AI加速SoC建構聲音感知的智慧門鎖
作者 : Chris Rogers，SensiML創辦人
使用資料驅動的建構模型搭配分析工具，有助於整合麥克風和AI處理功能，為互連智慧門帶來更好的自主洞察力…
人們不需要花很長時間就能找到智慧連網裝置逐漸進入家庭和日常生活的例子，包括智慧燈泡、智慧集線器、恆溫器、電器甚至智慧狗碗等，這些裝置幾乎都是連網的，有些甚至是被稱之為「智慧」的裝置——但問題是大多數裝置還是透過雲端或智慧型手機應用程式(app)來實現智慧。
目前這類裝置本身很少是自帶智慧的——即利用邊緣推論運算來提供其可自主處理和行動的本地洞察力，而不需要依賴網路的輔助。隨著針對物聯網(IoT)邊緣裝置的最新嵌入式晶片和微控制器出現，讓這些裝置擁有更強大的處理器，甚至是專用的人工智慧(AI)加速器，這種限制正在迅速改變。
最近的硬體進展使此一趨勢朝著真正智慧的IoT邊緣應用和裝置發展。硬體不斷的創新正將AI從雲端帶到以超低功耗晶片驅動的IoT邊緣裝置本身。除了硬體之外，具有AI能力的邊緣晶片還需要強大的配套軟體工具，讓開發人員輕鬆地開發這些新處理器的全部潛力。
眾所周知，在不影響AI學習曲線的情況下做到這一點是一項艱鉅的挑戰。畢竟建構具有產品價值的、資料驅動的AI模型是一個多學科的過程，涉及AI、數位訊號處理、專業領域知識和韌體的最佳化。這些都是典型的專業領域，具有獨立發展的專業工具，以適應嵌入式感測器資料處理的每個特定領域專業使用者。所幸最新的硬體進步如今正伴隨著新的AutoML軟體工具，如SensiML分析工具，能夠統一並簡化建構真正智慧IoT邊緣裝置的工作流程。
內建AI加速的MG24和BG24 SoC。(圖片來源：Silicon Labs)
SoC內建AI加速
最新一代具有AI能力的邊緣處理器，如Silicon Labs的MG24和BG24 SoC，結合AI加速以及最新發佈的SensiML分析工具套件，支援這些裝置的全部功能，讓開發人員在建構真正智慧的IoT邊緣裝置方面邁出了重要一步。具體而言，對於音訊分類等需要複雜神經網路模型的進階用例，MG24/BG24 SoC產品家族和SensiML的組合讓目前具有IoT開發技能的專案團隊輕鬆創建節電、低延遲的AI應用。
為了說明這種硬體/軟體組合解決方案的可行性，本文將著手建構一個真正的智慧門鎖，它只需在邊緣裝置中利用一個麥克風和強大的AI推論運算，即可確定各種系統須知的聲學事件，從而產出更好、更安全的家庭門鎖。
概念—聲音感知智慧門
市場上已經出現了各式各樣的連網裝置，以改善我們在智慧家庭中遇到的第一個環節——前門的體驗。智慧門鈴如今整合了連網攝影機，門鎖也具有連接功能，能夠存取靈活且可編程設計，以取代傳統的鎖和鑰匙。為了探索如何為這類裝置添加具聲音感知和智慧的概念，利用Silicon Labs xG24 Dev Kit和SensiML分具工具，將有助於整合麥克風和AI處理功能，為互連的智慧門帶來更好的自主洞察力。
這種聲音感應式智慧門鎖將藉由機械佈局來監測周圍環境的聲音，這有助於加強門本身內部結構聲音的訊號。結合使用資料驅動的AutoML建構模型和SensiML分析工具，有助於建構一個可在本地辨識此類事件的辨識模型，以捕捉各種有趣的聲音事件，而無需連網AI、雲端或智慧型手機進行處理。
透過這一組合將可捕捉到諸如敲門、鍵鎖插入、門栓嚙合等更多聲音(避免假性觸發事件)等事件。進一步擴展此概念，還有很多其他的事件可以添加到此列表中，包括門鎖篡改 、敲門聲、試圖入侵、玻璃破碎聲以及用戶的語音辨識等。
加入LINE@，最新消息一手掌握！
