当物联网端侧开始拥抱AI，什么样的MCU才能堪重任？

时间：2022-09-21 10:05:25

关键字：物联网 MCU AI 边缘计算英飞凌

手机看文章

扫描二维码
随时随地手机看文章

[导读]据IoT Analytics数据，2022年活跃连接的物联网设备将达到144亿，2025年将增长至270亿。作为物联设备中必不可少的控制与计算的大脑，MCU也将迎来持续增长。Yole最新数据显示，2022年MCU的市场规模预计为200亿美元以上，并且将保持7.1%年复合增长率，于2027年达到300亿美元市场规模。

据IoT Analytics数据，2022年活跃连接的物联网设备将达到144亿，2025年将增长至270亿ⁱ。作为物联设备中必不可少的控制与计算的大脑，MCU也将迎来持续增长。Yole最新数据显示，2022年MCU的市场规模预计为200亿美元以上，并且将保持7.1%年复合增长率，于2027年达到300亿美元ⁱⁱ市场规模。

图：Yoledevelopment Microcontroller Quarterly Market Monitor Q1 2022

数百亿的市场背后，蕴含着持续不断的技术创新，从简单控制到IoT大脑，MCU一路高歌猛进，热度不减。

MCU的进化之路：从简单控制到IoT大脑

上世纪60年代末70年代初，微控制器（MCU）的产品雏形出现。早期均是多芯片的方案，从Intel的MCS-4(Micro-Computer Set-4)开始，明确了CPU、RAM、ROM和I/O这样的一个具有通用性的基本系统架构。随后出现的TMS1000，将这四个部分整合在一个芯片中，便成为了历史上第一个真正意义上的MCU。

图：Lee Boysel 组装了一个8 位 AL1 的系统，证明它可以作为微处理器工作ⁱⁱⁱ

通用型MCU的出现，繁荣了后面50年的电子设备创新，各种品类层出不穷。MCU的功能和规格也随着技术发展、应用需求提升而进化。进入到IoT时代之后，MCU的角色更是成为了端侧的计算中枢，成为端侧的物联生态构建的决定因素。

图：连接现实与数字世界

如上图所示，典型的IoT应用由感知、计算、连接和执行、连接和安全几部分组成。传感器检测大量的环境信息，将物理世界的模拟信号转换为数字信号数据，传递给后端的MCU中进行计算分析和处理；MCU根据计算结果给出决策信号到后端的执行层；执行层根据MCU给出的动作指令完成相应动作；在整个过程中，必要的数据也会通过无线连接的方式上传到云端进行云AI运算或存储。

从单点的设备到联网的端侧设备，对于MCU提出了更高的要求。纵观整个MCU市场，呈现出以下的技术演进趋势。

第一是对于算力提升的要求，同时也要追求更高的能效比。高端MCU的主频已经提升到GHz级，采用双CPU核的架构，针对不同工作负载实现灵活调度，有的MCU将会集成专用的NPU核来执行特定的AI/ML工作。

第二是无线射频功能的集成，支持例如BLE、Sub-G、Zigbee等无线通信协议。通过内部集成无线功能，简化了系统整体设计，缩减PCB面积，帮助非射频专业开发者在产品中快速构建无线连接。

第三是具备图形交互界面（GUI）的能力。从传统的机械按键+段式LCD显示，到现在的语音控制、图形界面交互控制，人机交互效果越来越友好。MCU需要具备足够的图形处理能力（2.5D、3D图形化加速器），支持不同的接口和显示屏的底层驱动，具备足够丰富的图形库开发资源。

第四是对于安全（Security）的更高要求。设计者开始明确：安全应该是从硬件设计之初就开始考量，而不是仅仅存在于软件层面的安全设计。像Arm在Cortex-M的中引入了Trustzone硬件安全架构，通过硬件隔离实现安全的密钥信息存储。在Trustzone的安全设计基础上，不同MCU中还会集成一系列安全功能，譬如HSM、AES、硬件密钥、双组闪存等等。

第五是强调MCU的整体开发生态，在MCU芯片之上构建较为完整方案加速客户的上市时间。从前端的传感器连接，到后端的上云提供完整的开发链条；一些简单的设计可以通过低代码的图形化开发工具快速完成；提高同一MCU平台上不同型号之间的代码的复用性，缩减用户进行MCU升级时进行代码迁移的成本。

业界领先厂商已经向着上述几个技术趋势去发力，推出符合AIoT时代需求的新一代MCU产品。如下图所示，英飞凌计划将会在下一代MCU产品中提供包括连接、机器学习、人机接口、传感等功能，并提供包括软件硬件参考、安全、IoT云在内的全方案开发平台。

图：英飞凌下一代MCU产品

芯片即方案：一颗MCU满足全部IoT应用需求

IoT Analytics总结了2022年物联网的十大技术趋势^iv，其中提到：完备5G基础设施将会加速IoT垂直领域应用发展；IoT将会改变制造业，并成为实现可持续发展的关键技术；云平台商和IT厂商开始竞逐边缘端平台市场；AI变得无处不在，隐形AI在各行各业释放潜能；AI的计算正在向着边缘端拓展，实现端侧部署。

图：2022年物联网10大技术趋势

端侧物联网应用需要选择什么样的MCU，才能迎合这样的IoT发展需求？对于开发者而言，在选型的阶段将传统的通用型MCU，替换成选择一颗IoT MCU，可谓整个开发工作已经成功了大半。

