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(ST)採訪了邊緣機器學習技術之感測器模組的義大利公司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。
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路。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，以下將重點介紹Muse。Muse平台採用了STM32WB5MMG模組和LSM6DSO32慣性感測器，用於追蹤主流和醫療環境中的活動。其PCB很小，僅22mm×22mm，能以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家義大利醫院使用了Muse系統。
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。該公司所解釋，使用像STM32WB5MMG這樣的模組意味著該公司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。
221e這個ST的授權合作夥伴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，該公司喜歡從零開始進行軟體研發。透過ST的硬體專業技術，221e可以專注於最佳化程式碼，以盡可能高效的方式發揮最大的效能。將AI導入資源受限的環境需要進行更深度的最佳化，而221e最有效的方式就是利用ST的硬體專業技術，這樣一來221e就可以專注於發揮自己擅長的領域。
221e選擇LSM6DSO32感測器，其中一個重要原因是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。
簡單來說，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6個月的時間裡，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。
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。該款感測器內建處理單元，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。
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。他們正在研究在藍牙低功耗之外的新通訊模式。事實上，使sub-GHz頻段的網路可以讓他們與閘道器進行通訊，並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路模型，還要建立更強大的通訊網路，使機器學習應用發揮更大的意義和價值。
