EmbeddedSoftwareLearn1/09-2025_AI_on_MCU/README.md

第九层：2025 新趋势

✅ AI on MCU / Edge AI

🔹 TinyML / TensorFlow Lite Micro

1. 概念与优势

• TinyML：将机器学习模型部署到资源受限的微控制器（MCU）上，实现边缘智能。
• 优势：
  • 低延迟：本地处理数据，无需云端交互。
  • 低功耗：适合电池供电的物联网设备。
  • 隐私保护：敏感数据无需上传。
  • 离线运行：在网络中断时仍能工作。

2. 开发流程

1. 模型训练：
   使用TensorFlow/Keras等工具在PC上训练模型。

   # 简单MNIST模型示例
   model = tf.keras.Sequential([
       tf.keras.layers.Flatten(input_shape=(28, 28)),
       tf.keras.layers.Dense(128, activation='relu'),
       tf.keras.layers.Dense(10, activation='softmax')
   ])
   model.compile(optimizer='adam',
                 loss='sparse_categorical_crossentropy',
                 metrics=['accuracy'])
   model.fit(x_train, y_train, epochs=5)
   

2. 模型量化：
   将浮点模型转换为整数模型，减少内存占用和计算量。

   converter = tf.lite.TFLiteConverter.from_keras_model(model)
   converter.optimizations = [tf.lite.Optimize.DEFAULT]
   tflite_model = converter.convert()
   

3. 模型部署：
   将量化后的模型转换为C数组，集成到MCU项目中。

   xxd -i model.tflite > model_data.cc
   

4. MCU推理：
   使用TensorFlow Lite Micro框架在MCU上运行模型。

   // 初始化解释器
   tflite::MicroErrorReporter micro_error_reporter;
   const tflite::ErrorReporter* error_reporter = &micro_error_reporter;
   
   const tflite::MicroOpResolver& op_resolver = MicroOpsResolver();
   const tflite::SimpleTensorAllocator tensor_allocator(tensor_arena, kTensorArenaSize);
   
   tflite::MicroInterpreter interpreter(model_data, model_data_len, op_resolver, 
                                        tensor_allocator, error_reporter);
   
   // 运行推理
   TfLiteStatus invoke_status = interpreter.Invoke();
   if (invoke_status != kTfLiteOk) {
       error_reporter->Report("Invoke failed\n");
   }
   

3. 性能指标

模型	参数量	激活内存	准确率	推理时间（STM32H7）
MobileNetV1	4.2M	16MB	70.6%	800ms
TinyMLNet	0.02M	0.2MB	68.2%	5ms
EfficientNet-Lite0	4M	12MB	75.0%	600ms

🔹 STM32 AI 开发套件

1. 硬件平台

• STM32H7系列：高性能MCU，支持DSP和FPU，适合运行复杂AI模型。
• STM32L4+系列：低功耗MCU，集成AI加速器，适合电池供电设备。
• X-CUBE-AI扩展包：提供模型转换工具和优化库。

2. 开发工具链

1. STM32CubeMX：配置硬件和生成初始化代码。
2. STM32Cube.AI：将TensorFlow/PyTorch模型转换为STM32优化代码。

   # 使用x-cube-ai命令行工具转换模型
   stm32ai generate -m model.h5 -o stm32ai_output
   

3. STM32CubeIDE：集成开发环境，调试和优化AI应用。

3. 性能优化

• 硬件加速：利用STM32的DSP、FPU和专用AI加速器（如STM32H7的Chrom-ART加速器）。
• 模型优化：使用STM32Cube.AI的量化工具将模型压缩至8位或更少。
• 内存管理：优化模型和中间数据的内存布局，减少RAM占用。

🔹 模型量化与部署

1. 量化技术

• 权重量化：将浮点权重转换为整数（通常8位或更少）。
• 激活量化：运行时将输入/输出数据转换为整数。
• 混合精度：对关键层使用更高精度，平衡准确率和性能。

2. 部署挑战与解决方案

挑战	解决方案
内存受限	使用内存映射技术，模型分段加载
计算能力有限	优化算子实现，利用硬件加速指令
功耗敏感	采用低功耗模式，推理过程中动态调整频率
模型更新	设计OTA机制，支持模型动态更新

🔹 AI + 外设驱动融合案例

1. 智能传感器处理

• 场景：基于加速度计数据的活动识别。
• 实现：

  // 从加速度计读取数据
  void read_accelerometer_data(float *data, size_t length) {
      // 读取加速度计原始数据
      int16_t raw_data[3];
      accelerometer_read(raw_data);
  
      // 转换为浮点数并归一化
      for (int i = 0; i < 3; i++) {
          data[i] = (float)raw_data[i] / 32768.0f;
      }
  }
  
  // 运行AI模型进行活动识别
  activity_t recognize_activity(float *sensor_data) {
      // 准备模型输入
      TfLiteTensor* input = interpreter->input(0);
      memcpy(input->data.f, sensor_data, input->bytes);
  
