本视频将介绍资源丰富、成本更低的电热毯全国产MCU方案。

机器人系统可自动执行重复性任务，承担复杂而费力的作业，并在对人类有危险或有害的环境中工作。集成度更高、性能更强的微控制器 (MCU) 可实现更高的功率效率、更平稳安全的运动以及更高的精度，从而提高生产力和自动化水平。例如，更高的精度（有时在 0.1mm 以内）对于处理激光焊接、精密涂层或喷墨或 3D 打印的应用非常重要。

机械臂的轴数以及所需的控制架构类型（集中式或分布式）决定了适合该系统的 MCU 或电机控制集成电路 (IC)。现代工厂组合使用具有不同轴数和运动自由度（在 x、y 或 z 平面上移动和旋转）的机器人，以满足不同制造阶段的需求；因此，整个工厂车间采用不同的控制架构。

在选择 MCU 时，选择具有额外性能余量的 MCU 能够在未来实现可扩展性和支持附加功能。在设计过程中，提前规划可扩展性和附加功能也可以节省成本和时间，降低复杂性。

本文将探讨集中式和分布式（或称分散式）这两种电机控制架构，以及实现这两种架构的集成实时 MCU 的设计注意事项。

集中式架构

在集中式系统中，一个 MCU 用于控制多个轴。这种方法能在需要大型散热器和冷却风扇的较高功率电机驱动器（通常超过 2kW 至 3kW）中，有效解决散热问题。在此架构中，位置数据通常通过连接到编码器的旋转变压器板或聚合器从外部获取。

通常，在这种架构中，多个功率级位于同一 PCB 上或距离很近，因此一个 MCU 可以控制多个轴。这种方法简化了多轴之间的实时控制和同步，因为多个电机控制 MCU 之间不需要较长的通信线路。

集中式架构中的电机控制 MCU/MPU 需要具备高性能实时处理内核（如 R5F 内核或 DSP）、实时通信接口（如 EtherCAT）、充足的 PMW 通道以及用于电压和电流检测的外设。AM243x 等 MCU 可构建可扩展的多轴系统，为多达六个轴提供实时控制外设，并在单芯片中实现实时通信。

过去，FPGA 或 ASIC 器件主要用于自动化系统中的集中式电机控制。但是，基于 Arm Cortex 的现代 MCU（如 AM243x）近年来越来越受到青睐。这些 MCU 具有高集成度和成本效益，有助于设计人员满足其系统的性能要求，同时实现设计的可扩展性和灵活性。

虽然集中式控制架构可以满足重有效载荷工业机器人等大功率自动化系统的性能和效率设计要求，但这些系统需要使用额外电缆，连接机柜和关节的机械电机，以及位置传感器和聚合器。这些电线不仅成本高昂，而且容易磨损，需要维护。

图 1：适用于多轴系统的分散式电机控制架构的方框图

分散式或分布式架构

最近，分散式或分布式架构（图 2）在具有较低功耗要求的系统中越来越受欢迎，并已成为协作机器人机械手的标准方法。

分散式架构将多个单轴电机驱动集成到机器人的每个关节中，并通过 EtherCAT 等实时通信接口进行连接和同步。通常每个驱动控制一个轴，并在本地处理某些安全功能。因此，每个 MCU 都需要实时控制和通信功能、单轴电机控制外设、三到六个 PWM 通道、片上逐次逼近寄存器模数转换器或 Δ-Σ 调制器输入。

在这些应用中，位置传感器通常靠近 MCU ，因此这些 MCU 需要一个数字或模拟接口来读取位置传感器的数据。虽然这种架构需要更多的 MCU，但由于电源总线和通信接口之间的布线需求较少，因此可以大幅降低系统级成本。现代实时 MCU（如 F28P65x）不仅集成了所有必要的外设，还集成了安全外设，从而为分散式架构中的集成轴提供单芯片或双芯片解决方案，并以较小的尺寸实现高性能。

图 2：适用于单轴系统的分散式电机控制架构的方框图

结语

虽然电机在机器人领域可能并非当下最热门的选择（尤其是与支持人工智能的系统相比），但它们是维持工厂运转的“肌肉”，也是现代制造业中至关重要的部分，因此选择合适的控制器件时需要进行多番考量。随着这些器件集成度的提升，边缘计算和无线连接等附加功能可能会融入电机控制设计中。

关键字定位（Keyword Spotting，KWS）技术，已成为可穿戴设备、物联网设备和其他智能终端的关键。诸如“Alexa”，“Hey Siri”或“Ok Google”等短语唤醒智能手机和家用电器上的语音激活功能，已经是语音交互设计产品的广泛需求。

对于KWS，实时响应和高精度才能获得良好的用户体验。最近，神经网络已成为KWS架构的一个有吸引力的选择，因为与传统的语音处理算法相比，它们具有更高的准确性。

由于需要实时在线识别的要求，导致KWS应用在内存和计算能力有限的微型微控制器上运行会受到一定限制。KWS的神经网络架构设计必须考虑这些限制。于是，研究人员设计出由于传统CNN的深度可分离卷积神经网络（DS-CNN）架构技术。

