遠程邊緣 AI 應用程序依賴于嵌入式硬件設(shè)備的大小，這些硬件設(shè)備具有在源頭處理邊緣數(shù)據(jù)的所有計算能力和能力。大型嵌入式 AI 加速器在空間受限的系統(tǒng)中面臨多項挑戰(zhàn)，例如突兀和隱蔽。

　　在題為“用于智能邊緣監(jiān)控的毫米級超低功耗成像系統(tǒng)”的文章中，研究人員開發(fā)了一種具有深度學習和圖像處理能力的微型毫米級成像系統(tǒng)，適用于邊緣應用，尤其是家庭監(jiān)控場景。該系統(tǒng)使用垂直堆疊的超低功耗 IC，并采用動態(tài)行為特定的電源管理、分層事件檢測和數(shù)據(jù)壓縮方法的組合。

　　對于毫米級系統(tǒng)，設(shè)計方法面臨技術(shù)挑戰(zhàn)，例如設(shè)計高度受限的系統(tǒng)、能量預算和峰值功率的限制、有限的數(shù)據(jù)存儲、昂貴的無線通信、毫米級鏡頭的非理想性以及超低-電源前端。

　　從毫米級尺寸系統(tǒng)開始，該設(shè)計需要集成超低功耗 IC 并對其進行組裝以減少占用空間。為了為毫米級系統(tǒng)供電，設(shè)計單元需要一個小型電池來支持電源要求。由于空間受限的系統(tǒng)，成像系統(tǒng)將具有有限數(shù)量的片上和片外可用存儲器，這限制了圖像數(shù)據(jù)的存儲和算法的復雜性。

　　針對這些毫米級成像系統(tǒng)設(shè)計中的技術(shù)難點，團隊借鑒了現(xiàn)有在低功耗圖像傳感器、超低功耗處理器和混合信號視覺集成電路、低功耗無線通信、高效的神經(jīng)網(wǎng)絡(luò)加速器，優(yōu)化邊緣計算應用的機器學習算法。

　　現(xiàn)有研究的局限性包括排除邊緣計算或不滿足面積和功率需求。該研究論文提出完全集成的毫米級成像系統(tǒng)是“同類中的第一個”。

　　一種具有邊緣智能的新型毫米級成像系統(tǒng)

　　該系統(tǒng)尺寸僅為 6.7×7×5mm，重量僅為 460mg，采用垂直堆疊設(shè)計的 150μm 超低功耗集成電路。垂直堆疊的方法允許在更小的占位面積內(nèi)互連更多的集成電路。這與傳統(tǒng)的平面 2D 芯片到芯片連接相比。

　　該系統(tǒng)由一個基礎(chǔ)層組成，將多個功能硬件設(shè)備集成到單個 IC 芯片上，例如主控制器、電源管理單元和無線電 IC。毫米級成像系統(tǒng)的核心是帶有 16kB SRAM 的 Arm Cortex-M0 處理器內(nèi)核。電源管理單元從單個電池源生成多個電壓域，以在負載下保持高轉(zhuǎn)換效率。

　　下一個重要層是超低功耗圖像傳感器和圖像信號處理。圖像傳感器層支持運動觸發(fā)的 12 位 VGA 圖像捕獲和對子采樣像素幀的近像素運動檢測，最大速率為每秒 170 幀，而圖像信號處理執(zhí)行動態(tài) JPEG（解）壓縮、光學黑色像素校準、去拜耳、RGB 到 YUV 轉(zhuǎn)換和場景變化檢測。神經(jīng)引擎提供 1.5 TOPs/W 的性能，支持基于深度神經(jīng)網(wǎng)絡(luò)的幀分析。另一層包括超低泄漏閃存、能量收集器、太陽能電池、可充電鋰電池和聚四氟乙烯 （PTFE） 管。

　　系統(tǒng)集成采用兩塊4層10×10×0.8mm PCB，正面用于引線鍵合，無源元件和太陽能電池層置于背面。此類毫米級系統(tǒng)的代碼開發(fā)具有挑戰(zhàn)性，因此該團隊在外緣上包括了城堡形通孔以暴露內(nèi)部信號。

　　對毫米級成像系統(tǒng)的修改

　　由于始終在線的圖像傳感器執(zhí)行基于 DNN 的分析會產(chǎn)生巨大的功耗，因此電源管理是能量最小化技術(shù)的關(guān)鍵要素。該過程需要計算能量和存儲在芯片內(nèi)外的數(shù)兆字節(jié) DNN 參數(shù)。

　　動態(tài)節(jié)能模式（如閃存 IC）在運動監(jiān)控、圖像捕捉和基于 DNN 的場景分析期間設(shè)置為睡眠模式，僅消耗 0.003μW。電源管理單元針對每個節(jié)點進行調(diào)整，通過修改電流消耗、頻率控制和上/下轉(zhuǎn)換比來最大化動態(tài)負載的效率。另一方面，分層事件檢測 （HED） 算法用于刪除不相關(guān)的事件，否則這些事件會消耗能量，特別是在卸載數(shù)據(jù)而未確定其對應用程序的價值時。

　　結(jié)合權(quán)重剪枝、非均勻量化、卷積層量化權(quán)重的霍夫曼編碼和其他幾種方法，DNN 的壓縮率最高可達 1.5 位/權(quán)重。對于圖像壓縮，結(jié)合使用 JPEG 和 H.264 壓縮方法來減少數(shù)據(jù)占用空間并最大限度地降低無線傳輸成本。

　　H.264 幀內(nèi)壓縮引擎將 VGA 幀的內(nèi)存占用減少了 23 倍。然而，通過 H.264 壓縮，系統(tǒng)需要比 JPEG 多 138% 的處理能量。使用的其他方法是變化檢測引擎，以實現(xiàn)與 VGA 幀相比 135 倍的壓縮，以及用于減少無線數(shù)據(jù)傳輸?shù)南到y(tǒng)外圖像重建。對于毫米級鏡頭和超低功耗前端的圖像校正，該團隊提出了可以使用矩陣乘法和卷積等指令在 ISP 神經(jīng)引擎 （NE） 上執(zhí)行的圖像校正層。

　　結(jié)論

　　該論文提出了一種新穎的毫米級成像系統(tǒng)，它集成了用于遠程物聯(lián)網(wǎng)和邊緣應用的邊緣智能，平均功耗為 49.6μW，預期壽命為 7 天，無需充電。為了實現(xiàn)小尺寸，該系統(tǒng)使用超低功耗 IC 的垂直堆疊，并通過數(shù)據(jù)和能源管理方法管理內(nèi)存和能源預算限制。“已經(jīng)展示了一個微型物聯(lián)網(wǎng)智能成像系統(tǒng)，通過社會技術(shù)和道德視角進行分析是下一步必不可少的；我們邀請未來就安全和隱私等主題開展工作，”該團隊總結(jié)道。

　　審核編輯：Gt