机器学习核心（MLC）是传感器ASIC中的一个硬连线核心，具有开发人工智能算法的功能。巨大的优势是降低了整个系统的功耗，因为一些事件检测和分类不需要主微控制器，所有的计算和决策都是在传感器级别进行的。在这篇知识文章中，我们将展示如何使用ST汽车级ASM330LHHX，利用我们的Unico GUI，为汽车应用程序构建基于决策树分类器的机器学习算法，这将提供一个简单的即插即用解决方案。在开始之前，你需要什么？

1.软件

我们在这篇知识文章中使用的软件工具是Unico GUI，图形用户界面（可用于Linux、MacOS和Windows），支持广泛的传感器，并允许构建MLC程序（即使没有任何板连接=离线模式）和生成传感器配置文件（UCF文件）。

2.硬件

这个STEVAL-MKI109V3将在本教程中用于配置MEMS传感器和评估传感器输出。此外，它还具有一些高级功能，例如：

  • 可编程电压电源

  • 电流消耗测量

  • 和通信协议，可以在SPI和I²C之间更改

STEVAL-MKI109V3可以与不同的DIL24适配器板一起使用。在本教程中，我们将使用STEVAL-MKI212V1，它是用于ASM330LHHX，具有嵌入式机器学习核心的汽车应用IMU。

有关更多硬件详细信息，请访问：
  • MEMS传感器ST资源页
  • 探索MEMS传感器中的机器学习核心的ST资源页面
  • 申请说明AN5296开机器学习核心嵌入ASM330LHXX型
 

3.如何构建MLC配置

作为第一步，在PC上启动Unico GUI，并选择适配器板STEVAL-MKI212V1，其中包含ASM330LHHX，这是本知识文章中使用的带有嵌入式机器学习核心的汽车IMU。

在Unico GUI主窗口中，通过单击选项选项卡，可以配置主加速度计和陀螺仪设置。对于本例，已选择：

  • AXL-2g满量程和104Hz输出数据速率

  • 陀螺仪-250dps满刻度和104Hz输出数据速率

点击顶部栏上的“开始”按钮，我们将启用装卸工MKI109V3以及我们的电脑。

 

点击绘图工具时，我们可以实时可视化来自传感器的数据。

 
 

要开始记录，需要按下“加载/保存选项卡”，选择要保存的参数，在这种情况下，只需要加速度和角速率数据，然后需要键入日志的文件名，并获取所有类的数据。

 

已经记录的类以及将使用本知识文章的ML算法检测的类是：

  • 不动的

  • 移动

  • 千斤顶

  • 崩溃

 
 

一旦获取了所有日志，建议分析每个类的日志并对其进行清理。本例中使用了Microsoft Excel。

在分析数据日志时，可能会注意到：

  • 主要的变化是加速度计的X轴和Y轴

  • 与加速度计相比，陀螺仪不提供额外的信息

因此，可以仅使用加速度计数据配置MLC，并选择加速度计X和Y轴上的一些特征（如峰间均值方差）。
下一步是导入在的MLC工具中获取的数据日志Unico GUI。在MLC工具的“数据模式选项卡”中，点击“浏览”按钮可以选择相应的数据日志文件（同一类可以同时选择多个文件）。

 

 

对于导入的所有数据日志和每个类，都需要分配一个标签，即与该数据关联的类。
正确导入所有日志后，单击“配置”选项卡，然后继续创建决策树和配置文件。
配置用于asm330小时：

  • 机器学习核心的104 Hz数据速率（与用于获取数据日志的数据速率相同）

  • 仅加速度计数据

    • 2g满刻度

    • 104Hz数据速率

  • 不需要陀螺仪，因为在分析数据时，很明显它不能为该应用程序提供额外的信息

 

然后，需要通过选择1个决策树和104个样本的窗口长度来进行配置。window参数指定机器学习核心每次必须识别类时阐述的样本数。它可以是从1到255，并且MLC结果的延迟将与这个数字相关。在这种情况下，数据速率为104Hz，窗口中的104个样本获得1秒的等效时间窗口。

在本例中跳过了过滤器配置部分，这意味着没有对输入数据使用过滤器。
在功能配置部分，可以选择在构建决策树时使用哪个功能。
由于从数据日志中可以清楚地看出，加速度计X和Y轴上存在一些变化，因此可以在这些轴上以及加速度计范数上选择一些特征（如均值、方差、能量、峰值2峰值）。

 

 

现在，该工具正在生成arff文件，该文件包含选定的特征，在之前定义的1秒窗口中使用提供的所有标记数据进行计算。

 

然后，我们需要决定哪些数值描述不同的类（这些值是MLC的输出，可以在我们设备的MLC_SRC寄存器中读取）。我们正在使用以下值：

  • 0表示静止

  • 4用于运动/驾驶

  • 8用于自升式

  • 12表示碰撞

现在可以按照配置过程构建决策树，它使用了之前通过单击“生成”按钮定义的一些功能，或者可以导入由外部工具生成的决策树。在下一节中，可以选择不同的过滤器，但对于本例，已跳过此部分。最后，该工具可以生成具有机器学习核心配置的UCF文件asm330小时，以将决策树嵌入到传感器配置中。自装卸工MKI109V3带ASM330LHHX DIL24适配器(装卸工MKI212V1)已经连接到PC，它允许直接对设备进行编程，并评估此配置。


 

最后，可以检查MLC是否正常工作。该算法必须检测所有4个记录的类。
在汽车静止的情况下，我们看到输出0，意思是“静止”。

 

 

向前和向后移动汽车，MLC输出变为4。
 

当轿厢侧向提升时，MLC输出变为8。


最后，当汽车撞上另一辆汽车时，MLC检测到类别“碰撞”，其值为12。


在这篇知识文章中，我们展示了如何在中使用MLC检测四个不同的类ASM330LHHX，但目前的消费是多少？为了激活MLC，在本例中只需要大约10µA。这是机器学习核心的额外电流，必须添加到传感器电流消耗中。不同的配置是可能的——识别不同的类别——选择不同的数据速率——或者使用不同的数据（例如仅加速度计数据，或者加速度计+陀螺仪）。在表中，您可以看到我们在GitHub公司同一设备的存储库。