揭秘ALMA-B2中的神经处理单元以及Nordic Semiconductor的边缘AI实验室

一位嵌入式工程师的首次边缘AI体验

2026年春末，u-blox推出了ALMA-B2——这是我们基于Nordic Semiconductor nRF54LM20 SoC的最新款高端无线MCU。 与其他产品经理一样，我早期投入该产品的大部分时间都用于客户调研电话、制定商业案例、优化制造成本（COGS）等工作。 我曾广泛阅读过关于nRF54LM20B内置Axon神经处理单元（NPU）的相关资料，内心那份好奇的工程师精神驱使我亲自评估这款产品，以了解u-blox客户如何在其产品中实现NPU功能，并探索其具体应用场景。 因此，当
ALMA-B2的早期原型样品送达我们办公室时，我设法预留了几个评估套件来运行测试。这些测试的目标是创建一个既可在MCU上运行，也可在NPU上运行的简单机器学习（ML）模型，并比较两种情况下的效率。 在过去的几个月里，我注意到 AI/ML 和数据工程师与嵌入式工程师之间存在明显的分界。我希望本文能帮助嵌入式工程师利用 ALMA-B2 中的 NPU 开启他们的 AI/ML 之旅。

^{本次评估的目标并非创建完美的 ML 模型，而是帮助嵌入式开发人员开启边缘 AI/ML 开发之旅。该模型并非旨在作为生产级 ML 模型使用，而是为希望在 nRF54LM20 上开展边缘 AI 开发的嵌入式开发人员，记录一条切实可行的初始实现路径。}

许多 u-blox 客户都在开发用于定位追踪、资产监控、物流以及工业物联网的设备。因此，我自然而然地开发了一个可用于资产追踪场景的机器学习模型。我决定开发一个简单的资产追踪器，它能够识别包裹在运输过程中是否遭到不当处理，并记录此类事件以供保险理赔之用。

^{我们的演示旨在识别包裹在运输过程中是否发生异常}

技术框图

我使用了一款简单的博世（Bosch）IMU——BMI270——作为记录运动的传感器。ALMA-B216（带集成NPU）用作主微控制器单元。MAX-F11则作为低功耗GNSS解决方案，用于记录事件发生时的位置和时间。 任何事件都会存储在模块的非易失性存储器中，并可随时通过蓝牙低功耗（BLE）使用手机或平板电脑读取。

我们的系统应能检测3种简单事件

1. 与其他物体发生碰撞
2. 故意剧烈摇晃
3. 意外/故意摔落

^{演示系统的功能框图}

^{搭载 BMI 270 的 ALMA-B2 评估套件，用于采集加速度计和陀螺仪数据}

数据采集

与大多数机器学习模型一样，输入数据的采集和预处理步骤成为该设置中最关键的部分。为了采集数据，我开发了一个简单的专用应用程序，并在其中将 BMI270 的采样率设置为 800Hz。 尽管BMI270还配备了用于存储加速度计、陀螺仪、时间戳及辅助传感器数据的2KB FIFO，但本初始演示采用了应用层事件捕获路径，而非基于完整FIFO的实现方案。 传感器值存储在环形缓冲区中。每个事件包含960组时间序列传感器数据，其中包括6个不同通道（ax、ay、az、gx、gy、gz）上采集的500毫秒预触发数据和700毫秒后触发数据。

^{每个事件以串行数据块的形式输出，并使用 Python 脚本将其转换为 CSV 文件用于训练}

这些原始的时间序列传感器数据通过串行UART传输至PC。一个Python解析器监听串行COM端口，提取事件块，验证行数，并生成合并的数值CSV文件。

数据采集过程本身包括将EVK分别进行50次跌落、50次碰撞以及50次剧烈摇晃。

^{每个事件均采集了50次数据，经过清理后转换为CSV文件}

使用 Nordic Edge AI Lab 训练模型

Nordic Edge AI Lab是由我们的合作伙伴 Nordic Semiconductor 开发的一款全新的基于 Web 的工具，旨在促进并简化 Edge AI Lab 的训练工作。虽然也可以使用 Edge Impulse 和 Google 的 TensorFlow Lite 等其他工具来训练模型，但我很好奇 Nordic 推出的这款新工具究竟如何运作。 

我首先在 Nordic Edge AI Lab 中创建了一个新的多分类解决方案。在数据预处理阶段，我启用了信号处理功能，并按行数采用了窗口化处理。 由于我的固件捕获的每个事件包含 960 个传感器采样点，因此我将模型配置为 960 个采样点的窗口，并在训练和推理中均采用 960 个采样点的滑动窗口。 简而言之，每次预测都基于一个完整的捕获运动事件：约 1.2 秒的加速度计和陀螺仪数据，采样率为 800 Hz。

^{如果时间序列数据是采集的，则必须启用信号处理} 

我使用 Nordic Edge AI Lab 对同一数据集进行了训练，分别生成紧凑型 Neuton CPU 模型和面向 Axon NPU 的模型。 这使我能够在两个部署路径上评估同一传感器数据集：在MCU内核上运行推理，或使用集成的NPU对其进行加速。训练成功后，用户可以看到一张蜘蛛图，其中解释了模型质量、特征重要性矩阵和混淆矩阵，并可下载已训练好的机器学习模型。

边缘推理

训练好的机器学习模型以一个简单的包形式提供，可与 Nordic 的 nRF Connect SDK 即插即用。我使用 Github Copilot 和 Nordic Semiconductor 的 MCP 客户端，简单调整了数据采集代码，以确保训练好的模型现在能够使用传感器值进行推理。 瞧……该模型在我的简单用例中表现出色，在大多数情况下都能以较高的概率预测类别。 每当模型识别出一个事件时，ALMA-B2 就会启动我们最新的低功耗 MAX-F11 GNSS 模块，记录该事件的位置和时间戳，并将这些信息存储在 2MB 的板载非易失性存储器中。 这些信息可随时通过蓝牙低功耗（Bluetooth LE）从追踪器设备传输至智能手机或平板电脑，以满足追踪或保险需求。

^{无论是Neuton还是Axon型号，都完美满足了我的简单使用需求}

^{追踪器中记录的机器学习事件可在任何时候通过无线方式读取}

NPU 的其他应用场景

尽管实验本身非常简单，但我还是惊讶于一位对边缘 AI/ML 毫无经验、仅具备一定技术背景的产品经理，竟能在会议、客户通话和其他产品管理工作之余，如此迅速地让这个示例运行起来。 我们目前正在评估在 MCU 和 NPU 上运行模型是否存在明显的性能差异。我们的技术团队也已开始评估 NPU 在其他更复杂用例中的应用，例如推算导航和预测性维护。
 

想进一步了解我们的研究成果吗？或者您对NPU感兴趣，希望针对自己的应用场景部署并评估专属模型？我们还有少量ALMA-B2样品可供索取。请立即联系您所在地区的u-blox联系人，申请样品。

作者：

Hari Vigneswaran 是 u-blox 瑞典公司短距离无线业务部门产品战略团队的高级产品经理。他已在 u-blox 工作超过 11 年，拥有嵌入式软件工程背景，专注于蓝牙、Wi-Fi 及产品安全领域。