为了进一步介绍了DS-CNN架构，并展示了开发人员如何在MCU上实现DS-CNN KWS。2018年ARM和斯坦福大学进行了合作，并开源了预训练TensorFlow模型及其语音关键词识别代码，并将结果发表在论文Hello Edge: Keyword Spotting on Microcontrollers中。

本文基于此开源模型和代码，在AT32 MCU上对KWS效果进行展示。

KWS实现原理

关键词识别KWS

一个典型的KWS系统由一个特征提取器和一个基于神经网络的分类器组成，如下图所示。首先，长度为L的输入语音信号被分成长度为l且步幅为s的重叠帧，总共有帧T帧。

T=(L−l)/S+1

从每一帧中提取F个语音特征，则长度为L的整个输入语音信号总共生成T×F个特征。Logmel filter bank energies (LFBE)和Mel-frequency cepstral coefficients (MFCC)常用于基于深度学习的语音识别，特别适用于传统语音处理技术。使用LFBE或MFCC进行特征提取涉及将时域语音信号转换为一组频域频谱信号，从而实现输入信号的维度压缩。提取的语音特征矩阵服务于输入分类器模块，该模块导出所输出分类的概率。在需要从连续音频流中识别关键字的实际场景中，利用后端处理模块可以在一段时间内平均每个输出类的输出概率，从而提高预测的整体置信度。

卷积神经网络CNN

基于DNN的KWS的一个主要缺点是它无法有效地对语音特征中的局部时间和频谱相关性进行建模。CNN是通过将输入时域和谱域特征视作图像，并对其进行二维卷积处理。卷积层之后通常是批量归一化、基于ReLU的激活函数和可选的最大/平均池化层，这些处理可以降低特征的维数。在推理过程中，批量归一化的参数可以折叠到卷积层的权重中。在某些情况下，为了减少参数和加速训练，在卷积层和密集层之间添加了一个线性低秩层，这是一个没有非线性激活的全连接层。

深度可分离卷积神经网络DS-CNN

深度可分离卷积神经网络（DS-CNN）。最近，深度可分离卷积已被提出作为标准3-D卷积操作的有效替代方案，并已用于在计算机视觉领域实现紧凑的网络架构。DS-CNN首先将输入特征图中的每个通道与一个单独的2-D滤波器进行卷积，然后使用逐点卷积（即1x1）在深度维度上组合输出。通过将标准的3-D卷积分解为2-D卷积，然后是1-D卷积，深度可分离卷积在参数数量和操作方面都更加高效，这使得即使在资源受限的微控制器设备中也可以实现更深、更宽的架构。

例 KWS实作

PC端：

利用TensorFlow与Python撰写完整的深度学习程序代码并训练模型，因本文件使用的学习模式为监督式的学习，需给系统大量的训练数据和Labels，接着将提取到的特征用以训练CNN模型，并反复修正训练的模型，直到模型为此系统优化的状态。

AT32 MCU端：

利用ARM提供的CMSIS-NN的函式库、DSP函数库和CNN函数库，结合PC端训练好的模型（该模型已下载待MCU）。对输入到MCU端的音频数据进行识别，实现对该语音数据可能的标签进行分类和预测。

因此，对于既定模型的KWS识别，AT32 MCU端可实现完全离线识别，无需实时与PC通信或联网通信。本示例，AT32 MCU端智能识别的关键词列表如下

"yes","no","up","down","left","right","on","off","stop","go";

没有输入信号时，输出标签为"Silence";输入信号不在关键词列表时，输出标签为

注意：由于篇幅限制，本文只介绍AT32 MCU的实现流程，如下图阴影部分。

资源准备

1) 硬件环境:

AT-START-F403A BOARD V1.x

AT32-Audio-EV V2.x

2) 软件环境

MDK V5.31或更新版本，使用ARM Compiler V6进行编译

…\PACK\ArteryTek.AT32F403A_407_DFP.2.1.2.pack或更新版本

…\PACK\ARM.CMSIS-DSP.1.11.0.pack或更新版本

ML-KWS-for-MCU-master\Project\mdk_v5

软件设计

实验结果

在AT32-Audio-EV V2.x端LINE_IN输入语音信号后，AT Link虚拟串口会打印输出KWS识别的标签和概率。

在12月中，上海海思披露了公司聚焦行业专用（Application Specific）和嵌入式AI技术（Artificial Intelligence）的A²MCU。据他们所说，，将AI领域超轻量级的技术框架、极致性能的推理要求、方便快速的部署能力与MCU深度融合，为MCU行业客户探索智能化应用提供新的选择。

海思在文章中表示，嵌入式AI是将AI算法嵌入到端侧设备中，使得设备能够具备智能化、自动化和高效化的能力。AI的历史可以追溯到20世纪50年代，进入21世纪，受益于算力的迅猛提升，以及大数据、云计算、深度学习等技术发展，人工智能在图像识别、语音识别、自然语言处理、机器人、自动驾驶等领域取得了突破性的进展。随着应用的拓展和渗透，端侧AI近几年逐渐成为业界热点。相对于数百万到千万的AI服务器，端侧AI MCU的数量级将高达数以百亿。基于现有的AI范式，由于资源的限制、模型的适应性等因素，AI越向下越难做，但同时AI下沉带来的商业潜力也很大。因此将AI技术嵌入到端侧最底层的MCU芯片，已成为业界领先MCU企业都在探索的新方向。

