傳感器為什么需要智能？這是一個很好的問題！設想一下，MEMS傳感器可以測量如加速度、角速度、壓力、溫度和濕度等物理量并轉化為數字信號，但如果我們的傳感器只能簡單地采集和傳遞數據，那它就像一個靜默的觀察者、被動的上報者，無法主動參與到系統中。

然而，當我們賦予傳感器智能時，在算法的加持下，它可以主動地在器件上基于所采集的數據進行融合、分類和預測，從而更加智能地應對各種情況，協助決策，優化產品。

ST作為在MEMS傳感器和執行器領域擁有豐富經驗和成熟專業知識的公司，其傳感器產品是怎么一步步走向智能之路的呢？

上圖是ST的傳感器智慧功能路線圖。最早我們推出基于MLC（Machine Learning Core，機器學習核心）跟FSM（Finite States Machine，有限狀態機）的1.0版本的智慧功能 — ST所有帶嵌入式MLC功能的MEMS產品，在產品編號末尾均帶有X標記，方便工程師進行識別。在消費級應用上，我們有LSM6DSOX — 針對手機穿戴設備光學防抖應用的器件；LSM6DSRX — 針對虛擬現實跟正常現實無人機應用的器件。工業級應用上我們有ISM330DHCX以及傾角儀IIS2ICLX。

ST MEMS傳感器內置的機器學習核心（MLC）基于決策樹分類器，可以在傳感器中以極低的功耗執行程序化決策樹，檢測運動數據的同時運行不同任務。具體的機器學習模型設計過程可以參考之前的推文《AI技術專題之二：機器學習模型設計過程和MEMS MLC》或《DT0139設計建議：決策樹生成》

MLC與FSM有什么差別？

MLC主要用于活動跟蹤，即在做一些周期性長時間的運動時，對活動場景進行檢測，例如檢測人是在走路、跑步、騎車還是乘車；FSM則主要針對短時間一次性動作的手勢或姿態識別。

MLC與FSM兩者的差異包括：
1）輸入數據源差異 — MLC的輸入數據源是非原始數據，而是基于原始數據進行標記并計算的特征值。而FSM基于原始的加速度或陀螺儀的樣本數據。
2）邏輯方面的差異 — MLC基于機器學習決策樹的邏輯；而FSM基于閥值/計時器的事件觸發器的邏輯，進行判斷和比較。
3）輸出方面的差異 — MLC基于決策樹邏輯進行模式匹配，再輸出不同的分類結果；FSM則是基于命令和條件進行判斷，再輸出事件檢測的結果。

進入MLC和FSM 2.0階段后，以LSM6DSV16X/LSM6DSV16BX/LIS2DUX12為代表的器件引入2.0功能并集成了SFLP低功耗融合算法。

SFLP（Sensor Fusion Low Power）是6軸低功耗傳感器融合的縮寫。ST 6DSV系列IMU中均配置了SFLP功能。

其主要特點包括：

1）基于加速度及陀螺儀數據進行融合的算法，可以輸出游戲旋轉矢量，相當于表現在空間姿態的一個四元數。這個四元數也可通過一個算法轉換成歐拉角，展現成空間姿態，即從A點移動到B點時，在空間中的運動軌跡。同時這個數據還可以保存在FIFO中。

2）可以輸出重力矢量，用來表示重力方向的三維向量。

3）可以提供陀螺儀的bias，相當于陀螺儀一個零偏支持靜態校準。同時也集成動態零偏校準算法，實時計算陀螺儀的零偏，減少積分誤差。

SFLP低功耗傳感器融合在消費電子領域有廣泛的應用場景；例如游戲手柄、賽車、AR/VR/MR的游戲裝備空間姿態檢測；在可穿戴領域，如手表中的運動實時檢測和手勢識別、耳機TWS的3D空間音效，即當用戶移動頭部時，音頻能夠跟隨頭部運動播放；在手機導航和無人機中，也可以使用SFLP進行3D空間姿態檢測。畢竟，SFLP具有卓越的性能 — 不僅可以輸出6軸游戲旋轉矢量，而且無論靜止精度、低動態精度還是高動態精度都非常高。校準時間即達到穩定狀態所需要的校準時間僅為0.8秒，姿態穩定時間為0.7秒。功耗方面，在15Hz下僅需3.5μA，120Hz時功耗也只有28μA。

為了方便開發者使用，我們在GitHub上提供了詳細的參考代碼。通過參考代碼，開發者可以了解如何實現軟件復位，配置加速度陀螺儀量程和ODR，配置FIFO buffer觸發中斷，設置SFLP數據保存到FIFO中，配置FIFO模式，設置FIFO為stream模式，使能sensor及SFLP算，設置Gbias，陀螺儀零偏動態獲取，提高算法的精準度等等細節。

基于專業的MEMS評估母板加上適用于各種工業級、消費級、汽車級傳感器的適配板，然后連接電腦，進入Unico-GUI功能界面，通過搜索選擇傳感器，點擊Fusion功能，然后您就可以看見下面視頻中的茶壺會跟隨板子的移動進行旋轉或者說空中姿態檢測。

編輯：黃飛

?