣機器學習技術之感測器模組的知名義大利公司221e，同時它亦是 ST合作伙伴計畫的成員，幫助大家了解其如何使用STM32 微控制器和 ST 感測器所打造出的三個平台：用於嚴峻環境的NeuraTrack，以及用於研究的Mitch和 Muse。

圖一 : 221e的Mitch平台

三個平台都提供了「感測器融合 AI」或「NeuraSense」技術，該技術將來自嵌入式加速度計、陀螺儀和磁力計的數據，傳送到能夠辨識活動或動作類型的神經網絡。NeuraSense 運行於221e 的動作處理引擎（Motion Processing Engine；MPE）上，可融合多個感測器IMU數據。作為ST 授權合作伙伴，221e最初設計其 MPE 目的是為了救生相關應用，其不容許任何錯誤發生。因此，它能夠提供高度準確的結果，為各種應用提供資訊。

為了協助大家了解，我們將重點介紹Muse。Muse平台採用STM32WB5MMG模組和 LSM6DSO32慣性感測器，用於追?主流和醫療環境中的活動。其PCB很小，僅22 mm x 22 mm，但功能強大，能夠以1,600Hz 的頻率採集慣性數據，並透過Bluetooth Low Energy 5.0 發送資訊。事實上，已有4家義大利醫院使用Muse系統。

在了解健康裝置必須滿足的嚴格需求後，讓我們一探221e如何利用ST的元件將 AI導入該平台，以及其團隊在此過程中習得的經驗。

221e之旅：從 ST 開發套件到優化應用

始於一個想法：更易於認證的模組。

Muse 是 221e 首款配備藍牙模組的裝置，因為Mitch和NeuraTrack使用的是BlueNRG處理器。該公司解釋，使用像STM32WB5MMG這樣的模組，意味著不需要擔心認證問題，因為它內建了天線和晶振，而本身亦已獲得認證，因此無論客戶身處世界何處，都能幫助他們更直接地獲得所需的射頻認證。

成果：利用硬體，專注於創新程式碼開發

圖二 : 221e的Muse平台

221e也分享了如何經常使用，並仰賴ST的開發套件與工具，如 STEVAL-STWINKT1B（STWIN）、STEVAL-STLKT01V1（SensorTile）或 STM32WB5MM-DK（STM32WB5MMG 模組的首款開發套件）等。工程師從ST免費提供的原理圖中獲得靈感，並利用與專家交流經驗加速設計，這解釋了Muse如何在小尺寸封裝中整合如此強大的功能的原因。此外，這種方式還能讓 221e能夠專注於韌體開發。

221e 分享道：「我們喜歡從零開始進行軟體研發。透過 ST的硬體專業技術，我們可以專注於優化程式碼，以盡可能高效的方式發揮最大的效能。我們在談論的是電池供電系統上的微控制器和感測器。將 AI 導入資源受限的環境需要進行更深度的優化，而我們最有效的方式就是利用 ST 的硬體專業技術，這樣一來，我們就可以專注於發揮自己擅長的領域。」

從實際應用來看，這樣的方式讓221e 創造出一個非常靈活的平台。

【經驗學習1】專注於重要的事務

第一個啟發：確保數據品質，並追求數據量

221e選擇LSM6DSO32感測器，重要原因之一，在於它能夠在提供高採樣率的同時，仍然維持精確的測量。這款加速度計能夠提供±4 / ±8 / ±16 / ±32g的測量，而陀螺儀還能支援每秒±125 / ±250 / ±500 / ±1000 / ±2000度的角速率範圍，並在高性能模式下僅消耗0.55mA的電流。

簡而言之，這款感測器能夠在不犧牲Muse小型系統固有的功耗限制的情況下，為系統提供優質的數據。因此，221e解釋了如何能夠專注於獲取數據，而不必過度考量數據品質的問題。

221e將Muse系統放在不同位置，以獲取大量的動作數據，並依此建立超過30種不同類型的分類。在為期6個月之內，該221e共取得來自40多名受試者的數百萬筆數據，每種動作類型至少有65,000筆記錄。此外，他們可以使用同一套系統透過持續採集數據來改善其神經網路模型。由於Muse可以取得數據並運行神經網路演算法，因此，收集新數據和提供更新仍是一種具有成本效益的做法。

【經驗學習2】著眼未來；第一個進入市場並不等同於持續領先

圖三 : NeuraTrack

221e 近期正在開發一款新平台，該平台將使用 ST 的新款ISM330IS ISPU感測器。這款感測器內建處理單元，在無需喚醒微控制器的前提下，就能提供更強大的運算能力。ST合作夥伴計畫成員表示，這種全新的ISPU功能不僅能夠帶來更高的節能效果，還為更加複雜的神經網路的運算法提供了可能性。

簡而言之，儘管221e目前在邊緣機器學習領域維持領先，但他們也意識到必須快速採用新技術來不斷創新才能維持領先地位。一個重要啟發是，在機器學習領域搶先一步，並不意味著就能永遠保持領先。

Muse背後的工程師團隊也在探索使用STM32WL及其LoRa功能的可能性，他們正研究在藍牙低功耗之外的新通訊模式。

事實上，使用sub-GHz頻段的網絡可以讓其與閘道器進行通訊，並且更快速地將數據發送到雲端，或者建立大型的網狀網路（Mesh Network）。因此，另一個重要啟發是，不僅要使用最新的感測器並更新神經網絡模型，還要建立更強大的通訊網路，才能夠使機器學習應用發揮更大的意義和價值。