作者：謝涵如
近期AIoT領域興起一股嵌入式機器學習（Embedded ML）或微型機器學習（TinyML）的研究熱潮，結合MCU進行邊緣運算不僅能提升物聯網的安全性，也能提升效率，讓物聯網的應用更多元。在此一主題上，台灣作為MCU生產大國，當然不容錯過。
Arm DevTalks 2021系列活動即聚焦在Embedded ML/ Tiny ML這個特別適合台灣開發者及IoT/ AI Maker的議題上。經過前兩場《趨勢篇》及《平台篇》的介紹，讓參與的開發者朋友對Embedded ML/TinyML有了認識，第三場《實作篇》邀請到三位專家代表，從AI運算IP、MCU及感測器智能化的不同面向切入，深入探討此技術的邊緣端開發實作。
AI革新 感測器成機器「眼、耳、手」
「一個IoT device最重要的部分，就是它的感測器。」於嵌入式處理器相關領域有超過10年經驗的Arm首席應用工程師張維良（Rickie）強調。
過去IoT的感測器都較為單純，沒有太複雜的功能性，通常是封閉系統，無法遠端操控。能夠讀取的資料也大多是原始數據，且一般只配備單一感測器。而在加入AI後，現在的感測器演化得越來越聰明、數位化，不僅安全性大幅提升，還能夠遠端連線操控，並幾乎都用於所謂的「3V應用」。
物聯網結合AI，聚焦「3V」，讓感測器更智慧。（圖片來源：Arm）
什麼是3V呢？簡而言之，就是指一個裝置具備視覺能力（Vision）、音訊（Voice）或是類似觸覺的振動感測能力（Vibration）。不管應用在什麼領域，感測器大致上離不開這三種類型。
3V應用在實作上又能分解為三步驟：第一步，訊號進入感測器後，會先進行訊號的前處理，把品質不好的訊號變得清晰可辨識。接著進入後處理階段，從處理過的訊號中擷取出辨識所需的特徵訊號，最後將特徵訊號匯入演算法進行判讀。後兩個步驟，就需要借助機器學習的力量來完成。
「當一個機器有完整的聽覺、觸覺和視覺，就能像個人一樣做事。」Rickie分享，音訊的感測與處理，在過去通常只是加上喇叭、麥克風，功能也只有最單純的錄音播放等。加入DSP、AI等技術後，就能完成如識別音訊，根據指示做出相應動作的複雜工作。
在Vibration方面，實際應用此技術的產品 — Bob Assistant，已經出現在市場上。這個名叫Bob Assistant的機器，會記錄工廠機器正常的振動頻率，並且能在震動訊號不正常時發出警訊，監督產線安全。
不過現在的感測器雖然越做越精密，但仍有其侷限性。Rickie表示，只使用單一個感測器時，感測的精度較差，容易產生偏差，能夠涵蓋的訊號範圍也比較狹窄。若能使用兩個以上的感測器，就可以互補並自我校正這些缺點，所以在AIoT的使用上，大部分都會用兩個以上的Sensor，有效降低感測的不確定性。
新唐開發平台 軟硬兼備省時省力
「新唐在機器學習、AIoT、IIoT等領域，其實都已經佈局相當長的時間，也因此擁有完整的解決方案。」新唐科技微控制器行銷應用處副處長陳世豪（House），點出新唐在國內物聯網投入相當大的心力進行佈局。
深耕半導體市場20多年的他，也向觀眾分享自己對AI的看法：「必須先出現Ambiguous Input，才會有Artificial Intelligence。」
當輸入模稜兩可的資訊，甚至無法用人類的大腦清楚判斷時，就需要AI的輔助。有了機器學習的幫忙，就能更快速、有效率的幫忙解決這些複雜而模糊的問題。House表示：「這就是為什麼需要AIoT，需要機器學習。」
然而想要開發一個AIoT的應用，必須結合軟硬體，對一般人來說相當不容易，因此新唐建置出一個「軟硬兼施」的IoT平台，以AII-in-one為主要特色，解決硬體設置的問題，讓IoT開發者能無後顧之憂地專注於應用開發。
新堂建置的IoT開發平台，從硬體到軟體都有完美配套。（圖片來源：新唐科技）
MCU結合感測器 創造互聯網新未來
「未來IoT一定會加入越來越多smart device，MCU的機器學習也因此變得更加重要。」中光電智能感測（Coretronic MEMS Corporation, CMC）總經理吳名清（Eric）對於AIoT領域的市場潛力相當有信心。智慧製造領域由於能夠創造較高的價值，相當適合作為初期導入的角色。
他指出在智慧製造管理架構中，感測器不可或缺。透過感測器搜集資訊後，再透過MCU和Connectivity後送到x86工業電腦中，進行運算和預測，產出結果後再上傳到後台雲端。但是這種架構最大的問題，就是運算設備的價格太過昂貴，一般工廠若想大量佈建，會是一筆不小的負擔。
CMC為了解決這一問題，捨棄了原有架構中的x86，在Arm上做機器學習。以新唐的MCU Cortex-M4為主要運算基礎，接上溫度、震動等感測器，後送到CMC自行生產的Smart hub，最後在Arm上面進行終端運算與推論，導出簡易的設備健康指標，方便使用者根據資訊做調整，大幅降低成本。
CMC提出的感測器解決方案，降低了成本問題。（圖片來源：CMC）
目前CMC研發的AIoT系統，已在許多實際場域中應用。Eric舉例指出，在進行半導體廠機台的AIoT部署時，導入AI-based的感測系統來解決問題。由於工廠每個機台的新舊不同，機台運作異常狀況也有差異，若全部使用同樣一套AI模型，將會因機台差異影響導致準確度降低，是大量佈建時遭遇到的一大挑戰，這在Smart hub端必須預留一些調整的彈性。
另一個問題是，工廠的機台其實並不會經常損壞，導致客戶對於AIoT是否真的有幫助心存疑慮。CMC直接向客戶展示設備在保養前後的健康指標差異，透過指標化的數據，讓效果更直觀被理解。
「AIoT未來應該無所不在，而非只存在在工廠端。」Eric認為未來機器學習應該走向輕量化、平台化，並更進一步導入到各個角落的設備端，應用上也將更多元。
小結
三位講師為Embedded ML領域的現況及未來的發展可能進行了專業的講解。期許經過Arm DevTalks 2021系列社聚的介紹，可以吸引更多開發者投入這個領域，創造出更多智慧應用，讓現在未被解決的問題能迎刃而解。
- 【活動報導】Edge AI聰明部署關鍵論壇 輕鬆跨越應用瓶頸 - 2022/12/17
- 2022世足賽來臨，足球科技精準協助判定！ - 2022/11/30
- 當3D掃描遇上古蹟，成為珍貴文物保存利器！ - 2022/11/07
.jpg)
.jpg)