内置传感器的机器学习处理器是LSM6DS0X传感器最具革命性的方面之一

Marcocastelano博士就嵌入式算法的运动检测和处理进行了讲座。我们很高兴和他坐下来学习如何颠覆传感器和物联网。事实上，传感器继续塑造物联网革命，因为大多数应用程序将低功耗设备连接到云端作为传输传感器BA3472YFV-CE2信息的一种方式。根据IHS-Markit的一项研究，到2022年，全球传感器市场总额将达到118.4亿美元。我们预计，压力、温度、图像、磁性、光和运动传感器将成为最受欢迎的传感器之一。因此，引领传感器市场意味着塑造物联网革命。

然而，Castelano博士和Marcobianco团队撰写的一篇论文表明，今天的趋势可能与明天的趋势大不相同。传感器倾向于关注性能，因为公众总是需要数百万像素、毫米精度和最终精度。然而，新的研究论文挑战了这一愿景，表明它可以通过将一些智能转移到传感器来减少应用程序处理器的任务，从而实现更高效的传感器应用，并且仍然具有优异的性能。

最后，当传感器变得更智能时，它们可以提供更好的效果和更显著的节能效果。这听起来令人难以置信，但这一技术突破是ST新惯性传感器LSM6DSOX产品参数、文档资料和货源信息" target="_blank">LSM6DSOX原型的核心，包括机器学习处理器(MLP)和有限状态机(FSM)。

传感器具有机器学习功能。

习惯是计算机科学的一个领域。它研究了如何教授机器的巨大数据集，以及机器将如何应用它所学到的东西来做出决定。机器学习是一个非常大的主题，它为许多不同的应用程序提供服务。然而，当机器必须从不同的数据点得出结论时，它通常使用决策树。决策树是由每个节点的一个或多个分支组成的结构。当系统处理信息时，它将通过不同的分支到达叶片，这代表了机器将返回的结论。

LSM6DS0X传感器最具革命性的方面之一是，它有一个内置于传感器本身的机器学习处理器，多达8个可配置的决策树。这意味着传感器中的决策树不需要使用主机微控制器（MCU）来运行算法，并从需要大量能量的可用数据中得出结论，而是可以消耗一小部分功率来运行传感器算法。因此，系统可以简单地观察用户的动作，并从预定义模式、携带位置或计算步骤中推断特定的活动。

有限状态机的传感器。

LSM6DSOX还依赖于使用一定数量的预定义状态和一系列输入来提供输出的有限状态机器。在最基本的形式中，它使用顺序逻辑来做出决定。例如，我们可以想象FSM，如果输入为1，从状态A到状态B，但如果输入为0，则保持在状态A。权衡是FSM不能执行某些计算，这与更多的价格计算系统不同。

Castellano 博士和合著者（R. Bassoli、M. Bianco、A. Cagidiaco、C. Crippa、M. Ferraina、M. Leo、SP Rivolta）意识到有限状态机在运行演绎算法以确保传感器方面表现出色可以检测产品是朝上还是朝下、自由落体、被用户捡起，甚至监控某些健身活动等等。因此，LSM6DSOX 具有多达 16 个独立的 FSM，这些 FSM 在本质上非常简单，但高度可配置，例如阈值或定时器比较。因此，如果开发人员想要检测手腕倾斜来打开或关闭智能手表的屏幕，他们只需要配置 FSM 并确定特定输出何时会产生中断，从而根据用户的动作打开或关闭屏幕。

此外，LSM6DSOXMLP和FSM不是相互通知的独立岛屿。例如，FSM的结果可以通过组件决策树之一运行，以消除可能导致错误中断的错误报告。

ST传感器。

在低功耗应用中，我们在机器学习方面处于领先地位，如SOCOrolando，它有一个神经网络。公司经常通过我们的MEMS了解我们，所以像LSM6DSOX这样的惯性传感器非常有意义。MLP和FSM模块意味着算法处理所需的电流是传统解决方案的20到100倍，为更小、更智能的设备打开了大门，而不需要更多的功率或额外的硬件单元。Castelano的团队致力于现实架构，这解释了为什么LSM6DSO(SM模块的LSM6DSO传感器)。

然而，除了产品，强调这个新的传感器也很重要，因为所有的成员都聚集在一起。事实上，培训机器学习模块的数据集来自ST员工本身。我们组织了一项全球运动来跟踪人们的运动，并教导系统从收集模式中识别一些活动。这是一项至关重要的努力，因为数据集的质量决定了算法的准确性和性能，最终决定了用户体验结果的相关性。因此，在LSM6DSOX原型中看到员工的所有努力，共同创造未来的传感器是一种特殊的感觉。