使用xG24内建AI加速器及开发套件打造声音感知的智能门锁

SiliconLabs 2022-07-21 17:30

详解状态监控系统的数据采集技术 开放·连接 2025玄铁RISC-V生态大会

Silicon Labs（亦称“芯科科技”）设计合作伙伴－SensiML近期制作了应用文章系列：“创造真正智能的智能家居设备－使用Silicon Labs xG24开发套件支持AI加速器以构建声音感知门锁”（Creating a Smarthome Device That Is Truly Smart - Building an Acoustic Aware Door Lock Using Silicon Labs' AI Accelerated xG24 Dev Kit）。通过将新的人工智能（AI）和机器学习（ML）工具链与Silicon Labs的Simplicity Studio以及BG24和MG24系列SoC结合使用，实现真正智能的智能家居设备－声音感知的智能门锁。

SensiML是领先的AI和ML工具提供商，Silicon Labs携手该公司致力于帮助开发人员获得端对端工具链，简化机器学习模型的开发，并优化无线应用的嵌入式部署。欲了解本文完整内容可点击文末的阅读原文按钮或访问下方链接：https://sensiml.com/blog/creating-an-acoustic-smarthome-sensor-with-silabs-xg24-platform/

计画－创建可感知声音的智能门锁

智能连接设备逐渐进入我们家庭和日常生活的例子日渐增加，包括智能灯泡，智能集线器，恒温器，电器甚至智能狗碗等，几乎所有这些设备都是联网的，有些甚至是被称之为“智能”的设备——尽管问题是大多数通过云计算或智能手机应用获得智慧。目前很少有这类设备本身是智能的，它们利用边缘推理计算来提供自主的局部洞察，它们可以处理和行动，而不需要依赖网络的辅助。随着针对物联网边缘设备的最新嵌入式芯片和微控制器的出现，这种限制正在迅速改变，这些设备拥有更强大的处理器，甚至是专门的AI加速器。

最近的硬件进步使这一趋势朝着真正智能的物联网边缘应用和设备发展。硬件不断地创新正在将人工智能从云端带到以超低功耗芯片驱动的物联网边缘设备本身。除了硬件之外，具有AI能力的边缘芯片还需要强大的配套软件工具，让开发人员轻松地挖掘这些新处理器的全部潜力。众所周知，在不影响AI学习曲线的情况下做到这一点是艰钜的挑战。毕竟构建具有产品价值的、数据驱动的AI模型是一个多学科的过程，涉及AI、数字信号处理、领域专业知识和固件优化。这些都是典型的专业领域，具有独立发展的专业工具，以适应嵌入式传感器数据处理的每个特定方面的专家用户。幸运的是，最新的硬件进步现在伴随着新的AutoML软件工具，如SensiML的分析工具，统一和简化构建真正智能物联网边缘设备的工作流程，正如我们将在本系列文章中演示的那样。

介绍Silicon Labs内建AI/ML加速器的MG24和BG24 SoC

最新一代具有AI/ML能力的边缘处理器的例子来自SensiML的合作伙伴Silicon Labs。Silicon Labs的MG24和BG24 SoC结合AI/ML加速器以及最新发布的SensiML分析工具包，支持这些设备的全部功能，为开发人员在构建真正智能的物联网边缘设备方面迈出了重要一步。具体而言，对于音频分类等需要复杂神经网络模型的高级用例，Silicon Labs MG24 / BG24 SoC产品家族和SensiML的组合允许具有现有IoT开发技能的项目团队轻松创建节电、低延迟的AI应用。

为了说明这种硬件/软件组合解决方案的可行性，在这个由多部分组成的博客文章系列中，我们将着手构建一个真正的智能门锁，它只利用一个麦克风和强大的AI推理计算在边缘设备中，以确定各种系统须知的声学事件，从而生产出更好、更安全的家庭门锁。

概念－声音感知智能门

我们已经看到市场上出现了各种各样的联网设备，以改善我们在智能家居中遇到的第一个环节—前门的体验。智能门铃现在集成了连接摄像头，门锁也具有连接功能，允许灵活和可编程的访问，以替代传统的锁和钥匙。在这个组合中，我们将在这个博客系列中探索的是一个为这些设备添加声音感知和智能的概念。利用Silicon Labs xG24 Dev Kit和SensiML Analytics Toolkit，我们将集成一个麦克风和AI处理，为互联的智能门带来额外的自主洞察。

我们的声音感应式真正的智能门锁将通过机械布局来监测周围环境的声音，这有助于加强门本身内部结构声音的信号。使用数据驱动的AutoML模型构建和SensiML分析工具，我们将捕捉各种有趣的声音事件，目的是构建一个识别模型，可以在本地识别此类事件，而不需要联网AI、云或智能手机处理。

我们将捕捉到的一些事件包括:

敲门
键锁插入
门栓啮合
多余的声音(避免假性触发事件)

扩展这个概念，还有很多其他的事件可以添加到列表中:

门锁篡改
敲门声
试图入侵
玻璃破碎险
用户的语音识别

以上为本系列博客文章的第一部分，后面几期内容我们将通过智能声感门锁的开发工作取得进展，延伸阅读如下:

第二部分：使用SensiML Toolkit收集和标记声学原始传感器数据
https://sensiml.com/blog/collecting-and-labeling-silabs-xg24-smart-door-lock-sensor-data/
第三部分：AI加速SiLabs xG24开发工具包的边缘AI模型生成
https://sensiml.com/blog/generating-a-working-smart-door-lock-model/
第四部分：AI加速的EFR32MG24模型的性能分析
https://sensiml.com/blog/profiling-the-silicon-labs-xg24-smart-lock-model/
第五部分：使用数据增强来提高模型的准确性（待更新）

探索更多关于Silicon Labs和SensiML的AI/ML解决方案

Silicon Labs合作伙伴网页
https://sensiml.com/partners/silabs/
EFR32MG24无线SoC
https://www.silabs.com/wireless/zigbee/efr32mg24-series-2-socs
SensiML产品综览
https://sensiml.com/products/