如何在嵌入式系统中使用机器学习算法？

Question

我正在做一个项目，使用带有加速度计的 ARM cortex-m0 微控制器（Freedom - KL25Z）来检测（分类）人类活动。我打算使用机器学习来预测用户的活动。

问题是，cortex-m0 无法处理训练或预测算法，所以我可能必须收集数据，在我的计算机中训练它，然后以某种方式嵌入它，我真的不知道该怎么做它。

我在互联网上看到一些帖子说您可以生成权重矩阵并将其嵌入微控制器中，因此根据您为此函数提供的数据来预测某些内容将是一个简单的函数。这是正确的做法吗？

无论如何，我的问题是，如何在微控制器中嵌入分类算法？

我希望你们能帮助我并给予一些指导，我有点迷失在这里。

提前谢谢您。

Answer 1

我一直在考虑自己这样做来解决一个我很难手动开发启发式方法的问题。

你必须编写自己的机器学习方法，因为据我所知，没有任何适合低端 MCU 的机器学习库。

根据问题的难易程度，仍然有可能开发和训练一种在低端 MCU 上表现良好的简单机器学习算法。毕竟，一些较旧/较简单的机器学习方法在具有类似约束的硬件上得到了令人满意的结果。

一般来说，这就是我这样做的方式：

1. 将（标记的）数据传输到 PC（通过 UART、SD 卡或任何可用的方式）。
2. 使用数据和机器学习工具包（scikit-learn、weka、vowpal wabbit 等）进行实验。在继续之前，确保现成的方法能够产生令人满意的结果。
3. 尝试特征工程和选择。尝试获得尽可能最小的功能集以节省资源。
4. 编写自己的机器学习方法，最终将在嵌入式系统上使用。我可能会选择感知器或决策树，因为它们不一定需要大量内存。由于你没有 FPU，我只会使用整数和定点算术。
5. 执行正常的训练程序。 IE。使用交叉验证来找到最佳调整参数、整数位宽、基数位置等。
6. 在保留的测试集上运行最终训练的预测器。
7. 如果您训练的预测器在测试集上的性能令人满意，请将相关代码（计算预测的代码）和您训练的模型（例如权重）移至 MCU。模型/权重不会改变，因此它们可以存储在闪存中（例如作为常量数组）。

Answer 2

我认为您可能受到硬件的限制。您可能想要获得更强大的东西。对于您的项目，您选择了 ARM 的 M 系列处理器。这是他们提供的最简单的平台，该架构不适合您尝试执行的处理类型。 ARM 有以下三个基本分类：

1. M - 微控制器
2. R - 实时
3. A - 应用程序

您想要获得对这些复杂计算具有强大硬件支持的东西。你的起点应该是 A 系列。如果您需要进行浮点运算，您肯定需要从 A 系列开始，并且可能需要使用 NEON-FPU。

TI 的 Discovery 系列是一个不错的起点，或者也许只是使用 Raspberry Pi（至少对于开发部分）？

但是，如果您坚持使用 M0，我认为您也许可以使用 ROS-C 之类的轻量级工具来实现。我知道有一些带有 ROS 的软件包可以做到这一点，尽管它主要用于机器人技术，但您也许可以使其适应您正在做的事情。

无依赖ROS

使用 ROS 进行神经网络和机器学习

Answer 3

对于使用 ARM Cortex-M0 的人类活动识别 (HAR)，其实现应该相当高效，特别是由于 RAM 大小较小。一个不错的选择是使用 scikit-learn 中的 RandomForestClassifier 在您的 PC 上进行训练，然后使用 emlearn 或 m2cgen 等库生成可以在微控制器上运行的 C 代码。