遠程邊緣 AI 應用程序取決于嵌入式硬件設備的大小，這些設備承載著在源頭處理邊緣數據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中面臨著一些挑戰，例如突兀和隱蔽。

在題為“用于智能邊緣監控的毫米級超低功耗成像系統”的文章中，研究人員開發了一種具有深度學習和圖像處理功能的微型毫米級成像系統，用于邊緣應用，特別是家庭監控場景。該系統使用垂直堆疊的超低功耗IC，并采用動態行為特定電源管理、分層事件檢測和數據壓縮方法的組合。

對于毫米級系統，該設計方法面臨著技術挑戰，例如設計面積高度受限的系統、能源預算和峰值功率的限制、有限的數據存儲、昂貴的無線通信、毫米級鏡頭的非理想性以及超低功耗前端。

從毫米級尺寸系統開始，該設計需要集成超低功耗IC并組裝它們以減小占位面積。為了給毫米級系統供電，設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，成像系統可用的片上和片外存儲器數量有限，這限制了圖像數據的存儲和算法的復雜性。

為了解決設計毫米級成像系統時的這些技術難題，該團隊參考了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、高效神經網絡加速器以及針對邊緣計算應用優化機器學習算法方面所做的現有工作。

現有研究的局限性包括排除邊緣計算或無法滿足面積和電力需求。該研究論文提出，完全集成的毫米級成像系統是“同類產品中的第一個”。

圖：成像儀系統橫截面

具有邊緣智能的新型毫米級成像系統

該系統的尺寸僅為6.7×7×5mm，重量為460mg，使用設計為垂直堆疊的150μm超低功耗集成電路。垂直堆疊的方法允許在更小的占地面積內互連更多的集成電路。這是與傳統的平面2D芯片到芯片連接相比。

該系統由一個基礎層組成，該基礎層將多個功能硬件器件集成到單個IC芯片上，例如主控制器、電源管理單元和無線電IC。毫米級成像系統的核心是具有 16kB SRAM 的 Arm Cortex-M0 處理器內核。電源管理單元從單個電池源產生多個電壓域，以在負載下保持高轉換效率。

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的 12 位 VGA 圖像捕獲和子采樣像素幀上的近像素運動檢測，最大速率為每秒 170 幀，而圖像信號處理可執行動態 JPEG（去）壓縮、光學-黑色像素校準、去拜耳、RGB 到 YUV 轉換和場景變化檢測。神經引擎提供 1.5 TOP/W 性能，支持基于深度神經網絡的幀分析。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。

系統集成使用了兩個4層10×10×0.8mmPCB，其正面用于引線鍵合，而無源元件和太陽能電池層則放置在背面。這種毫米級系統的代碼開發具有挑戰性，因此該團隊在外緣包括階梯狀過孔以暴露內部信號。

圖：（從左到右）堆疊 IC、被測封裝系統、PCB 背面、獨立的毫米級成像系統

對毫米級成像系統的修改

電源管理是能量最小化技術的關鍵要素，因為始終在線的圖像傳感器執行基于DNN的分析會產生巨大的功耗。該過程需要計算能量和存儲在片內外的兆字節DNN參數。

在運動監控、圖像捕獲和基于DNN的場景分析期間，動態節能模式（如閃存IC）設置為休眠模式，僅消耗0.003μW。電源管理單元針對每個節點進行調整，通過修改電流消耗、頻率控制和上/下轉換比，最大限度地提高動態負載的效率。另一方面，分層事件檢測（HED）算法用于修剪掉不相關的事件，否則這些事件會消耗能量，特別是在卸載數據而不確定其對應用程序的價值時。

結合權重修剪、非均勻量化、用于卷積層的量化權重的霍夫曼編碼以及其他幾種方法，DNN 可實現高達 1.5bit/weight 的壓縮。對于圖像壓縮，使用JPEG和H.264壓縮方法的組合來減少數據占用并最大限度地降低無線傳輸成本。

H.264 幀內壓縮引擎可將 VGA 幀的內存占用量減少 23 倍。但是，通過 H.264 壓縮，系統需要比 JPEG 多 138% 的處理能量。使用的其他方法是變化檢測引擎，與VGA幀相比，可實現135倍的壓縮，以及用于減少無線數據傳輸的系統外圖像重建。對于毫米級鏡頭和超低功耗前端的圖像校正，該團隊提出了圖像校正層，可以使用矩陣乘法和卷積等指令在ISP神經引擎（NE）上執行。

結論

該論文提出了一種新型毫米級成像系統，該系統集成了遠程物聯網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。為了實現小尺寸，系統使用超低功耗IC的垂直堆疊，并通過數據和能量管理方法管理存儲器和能量預算限制。“在展示了一個微型物聯網智能成像系統之后，通過社會技術和道德視角進行分析是必不可少的下一步;我們邀請未來在安全和隱私等主題上開展工作，“該團隊總結道。

審核編輯：郭婷