由于MCU硬件性能限制、AI软件的复杂度高、行业应用实时性要求高、能耗限制严格、数据安全性要求高，嵌入式AI在MCU的行业应用落地需要业务团队同时具备丰富的AI知识经验，以及嵌入式软硬件能力。

一方面要开发团队与落地场景之间要展开深度合作。基于真实场景的基础数据及嵌入式AI团队提供的专业的定制化方案，才能真正解决问题，做出价值。

另一方面要能够实现AI模型到MCU的快速部署。通用AI模型往往并不是针对嵌入式应用设计，AI开发工具品类又非常庞杂，而MCU的RAM、Flash资源及CPU算力通常都非常受限，如何选择合适的AI模型和开发工具用来开发出解决特定场景问题模型，又如何将AI模型部署到受限资源的MCU上，这是一个复杂的工程。

海思嵌入式AI提供了超轻量级的AI技术框架、极致性能完全满足MCU的推理要求、并能够将多模型快速转换为代码并导入工程，开发者进行方便快速的产品部署。

海思表示，A² 是海思针对家电、能源、工业、汽车等领域推出的全新解决方案，它不仅涵盖了基于RISC-V的系列化的MCU，还包含了高性能兼容ARM指令集的MPU，以及与之紧密配合并优化的操作系统。据官网介绍，该系列MCU目前包含了三款产品。

其中，Hi3065H是基于海思自研RISC-V内核的高性能实时控制专用MCU， 具有高性能、高集成度、高可靠性、易开发的特点，同时配合海思强大的算法团队和嵌入式AI能力，使得Hi3065H上市后快速获得家电、能源、工业等行业内多个客户的认可和好评。

Hi3061H是海思针对电机控制设计的专用MCU，采用了RISC-V@200MHz+FPU。具有高性能、高集成度、高可靠性、易开发的特点，同时配合海思强大的算法团队和嵌入式AI能力，可以覆盖电机领域相关多种应用场景，如便携式储能双向逆变，工业低压变频器，央空热泵外机，以及伺服控制等应用场景。

Hi3061M则是海思针对家电、工业等领域设计的高性价比MCU，使用海思自有RISC-V内核，支持150MHz主频，支持AI场景扩展；支持32KB SRAM和128KB 内置Flash，可支持客户产品功能持续迭代和算法升级；可应用于冰洗空、电动自行车、高速风机、电动工具、按摩椅等比较广泛的应用场景。

海思表示，一般情况下，MCU为了保证任务的高实时性，业界现有方案大多不使用操作系统，但是这样由于没有基本的调度功能，导致MCU代码量一旦超过万行级别，写代码的复杂度和后续的维护难度会大幅上升。海思通过和openEuler的联合创新，通过在A²MCU和UniProton进行深度优化，开发出可以在MCU有限资源上可以运行的UniProton+BareMetal（无OS裸跑）混合部署方案，该方案对硬件资源的需求极低，最小4KB RAM和4KB Flash即可运行。通过该混合方案的部署，一方面保持了原有高实时性任务的优先级和实时性不受到影响，还可以直接运行在BareMetal环境；同时针对实时性要求不高的任务，可以通过调度器进行多线程的任务管理，提供了多线程管理能力，降低了开发者代码开发的复杂度，同时也可以帮助客户进行更便捷的后期维护、以及更方便的进行应用的修改和跨芯片移植。

除了和操作系统的深度协同之外，海思A²解决方案还包含大量其它黑科技，比如资源需求极低到可以在MCU上部署的轻量级嵌入式AI、针对行业应用的高阶算法、以及可以针对行业场景自定义指令集的RISC-V内核等，通过这些技术方向上的探索和创新，海思A²解决方案在MCU以及嵌入式MPU等领域有独特的差异化优势。

除了上述MCU外，海思还推出了名为Hi3093的MPU。海思表示，这款高性能工控MPU是一款面向工业、电力、能源、IOT等领域设计，支持openEuler embedded OS的高性能ARM处理器，集成了4核ARM高性能处理器，具有丰富的工业专用接口，支持openEuler和实时OS，支持PLC/运动控制/DCS/IOT网关等多种应用场景。

据海思透露，针对高性能MPU，海思成功的实现了基于openAMP（开放非对称多处理）的多操作系统框架混合部署，基于该框架，客户可以在一颗MPU芯片上同时部署多个操作系统实例；比如将海思MPU的4个主处理器分成3+1两组，通过openAMP的双系统架构，客户可以把需要生态应用的openEuler非实时系统部署在其中的三个CPU核上，同时把UniProton实时操作系统部署到另外一个核；通过这种方式，客户可以用一颗芯片上同时实现原有方案中两颗芯片才能实现的功能，一方面帮助客户简化了系统架构，节省了成本，同时也极大的提升了系统的可靠性。海思是业界首个支持openEuler embedded同构、异构多核混合部署方案的芯片厂家。