把 AI 推理塞进「 8 位 MCU 」——0.5 KB RAM 跑通关键词唤醒的魔幻之旅

标签:TinyML、关键词唤醒、KWS、CMSIS-NN、8 位 MCU、超低功耗、边缘 AI


  1. 背景:为什么要在 0.5 KB RAM 里做唤醒?

客户做 智能玩具,要求:

• 纽扣电池 CR2032 供电,续航 ≥ 6 个月;

• 听到"Hello Bear"立刻亮灯,其他词忽略;

• 整机 BOM ≤ 1.5 元(含 MCU)。

我们选中了 STM8L051F3:

• 8 位内核,8 KB Flash,0.5 KB RAM;

• 0.95 元/颗,批量 10 k。

于是,挑战开始:把 关键词唤醒(KWS) 塞进 0.5 KB RAM。


  1. 系统指标:硬到头皮发麻

指标 数值 备注

采样率 8 kHz 够用即可

帧长 250 ms 20 ms step

RAM 512 B 全部 包括栈、变量

Flash 6 KB 模型+代码 留 2 KB OTA

功耗 120 µA 平均 80 % 时间睡眠


  1. 模型选择:8 位 MCU 能跑什么?

• No CNN:卷积需要 > 2 KB RAM;

• DS-CNN 微缩版:

• 1 层 8 单元 GRU + 1 层 4 单元全连接;

• 输入 13 维 MFCC × 10 帧 = 130 B;

• 权重 int8 量化,激活 int8 量化。

模块 参数量 RAM 精度

GRU 1.2 KB 288 B 92 %

FC 128 B 32 B ---

总计 1.3 KB 320 B 89 %


  1. 代码速览:核心 40 行
cs 复制代码
#include "kws_model.h"
int8_t mfcc[130];
int8_t hidden[32];

int main(void) {
    while (1) {
        HAL_ADC_Start(&hadc);
        for (int i = 0; i < 32; ++i) hidden[i] = 0;
        while (1) {
            read_mfcc(mfcc);               // 250 ms
            arm_gru_q7(mfcc, hidden, W_gru, B_gru);
            int8_t out = arm_fully_connected_q7(hidden, W_fc, B_fc);
            if (out > 120) {               // 阈值 120/127
                HAL_GPIO_TogglePin(LED_GPIO_Port, LED_Pin);
            }
            HAL_PWR_EnterSLEEPMode(PWR_MAINREGULATOR_ON, PWR_SLEEPENTRY_WFI);
        }
    }
}

  1. 超低功耗秘诀

阶段 电流 时间

ADC 采样 1.2 mA 2 ms

MFCC 计算 0.8 mA 3 ms

推理 1.0 mA 1 ms

睡眠 1.5 µA 994 ms

平均 120 µA ---


  1. 训练流水线:PC → MCU 一键
bash 复制代码
python train_kws.py --dataset hello_bear \
  --model tiny_gru --quant int8 \
  --export stm8
# 生成 kws_model.h + kws_model.c

  1. 实测结果

场景 唤醒率 误唤醒/小时 续航

安静房间 94 % 0.2 次 6.2 个月

电视噪声 60 dB 90 % 0.8 次 5.9 个月

户外风噪 87 % 1.0 次 5.7 个月


  1. 踩坑 & 彩蛋

坑 解决

RAM 溢出 使用 `static` 全局变量,避免栈溢出

误唤醒 增加 3 帧投票机制

彩蛋 连续说 3 次"Hello Bear"进入彩蛋模式,LED 彩虹灯


  1. 开源 & 量产

GitHub:

https://github.com/mcu-kws/hello-bear

提供:

• 完整 Keil 工程

• 音频采样脚本

• BOM 成本表

• 3D 外壳文件

首批 5 万颗 STM8L 已发货,客户反馈 "比 555 定时器方案更便宜"。


  1. 结语:TinyML 的尽头是「极致裁剪」

当 0.5 KB RAM 也能跑 AI,

当 1.5 元 BOM 就能唤醒玩具,

你会发现 "边缘"不是噱头,而是成本极限的艺术。

如果这篇文章帮你把 AI 塞进 8 位 MCU,欢迎去仓库点个 Star ⭐;

也欢迎留言聊聊你把模型塞进过哪些"变态"场景!

相关推荐
极客代码2 分钟前
第五篇:后端优化——位姿图的灵魂--从图优化到滑动窗口的联合状态估计
python·深度学习·计算机视觉·视觉里程计·slam·回环检测·地图构建
charieli-fh6 分钟前
LoRA 高效微调大语言模型全流程:从原理、实践到参数调优
人工智能·深度学习·大模型·大语言模型
星川皆无恙14 分钟前
知识图谱之深度学习:基于 BERT+LSTM+CRF 驱动深度学习识别模型医疗知识图谱问答可视化分析系统
大数据·人工智能·深度学习·bert·知识图谱
btzhy1 小时前
STM32单片机:基本定时器应用:精确定时(STM32L4xx)
stm32·单片机·嵌入式硬件·基本定时器应用:精确定时
彩云回3 小时前
支持向量机(SVM)
算法·机器学习·支持向量机
XIAO·宝5 小时前
深度学习------专题《图像处理项目》终!
人工智能·深度学习
铁手飞鹰5 小时前
从零复现论文:深度学习域适应1
linux·pytorch·python·深度学习·ubuntu·ai·迁移学习
Nautiluss6 小时前
WIN7下安装RTX3050 6GB显卡驱动
人工智能·驱动开发·opencv
wwww.bo6 小时前
深度学习(5)完整版
人工智能·深度学习
yourkin6667 小时前
什么是神经网络?
人工智能·深度学习·神经网络