通识课程优秀作业|李俊锟:AI遇到单片机

这学期，我完成了“人工智能”课程，学习了如何调整SVM参数，还学习了机器学习和深度学习原理。但是说实话，我总是觉得这种魔法算法与我专业的自动化有点相去甚远。我的世界里有单片计算机、电路图、C语言。所以，我有疑虑：AI在我的单片机上运行，能更智能地运行吗？为了找到答案，我做了调查：我确认了很多信息，看了很长时间的研究室外，又和老师聊了聊。这份报告书是我的研究和愿景。

一、灵感

在AI的实验过程中，我在电脑屏幕前不断调整SVM的“核函数”和“惩罚系数”，看着分类精度一点一点地提高，终于止步于0.973。那一刻，我感觉像神一样。我修改了几个参数，教了电脑分类数据的方法。后来深度学习变得更加强大了。多层次的网络结构可以识别各种奇怪的手写数字。

但是，下课后按下科技协会的门后，这种感觉消失了。在科学技术协会的实验室里，我只看到了完成电子设计所需的几个传统组件——STM32开发板、一些LED灯和直流电机。为了精确地旋转到我想要的角度，我必须和编码器竞争。为了消除按键的晃动，我必须看示波器的波形，并使用12行以上来更改代码。一方面，AI在计算机程序中是全能的，另一方面，我的单片机在物理世界中因为稍微精确一点的时机是“不合理的”。这种感觉特别分裂。

有一次，当我突然看到学长学姐们制作的追踪车时，我想他们总是面临各种各样的问题：为什么他们拉上实验室的窗帘，当光线有点暗时找不到方向？为什么像笔帽这样的小障碍物掉到前面，没有绕过它直接撞到了呢？这些问题可以通过AI来解决吗？

从那以后，我有想法了。在人工智能课上，如果能稍微修改一下机器学习/深度学习代码并放入这个STM32芯片中，追踪车就能学会看路的方法，学会自己躲藏吗？这个想法让我心潮澎湃，我很兴奋，我必须直接确认这是不是可行的道路。

二、探索

我的“研究”主要依赖于谷歌搜索、技术论坛，以及我们学校的论坛。开始搜索“单片机人工智能”和“STM32用AI执行”等关键词。首先，我找到了所有无法理解的文件和芯片手册。我完全无法理解他们。但是，慢慢地，我发现那里的人称它为“Edge AI”或“TinyML”。很明显，许多工程师团体正在真正思考如何将AI模型应用于微芯片。

我把这些资料看成是故事，发现了非常可行的东西：

1.模型可以简化，而且有很多手段。我原本以为AI模型是巨大的，模型参数量如果超过GB，就完全无法用单片机处理。结果发现，工程师有几种方法可以简化模型。最常用的被称为“量化”。这个模型原本是特别精细的彩笔画，所有细节都是用32位颜料绘制的，现在变成了8位的像素画。那幅画还是一样。虽然没有丢失重要信息，但文件大小（即模型的体积）一次可以减少到原来的四分之一。这样可以方便地放入单片机的小内存中。此外，还有修剪树枝和叶子的技术，从模型中剪去不重要的细节连接，使网络更简洁。现在，我确信AI模型可以在更多的领域进行转换和压缩。

2.有现成产品工具包。我原本认为，要在单片机上运行AI模型，需要自己创建许多基本的驱动程序和数学库。实际上，软件开发者们提前为了我们考虑了很多。他们发明了TensorFlow Lite Micro这个东西，一个非常好用的“翻译器”和“包装工具”。这个工具可以让我们的工作流程变得更便捷。在我们自己的电脑上用Python语言编写程序并训练模型，将训练好的模型提供给这个Micro工具，可以将Python程序转换为标准C++代码。在这个代码中，将模型被瘦身，执行它所需的逻辑也被打包了。我们把这个代码放入我们自己的Keil或IAR项目中，同时放入控制LED读取传感器的代码，点击编译即可。

3.单片机本身也在进化。我印象中的单片机仍然是51单片机那种低速和小内存的。查询后，我发现现在的单片机早就更新了。例如，STM32F4系列或更强大的H7系列直接集成了指令集和数字信号处理专用的硬件浮点计算设备。在单片机的CPU上安装一个特殊的“数学加速卡”，使AI模型能够快速计算出自己喜欢的乘法和加法。事实上，有专为 AI 应用设计的单片机，直接插入更专业的“AI 加速器”（如NPU）。

如果了解了这些，我心中的想法就能实现。

三、想象

伴随着“模型可以变小”、“工具是现成产品”以及“芯片可以运行”这几点，我的思维突然打开了。关于虚拟项目的想法浮现在我的脑海里：设计一个可以检测自身健康状况的智能马达。

