microcontroller
PulseAugur coverage of microcontroller — every cluster mentioning microcontroller across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
13M ASR Conformer 模型在低成本微控制器上运行
一位开发者成功地在低成本 ESP32-S3 微控制器上实现了一个拥有 1310 万参数的自动语音识别 (ASR) conformer 模型。通过蒸馏和量化，该模型被压缩到仅占用 14MB 的闪存和 256KB 的 SRAM，使其能够转录 8 秒的音频。尽管推理速度仍然较慢，但这比之前的尝试有了显著的进步，开发者提倡进行更多关于模型效率的研究，以使人工智能在经济实惠的硬件上更加普及。
-
新框架可在微控制器上实现动物重识别
研究人员开发了一个新的动物重识别（Animal Re-ID）框架，该框架可以在微控制器（MCU）上运行。这对于在连接性有限的地区进行野生动物监测和牲畜管理等应用至关重要，因为推理必须直接在边缘设备上进行。所提出的系统系统地扩展了基于CNN的MobileNetV2骨干网络以适应低分辨率输入，在模型尺寸比最先进的模型减小两个数量级以上的同时实现了有竞争力的准确性。一种数据高效的微调策略允许在数据最少的情况下快速适应新环境。
-
LLM 是 ALU，不是计算机，缺乏持久状态
作者认为，大型语言模型（LLM）在根本上受到限制，因为它们缺乏传统计算机的持久状态和顺序处理能力。与具有程序计数器和寄存器的中央处理单元（CPU）不同，LLM 在单次调用中处理输入，并在调用返回后丢失其先前操作的所有记忆。这种固有的状态缺失意味着 LLM 更像是算术逻辑单元（ALU），而不是完整的计算机器，仅仅增加参数或上下文窗口大小并不能赋予它们运行程序的能力，而运行程序需要一系列依赖的步骤。
-
新论文概述了微控制器的嵌入式机器学习工作流程
一篇新论文详细介绍了一个在微控制器上实现机器学习的全面工作流程，重点关注资源受限设备的工程挑战。它涵盖了数据采集、信号预处理、特征提取、模型验证以及设备端推理的部署策略。该研究以惯性运动识别和关键词识别为例，说明了稳健的嵌入式机器学习系统的实际设计规则。
-
新的NAS方法针对效率和嵌入式设备 · 跟踪4个来源
研究人员开发了新的神经架构搜索（NAS）方法，旨在提高效率和资源意识。一种名为InTrain的方法，通过分析几何容量和优化弹性，引入了一个统一的可训练性理论代理，并取得了与现有方法相媲美的结果。同时，其他研究侧重于硬件感知的NAS，能够创建可以在内存有限的嵌入式设备（如微控制器）上运行的微型卷积神经网络（CNN），用于物联网设备的计算机视觉等应用。
-
边缘AI推动从微控制器向微处理器转变
嵌入式系统格局正从微控制器转向微处理器，预示着微控制器时代的潜在终结。这一转变是由边缘AI实施日益增长的需求驱动的，正如过去四年在AI展上所观察到的。这一趋势表明边缘AI策略的开发和部署方式正在发生根本性变化。
-
Ariel-ML工具包支持在多核微控制器上进行基于Rust的并行神经网络推理
一个名为Ariel-ML的新工具包已被开发出来，用于使用嵌入式Rust在多核微控制器上自动化神经网络推理的并行化。该工具包旨在利用各种32位微控制器中存在的异构多核架构的能力，包括Arm Cortex-M、RISC-V和ESP-32系列。基准测试表明，与现有的解决方案相比，Ariel-ML实现了更低的推理延迟，同时保持了与使用C/C++的工具包相当的内存占用。
-
新系统融合ToF和红外传感器以实现高效手势识别
研究人员开发了一种新颖的手势识别系统，专为智能眼镜等资源受限设备设计。该系统能够高效融合低分辨率的飞行时间（ToF）和红外热传感器的数据，解决了传统基于视觉方法带来的功耗和隐私问题。紧凑型卷积神经网络架构支持设备端处理，实现了高精度和低延迟。
-
AI目标探测器AIRIS使用航天级MPU探测到轨道上的船只
一个名为AIRIS的基于AI的目标探测系统已成功识别出轨道上的船只。该系统在其运行中利用了下一代航天级MPU（微处理单元）。此次成功探测标志着天基监视和监测能力方面迈出了重要一步。