AIoT裝置需求攀升，MCU就是實現智慧物聯的重要角色。面對終端裝置的智慧化需求，MCU供應商在低功耗設計以外，積極提供客戶可實踐智慧應用的平台與工具。
無人載具展現靈活視覺辨識應用
(承前文)MCU可以在終端裝置中，執行機器學習功能。國立中興大學電機工程學系教授蔡智強(圖4)分享實驗室中將效能較佳的STM32H747 MCU用於無人載具中，開發能自主跟隨人體行走的阿克曼小車。自主移動小車採用TinyML技術，TinyML 就是在MCU執行機器學習相關的應用。MCU執行的以機器學習的推論為主，模型的訓練則是先在電腦上完成，再將訓練完成的模型移植到MCU上執行。H747有Cube.AI工具，可以將開發人員訓練好的深度學習模型，轉換成在MCU上面可以執行的程式。
自主跟人阿克曼小車可追蹤使用者動向與協助搬運商品、自動行李箱、大賣場跟人自動化推車、室內物品運送機器人、無人商店機器人，也能用於即時的人流管理，延伸應用機會多元。實驗室中的學生運用FP-AI-VISION1所提供之人流計算(People Counting)功能，該功能可以執行卷積神經網路(CNN)的電腦視覺應用。將此功能用於阿克曼小車，使用物件辨識深度學習模型YoloLC，即可辨識人體達到準確計算環境中的人數。該應用同時可以根據使用者具體的需求，持續調整與優化，以強化辨識功能的效果與準確度。
Endpoint AI全方位實現智慧物聯
TinyML與Endpoint AI是聯網裝置智慧化的重要技術，Arm主任應用工程師Blade Lin(圖5)表示，邊緣AI(Edge AI)或稱為Endpoint AI的技術應用，從2018年大約13億美元的市場規模，成長到2023年約230億美元的市場，成長幅度超過十倍。業界廠商也同步布局AI市場，市場上不少AI產品銷量亮眼。AI在物聯網領域常見三大應用，一是各類型的裝置動作控制，透過感測器控制機械手臂等裝置。第二類則是聲音控制，使用者可以透過語音指令控制裝置。三為影像處理，是應用最廣泛的AI技術，包含物體辨識與人臉辨識等應用。
Blade Lin分析，在智慧物聯網裝置實際的開發與應用層面，除了執行AI相關功能，開發者也需要從三方面確保裝置的安全與穩定。首先，透過裝置周邊的控制，確保裝置的資訊安全。越來越多終端裝置，其應用涉及使用者的聲音、影像等隱私資訊，因此相應的資安防護更顯重要。其次，裝置必須可以管理存取權限、生命週期及程式碼更新。最後，在裝置的連接性與產品品質高度相關，市場上越來越多不同的通訊協議，例如智慧家庭裝置通常採用Matter。物聯網產品能否順利聯網，也成為產品設計需要考量的面向。
AIoT裝置的設計需要全盤考量功能、功耗、資安與聯網等面向，才能順利開發穩定可靠的產品。應用在物聯網終端裝置中的MCU，就是實現智慧物聯的關鍵。當開發者採用MCU供應商提供的AI平台與工具，結合TinyML與Endpoint AI技術有助於在邊緣端執行AI模型的推論，就能在物聯網裝置實現影像辨識、語音控制等功能。此外，智慧物聯裝置的開發人員需要選用效能、功耗與成本符合產品需求的MCU，以求達到較佳的成本效益。同時，AIoT裝置已經面臨駭客攻擊的風險，因此資安防護也是物聯網產品設計的重點之一。
