如何使用STM32G4 32位MCU系列

　　如果一个系统可以使用机器学习来训练模型并在同一个微控制器上运行它们会怎样？从本质上讲，它是法国公司Cartesiam的 NanoEdge AI 的突破性成就，它是机器学习ST 合作伙伴计划的成员，它重新定义了我们对人工智能的了解。 作为一家软件公司，Cartesiam 倾听客户描述他们想要分析的内容（即光、声、电特性等）和可用硬件（即传感器、内存、MCU 等）。然后，该公司提供了一个库，使未来的应用程序能够在边缘利用机器学习。该过程本身很简单，因为该公司拥有多年的研究和经验。因此，让我们看看我们的合作者为 ST 合作伙伴计划、物联网和机器学习应用带来了什么，并了解他们如何使用我们最新的STM32G4 32 位 MCU 系列。

　　Cartesiam 为 ST 合作伙伴计划带来了什么？NanoEdge AI 和无监督学习

　　Cartesiam 在 ST 合作伙伴计划中的存在比以往任何时候都更加重要，因为它补充了我们的倡议。年初，ST推出STM32Cube.AI，让开发者可以轻松将神经网络转化为STM32的优化代码。我们的工具针对依赖预定事件的应用程序。开发人员通过在 PC 上的神经网络训练框架中处理数据之前收集数据来训练神经网络，以识别特定的活动，例如步行、跑步或游泳。这个监督学习阶段输出经过训练的神经网络，然后开发人员可以将其发送到 STM32Cube.AI 以将其转换为代码，使我们的 MCU 能够识别这些活动（即推理阶段）。STM32Cube.AI 至今仍是同类中唯一适用于 STM32 MCU 的解决方案。

　　另一方面，Cartesiam 为不知道会发生什么并因此无法提前运行监督学习课程的客户提供独特的解决方案。NanoEdge AI 是原创的，因为它在微控制器本身上运行学习阶段，而不需要在 PC 上使用复杂的框架。当工程师无法为特定情况创建整齐的预训练模型时，工程师会转向此解决方案，但仍希望使用机器学习来提出智能解决方案，例如预测性维护，尽管嵌入式系统固有的资源有限。他们可以在 MCU 上运行训练阶段，以了解设备在其最终环境而不是实验室中的正常行为，然后在同一 MCU 上运行推理以检测和报告行为异常。

　　Cartesiam 为 ST 合作伙伴计划带来了什么？NanoEdge AI 与 STM32Cube.AI 携手并进

　　Cartesiam 的解决方案补充了我们的解决方案，因为该公司依赖于完全不同的数学范式。到目前为止，业界一直假设训练强大的机器学习模型仅在运行 TensorFlow 或 Caffe 的 PC 上有效，仅举两个例子。今天，NanoEdge AI 打破了这一先验，这要归功于一个使用新数学模型的框架，该模型考虑了微控制器上可用的资源。虽然 ST 通过将经过训练的模型引入 STM32 MCU 改变了行业，但 Cartesiam 是 ST 的重要合作伙伴，因为它现在将我们的微控制器引入机器学习，从而将它们开放给全新的应用范围，这要归功于它能够在一个上运行无监督学习和推理单片机。 该公司的解决方案也是多年研究的成果，最终在 Embedded World 2019 期间用于我们的SensorTile 模块。

　　Cartesiam 为物联网带来了什么？

　　NanoEdge AI 和 STM32 面向所有人

　　为了了解有关 NanoEdge AI 及其在 STM32 平台上的实施的更多信息，我们与 Cartesiam 的首席执行官 Joel Rubino 和该公司的首席技术官 Francois de Rochebouet 进行了交谈。

　　因此，Cartesiam 是一个很好的例子，说明公司如何在不需要花费过多时间和资源来创建新硬件系统的情况下进行创新和改变行业。他们在 Embedded World 上的演示令人印象深刻，因为他们展示了他们的机器学习库如何使用我们的 SensorTile 模块通过振动分析来学习 BLDC 电机的行为，然后借助嵌入式STM32L4超低功耗微控制器检测并报告异常情况。

　　在幕后，公众还没有看到演示的另一个方面，但这是 Cartesiam 解决方案的一个关键优势：它的易用性。Francois 只用了四个小时就完成了演示，开发人员可以相对快速地将 Cartesiam 库集成到他们的应用程序中。开发人员从这家法国公司获得示例代码，这大大降低了学习曲线，并在他们循环调用学习函数时引导他们开始训练系统，然后运行基于他们刚刚创建的模型的检测例程。因此，NanoEdge AI 消除了机器学习固有的许多复杂性，使其可供更多客户和更多应用程序使用。

　　Cartesiam 为机器学习带来了什么？NanoEdge AI 和 STM32 无处不在

　　NanoEdge AI 也是一个有吸引力的解决方案，因为它非常灵活。该解决方案可以从各种传感器获取数据，非常适合许多行业。这就是为什么我们让 Cartesiam 提前使用我们的新STM32G4 微控制器，看看他们能够对我们为模拟和数字外设带来的所有优化做些什么，他们并没有让人失望。

　　能够使用相同的 MCU 驱动电机并为预测性维护系统运行 AI，同时更具成本效益、鲁棒性和紧凑性。ST 现在正与 Cartesiam 合作，以确保即将推出的包和开发板将运行使用 NanoEdge AI 库的演示应用程序，以更好地将其补充解决方案引入我们的社区，从而将 STM32 平台定位于机器学习革命的中心。

　　这个例子表明 NanoEdge AI 具有延展性，因为它能够在“机器学习”中利用“机器”。Cartesiam 没有模仿人类行为通过使用摄像头“看到”问题或用麦克风“听到”问题，而是使用电流传感工具和模拟外围设备来创建效率更高的模型。通过提供可以适应大量情况的灵活解决方案，公司可以满足大量应用，我们很自豪能与他们合作，以确保 STM32 将成为这一新征程的驱动力。

　　审核编辑：郭婷