      // 执行推理
      if (interpreter->Invoke() != kTfLiteOk) {
          return ACTIVITY_UNKNOWN;
      }
  
      // 获取输出结果
      TfLiteTensor* output = interpreter->output(0);
      int activity_index = argmax(output->data.f, output->dims->data[0]);
  
      return (activity_t)activity_index;
  }
  

2. 预测性维护

• 场景：基于振动传感器的电机故障预测。
• 实现：
  1. 采集振动数据并进行FFT变换。
  2. 使用AI模型分析频谱特征，识别潜在故障。
  3. 通过BLE将结果发送至云端。

✅ 安全性

🔹 安全启动（Secure Boot）

1. 原理与流程

1. 硬件信任根：

   • 设备内置不可更改的私钥（存储在OTP中）。
   • 用于验证第一个加载的软件组件（通常是Bootloader）。

2. 验证流程：

   ROM → 验证Bootloader签名 → 验证应用固件签名 → 启动应用
   

2. STM32实现

• 选项字节配置：

  // 启用读保护（RDP）
  HAL_FLASH_OB_Unlock();
  FLASH_OBProgramInitTypeDef obInit;
  obInit.OptionType = OPTIONBYTE_RDP;
  obInit.RDPLevel = OB_RDP_LEVEL_1;  // 禁用调试接口
  HAL_FLASHEx_OBProgram(&obInit);
  HAL_FLASH_OB_Lock();
  

• 签名验证：

  // 验证固件签名
  bool verify_firmware_signature(const uint8_t *firmware, size_t size, const uint8_t *signature) {
      // 从OTP读取公钥
      const uint8_t *public_key = get_public_key_from_otp();
  
      // 使用ECDSA验证签名
      return ecdsa_verify(public_key, firmware, size, signature);
  }
  

🔹 TPM 安全芯片接入

1. TPM 2.0 概述

• 功能：
  • 安全存储密钥
  • 硬件级加密
  • 平台身份验证
  • 远程证明

2. STM32与TPM集成

• 硬件连接：
  STM32通过I2C/SPI与TPM芯片（如Infineon OPTIGA™ TPM SLB 9670）通信。

• 软件实现：

  // TPM初始化
  tpm_error_t tpm_init(void) {
      // 初始化I2C接口
      i2c_init(TPM_I2C_ADDRESS);
  
      // 发送TPM启动命令
      uint8_t startup_cmd[10] = {0x80, 0x01, 0x00, 0x00, 0x00, 0x0c, 0x00, 0x00, 0x01, 0x44};
      uint8_t response[20];
  
      if (i2c_write(TPM_I2C_ADDRESS, startup_cmd, 10) != 0) {
          return TPM_ERROR_COMMUNICATION;
      }
  
      // 读取响应
      if (i2c_read(TPM_I2C_ADDRESS, response, 20) != 0) {
          return TPM_ERROR_COMMUNICATION;
      }
  
      // 验证响应
      if (response[6] == 0x00 && response[7] == 0x00) {
          return TPM_SUCCESS;
      } else {
          return TPM_ERROR_INITIALIZATION;
      }
  }
  
  // 生成密钥
  tpm_error_t tpm_generate_key(uint8_t *key_handle, uint8_t *public_key) {
      // 发送生成密钥命令
      // ...
  
      // 处理响应
      // ...
  
      return TPM_SUCCESS;
  }
  

3. 应用场景

• 安全启动增强：使用TPM验证固件完整性。
• 安全通信：TPM生成和存储TLS密钥，保护通信数据。
• 设备身份认证：基于TPM的唯一密钥实现设备身份识别。 `

🚀 实战案例

1. 工业设备预测性维护

• 需求：基于振动传感器数据预测设备故障。
• 实现：
  • 使用STM32H7采集振动数据。
  • 部署TinyML模型进行实时分析。
  • 通过TLS加密将结果发送至云端。
  • 使用TPM确保数据完整性和设备身份安全。

2. 智能家居安全监控

• 需求：基于摄像头的人体检测与异常行为识别。
• 实现：
  • 使用STM32MP1微处理器运行轻量级CNN模型。
  • 仅在检测到异常时唤醒系统并发送警报。
  • 通过安全启动确保固件未被篡改。
  • 使用TPM存储用户认证密钥。

🔗 参考资源

1. AI on MCU：

   • TensorFlow Lite Micro
   • STM32Cube.AI
   • Edge Impulse

2. 安全性：

   • PSA Certified
   • mbed TLS
   • TPM 2.0 Specification

3. 实战案例：

   • STMicroelectronics AI Demo
   • ESP32 TinyML Examples

AI与安全是2025年嵌入式领域的两大核心趋势。通过将AI算法部署到边缘设备，可实现实时智能决策，同时降低网络带宽和云端计算成本。而安全性则是保障设备和数据可信的基础，从安全启动到加密通信，再到TPM硬件级保护，构建多层次安全防护体系。在实际项目中，需根据具体需求选择合适的AI模型和安全方案，平衡性能、功耗和安全性。