推荐星级:
  • 1
  • 2
  • 3
  • 4
  • 5

嵌入式系统发展趋势——边缘AI与异构计算.docx

更新时间:2026-09-14 08:08:57 大小:39K 上传用户:江岚查看TA发布的资源 标签:嵌入式系统边缘AI异构计算RISC-VTinyML 下载积分:2分 评价赚积分 (如何评价?) 打赏 收藏 评论(0) 举报

资料介绍

19 嵌入式系统发展趋势——边缘AI与异构计算

一、引言

嵌入式系统正在经历一场深刻的变革,从传统的"控制主导""智能互联"演进。人工智能(AI)技术从云端向边缘设备下沉,异构计算架构的普及,以及 RISC-V 开放指令集的崛起,正在重塑嵌入式系统的技术格局。边缘 AI 使嵌入式设备能够在本地完成智能推理,无需依赖云端,降低了延迟、保护了数据隐私;异构计算通过集成多种处理单元(CPUGPUNPUDSP)实现性能和能效的最优平衡。

二、边缘 AI——智能下沉到终端

传统的 AI 应用依赖云端服务器进行推理计算,设备需要将数据上传到云端,等待结果返回。这种方式存在延迟大、带宽消耗高、数据隐私风险等问题。边缘 AI 将推理计算迁移到设备端,在本地完成数据处理和智能分析,克服了云推理的局限性。边缘 AI 的核心优势包括:低延迟,推理计算在本地完成,响应时间从秒级降低到毫秒级;离线运行,设备在网络不可用时仍能正常工作;数据隐私,敏感数据无需上传到云端;带宽节省,只需上传处理结果而非原始数据。

TinyML 是边缘 AI 的重要分支,专注于在微控制器等资源极度受限的设备上部署机器学习模型。TinyML 模型通常经过量化、剪枝和蒸馏等优化技术,将模型大小从数百 MB 压缩到几十 KB 到几百 KB,使其能够在只有几 KB 到几百 KB RAM MCU 上运行。TensorFlow Lite for Microcontrollers TinyML 领域最流行的框架,支持在 ARM Cortex-M 系列 MCU 上部署优化的神经网络模型。TinyML 的应用场景包括:关键词唤醒、手势识别、异常检测和预测性维护等。

为了支持边缘 AI 推理,MCU 厂商正在推出集成 NPU(神经网络处理单元)的 AI MCUNPU 是专门为神经网络计算设计的硬件加速器,通过脉动阵列和片上缓存等架构优化,实现了高效的矩阵乘法和卷积运算。TI TMS320 系列集成了 NPU 加速器,可用于电机故障检测等工业场景。NXP i.MX 93W 处理器集成了 NPU 加速器,专为"物理 AI"应用设计,支持在边缘端运行视觉和语音推理。


部分文件列表

文件名 大小
19_嵌入式系统发展趋势——边缘AI与异构计算.docx 39K

全部评论(0)

暂无评论

上传资源 上传优质资源有赏金

  • 打赏
  • 30日榜单

推荐下载