PSoC6是一款专门为IoT和消费类应用而生的双核无线MCU，是一款可编程嵌入式系统级芯片解决方案。

首先作为IoT Purpose的MCU，双核的架构设计是其一大特色，用户可以根据不同工作负载动态分配M4核和M0+核的工作任务，M4核专注于高性能计算处理，M0+核则专注于实时监控的工作，例如无线通讯协议的频繁监控采样和回应等工作。M0+作为M4的减压引擎，允许M4进入睡眠状态；这种双核架构实现了功耗和性能的完美平衡。

图：PSoC6 Blockdiagram

可编程模块是PSoC系列的另一特色，在CPU的外围有12个类似于PLD的可编辑的数字逻辑单元（UDB），这种硬件可编程模块为MCU提供了更高的灵活度，并且可以通过PSoC Creator软件来实现硬件编程，避免HDL的陡峭学习曲线。

无线功能的集成是作为IoT MCU的必要元素，PSoC6支持Bluetooth 5和WiFi无线连接方式，开发者还可以通过可编程硬件模块创建自定义的AFE，并支持产品最后一分钟的设计更改，最大限度地减少PCB的重新设计。英飞凌还提供了AIROC这一Wi-Fi+蓝牙Combo的单芯片方案，可以与PSoC6一起构成更完整的从端到云的无线开发生态。

图：AIROC系列无线连接产品

在安全性方面，PSoC6内置了IoT安全模块，同时支持多个安全环境，无需额外外部安全存储器或元件，同时集成包括ECC²和AES³在内的多种行业标准密码算法。此外，PSoC64安全系列还经过了PSA二级安全认证，集成了硬件RoT和开箱即用的AmazonFreeRTOS。

图：PSoC 64 Standard Secure – AWS MCU — PSALevel2认证书^v

在开发生态方面，英飞凌提供了Modus Toolbox这一跨平台开发工具，提供工程的创建、编辑、编译、调试、烧写等功能，同时它还集成了实时操作系统、硬件外设驱动、无线连接的驱动库和众多的中间件。通过Modus Toolbox软件平台，结合英飞凌的传感器、无线连接、MCU、执行器完整的产品阵营，开发者可以轻松实现从传感器到云端的完整IoT应用开发。

图：ModusToolbox跨平台开发工具

以上几大特质融合在一起，让PSoC6成为了IoT开发的利器。以智能门锁应用为例，传统方案需要将指纹识别、语音识别、触控、无线连接等多个不同的芯片整合在一起构成一个系统方案；而现在一颗PSoC6就具备了这些功能，极大地简化了开发流程，缩减了整体成本并提高了安全性。

图：PSoC6智能门锁应用实例

从边缘ML到TinyML，将AI的触角拓展到极致边缘端

纵观业界趋势，AI正逐渐向边缘端发展。机器学习（下文简称ML）的训练一般会在云端进行，而ML的推理会越来越多在设备端进行。在边缘端进行ML的处理，可以提高本地的设备响应，减少云端上传的数据带宽，提高本地数据的安全性。当前在一些MCU中也会添加特定的加速器，通过专用算力来进行ML的运算，从而释放CPU的通用算力。

图：机器学习从云端向边缘端迁移

与智能手机等边缘设备不同，在MCU为计算中心的端侧设备上进行机器学习面临着不小的挑战。这种更边缘侧的机器学习应用需要在本地有限的计算资源上，满足超低功耗的要求（mW级乃至更低）。为了区分，业界将这种更为极致的边缘侧ML称为TinyML。TinyML对接的传感器数据的种类相比边缘ML设备要复杂的多，因此数据的标签化处理工作也更复杂；很多云端和边缘ML上成熟的算法模型因为体积太大，往往也不能直接在TinyML应用中进行部署；软件和硬件的配合也需要有更成熟的方案。大部分IoT设备的开发者并不具备资深的AI/ML的知识，帮助这些开发者越过陡峭的学习曲线，避免繁杂的算法、软件工作，快速实现TinyML的部署，才会迎来IoT应用的新一轮爆发。

为了解决TinyML的应用难题，英飞凌与SensiML携手一起构建了从云端训练、到嵌入式软件开发、再到最终硬件部署的一套完整的边缘侧机器学习应用方案。

图：PSoC6，XENSIV和SensiML解决方案

SensiML致力于为极致边缘的IoT设备构建准确的AI传感器算法。英飞凌的XSENSEXENSIV传感器捕获原始的传感数据信息；透过SensiMLAnalysticsToolkit平台的Data Capture Lab进行数据的收集和标签化处理；Aanlystics Studio进行数据清理，生成数据特征和适合PSoC6平台的嵌入式AI模型；Knowledge Pack进行数据特征提取和模型优化，优化好的模型可以在PSoC6的平台进行部署。Test App可以将实时数据导入进行在线模型验证，同时也可以在设备上进行模型验证。

图：SensiML工作流程

SensiML的AnalysticsToolkit完善后导出ML模型，通过ModusToolbox将其部署到PSoC6和XENSIV的硬件平台上。

英飞凌与SensiML一起构建了云端训练、嵌入式软件开发和ML硬件部署的垂直开发生态，开发者即使并不是AI/ML的算法研究者，也可以在SXENSIV和PSoC6平台上快速构建边缘ML的应用，推进边缘ML的部署。

图：用于机器学习前景的ModusToolbox

结语

从通用MCU到IoT MCU，再到具备TinyML特质的IoT MCU，微控制器的发展与整个消费电子设备的演进浪潮休戚相关。单品MCU已经不足以满足当下IoT开发者的需求，选择一颗MCU即选择了一个完整的开发生态。英飞凌构建了包括感知、连接、计算、执行、连接和安全在内的完整的物联网生态，并且通过与SensiML的合作帮助实现物联网的边缘AI部署。