传统惯例：我以前知道的电机保护方式是在电机外壳上安装振动传感器，当振动超过一定阈值时发出警报。通常，工程师根据经验设置振动振幅的阈值。但问题是，当振动实际达到这个值时，电机的轴承或线圈可能已经受到严重损坏，这不仅需要维修费用，而且可能会延迟正常的生产操作。

我的AI升级愿景：

第一步：调查“健康状况”是什么。当电机处于新品最佳状态时，我会安装高精度的振动传感器，在正常运转时持续收集振动数据。

步骤2：设置“健康标准文件”。这时，我在AI课上听到的SVM算法应该有用吧。这个算法的特点是只学习“一般”样本就可以了。我用所有这些健全的振动数据来训练它，它学会了当电机健康时应该有什么样的振动模式。这个训练有素的模型是电机的“健康标准文件”。

步骤3：分发“安全设备”。我通过工具将这个“健康文件”模型转换为C++代码，并分发给连接到传感器的STM32单片机。这款单片机是随时可以在线访问的保修设备。

步骤4：实时检测异常。用这个保证装置持续监控振动。如果发现马达的振动模式与“健康文件”中记录的不同而出现的一些异常时，即使振动振幅离警报线很远，探测器也会立即亮起黄色指示灯发出警告。

四、可能的问题

我知道在“想法”和“实现”之间有被称为“工程实习”的广阔海洋。如果你真的想那样做，你可能会面临许多难以预料的困难，例如：

很难获得数据。理想情况下，在各种照明、角度甚至轻微的油污下，需要数千张不同电机的照片。但是实际上，我拿不到那么多照片。这只是最简单的数据。如果它是智能电机，收集足够多的健康振动数据来应对各种负载条件，需要花费更多时间。

电力不足。长时间用相机收集图像、单片机的CPU在高负载下持续运行AI模型，都是高功耗的。我想象中的智能汽车行驶10分钟后动力就可能会下降。为了使设备智能和长期运行，平衡智能和功耗的方法是嵌入式AI产品化应该面临的问题。

如果了解这些困难在哪里，就能感觉到目标会更加明确。

五、下一步计划

虽然这一切只是迄今为止我笔记本上的想法和研究，但我觉得自己得到了什么。最大的好处是，它完全打破了“AI在天空中，嵌入在地面上”的刻板印象。我理解AI不是只存在于云服务器上的巨大的东西。它完全可以和“实时”、“小”，我熟悉的电路和代码整合，可以成为赋予物理世界智慧的“灵魂”。我们自动化专业的学生，未来的方向就在这里 – 连接虚拟智能和现实世界，创建能够很好地识别、思考和执行的智能系统的“桥梁工程师”。

我今后的道路也通过这次探险变得清晰了。我为自己大致计划了下一个阶段的任务：

1.认真学习自动化的基础：我清楚地知道，单片机、C语言、电路设计等，无论发生什么，都是我都不会失去的技术和基础。如果默认驱动程序不稳定，硬件电路设计得不好，那么无论AI模型多么智能，它仍然没有根基。因此，我必须更加努力学习下一个专业课程和实验，打下更坚实的基础。

2. 自学的新知识：我计划在下学期利用空闲时间，正式开始自学Python基础和TensorFlow Lite Micro框架。我不需要一开始就理解所有的原则和原理。从简单目标出发，在STM32开发板上按照在线教程，可以正常执行官方提供的AI示例（例如，可以执行人脸检测模型，可以识别“开”和“关”的两个语音命令）。即使只是通过AI识别的成功打开LED灯，也是从0到1的突破口。这样会给我很大的信心。

3.寻找同伴：我想联系科技协会，寻找对这方面具有相同兴趣的学伴。我们可以一起组队参加像“嵌入式AI挑战”这样的大学生比赛，也可以申请校级大学生创新教育项目。我相信，只要你这样做，你以前认为的所有困难都会从模糊的想象变成具体问题，总有解决具体问题的方法。

这个思考过程结束后，从研究开始的过程变成了充满惊喜的探险之旅。我不仅没有迷路，而且对自动化专业充满了前所未有的期待。AI和单片机再也离不开我的心了。它们成了我的知识工具箱中等待结合的两种魔法武器。

推荐阅读

我校教师斩获第十届华为ICT大赛全国总决赛教学赛特等奖

电子科技大学本科教学工作动态（3、4月）

关于2026年劳动节放假期间本科教学安排的通知

通识课程优秀作业丨阮耀威等：An Intelligent UAV Inspection System with Multi-Modal Perception for GNSS-Denied Environments

成电微教务 | 用心服务