电子产品世界 » 论坛首页 » DIY与开源设计 » 电子DIY » 【let'sdo2026年第3期】成果贴-STM32H533+NanoEdgeA

共1条 1/1 1 跳转至页

【let'sdo2026年第3期】成果贴-STM32H533+NanoEdgeAI:让模型在板子上认出电机的转与停

高工
2026-11-15 10:55:04     打赏

        上期把 LIS3DHTR 采集和 CX28BYJ-48 电机驱动都跑通了,串口也在刷数据。但那终究是"能看",不是"能用"。

        这期接上了 NanoEdge AI Studio 训练的模型,做了一件事:让板子每秒判断一次电机是转还是停,把结果打印出来。

        模型是现成的,训练好的输入规格是 400 样本 × 3 轴、1 秒窗口——正好是我上一期设的采集参数,接上去的过程比想象中顺。

一、先确认模型要什么

    模型文件在 libneai_project-2026-11-15-08-34_3/,打开 NanoEdgeAI.h 就能看到全部规格:

/* Input signal configuration */
#define NEAI_INPUT_SIGNAL_LENGTH 400
#define NEAI_INPUT_AXIS_NUMBER 3
/* Classification configuration */
#define NEAI_NUMBER_OF_CLASSES 2


metadata.json 里还有更完整的信息:

项值
类别Serial-stop / Serial-run
训练列数1200(= 400 × 3)
每类行数100
准确率score 0.99 / main_kpi 1.0
预估内存Flash 784 B / RAM 1396 B
浮点 ABIhard

        1200 列 = 400 样本 × 3 轴,和我上一期定的窗口严丝合缝。 这说明上一期的采集格式没白设计——训练时喂的就是这种格式,现在推理时拿到的还是这种格式。这就是"训练和推理同源"的价值。采集端一个字节都没改,模型直接能用。如果当初训练走浮点、部署走整数,现在就得回头改采集逻辑。

二、集成:一个静态库,两次链接错误

选对库

    我第一次拿的是那份,打开 metadata.json 一看:

"compilation_str": "{... 'toolchain_type':'gcc' ...}"

        gcc。而我的工程用的是 ARM Compiler 6 —— 这是两套不同的工具链,GCC 编出来的 .a 能不能被 armlink 读,是个未知数。重新生成那份的 toolchain_type 是 arm,正是 ARM 工具链编的。

坑一:枚举宽度

第一次链接直接报:

Error: L6242E: Cannot link object neai_entry.o as its attributes are
       incompatible with the image attributes.
   ... packed-enum clashes with enum_is_int.


        packed-enum 是库的枚举属性(短枚举,一个字节),enum_is_int 是工程的默认属性(4 字节)。两边不一致,链接器直接拒绝。

查库对象的实际属性:

Tag_ABI_enum_size: small


        工程这边 Keil 有个 <vShortEn> 选项,对应的正是短枚举。这个原本就开着,但保险起见我把命令行也加上 -fshort-enums 复测——库的 metadata 里写着 fshort_enums: true,两边都得开才行。

坑二:wchar 宽度

改完枚举,又报了一个新的:

Error: L6242E: Cannot link object cnn.o as its attributes are incompatible
       with the image attributes.
   ... wchart-16 clashes with wchart-32.

        这回是 wchar。库是 32 位(Tag_ABI_PCS_wchar_t: 4),工程是 16 位。

        原因在 metadata.json 里写着:

"compilation_flags": {"float_abi": "hard", "fshort_enums": true, "short_wchar": false}


        short_wchar: false —— 32 位。而 Keil 工程里 <vShortWch>1</vShortWch> 让它用 16 位。改成 0 就对上了。

三、代码:AI 推理模块

        新增 Core/Src/ai_infer.c,主要就三件事。

初始化时交叉校验

模型规格和固件窗口必须一致,否则模型会静悄悄地给出错误结果——这种问题最难查。所以开机就比对:

if (neai_get_input_signal_size() != (int)ACQ_WINDOW_SAMPLES)
{
  (void)COM_Printf("[AI] ERROR: model expects %d samples per axis, "
                   "firmware uses %u\r\n",
                   neai_get_input_signal_size(),
                   (unsigned)ACQ_WINDOW_SAMPLES);
  return false;
}
if (neai_get_axis_number() != (int)ACQ_AXIS_COUNT)
{
  (void)COM_Printf("[AI] ERROR: model expects %d axes, firmware uses %u\r\n",
                   neai_get_axis_number(),
                   (unsigned)ACQ_AXIS_COUNT);
  return false;
}


        不一致就报错停机,而不是"能跑但结果不准"。这种错误必须在开机时就暴露出来。

输入转换:什么都不做

这是整个集成里最关键的一行代码:

n = (uint32_t)NEAI_INPUT_SIGNAL_LENGTH * (uint32_t)NEAI_INPUT_AXIS_NUMBER;
/* int16 -> float, no scaling: the model expects the raw 12-bit counts. */
for (uint32_t i = 0U; i < n; ++i)
{
  ai_input_signal[i] = (float)ai_window[i];
}

        没有缩放、没有归一化、没有去重力。 训练时喂的是 LIS3DHTR 的原始 12 位计数(-2048..+2047),推理时就直接转 float。

        很多人在这里会习惯性地加个归一化,但那是错的——加了就等于把输入挪出了训练分布,模型准确率会莫名其妙地掉。训练用什么,推理就得用什么,一个字节都不能差。

取窗口:从同一个环形缓冲

if (!Acq_GetWindow(ai_window))
{
  return false;   /* not enough samples yet */
}


        Acq_GetWindow() 取的是环形缓冲里最近一个完整窗口,值和顺序跟写进训练文件的一模一样。这是从上一期就埋好的接口,现在模型直接接上,采集逻辑一行都没改。

输出格式

(void)COM_Printf("[AI] %u %-12s p=%.3f  (stop=%.3f run=%.3f) n=%u\r\n",
                 (unsigned)result->id,
                 result->name,
                 (double)result->probability,
                 (double)result->p_stop,
                 (double)result->p_run,
                 (unsigned)result->sample_count);


        两个类别的概率都打出来,不管预测的是哪个。实际输出长这样:

[AI] 1 Serial-run   p=0.973  (stop=0.027 run=0.973) n=400


四、主循环:三个模块各管一摊

主循环现在是这样:

while (1)
{
  /* Handle any command received on the serial port. */
  COM_ProcessRx();
  /* Service the acquisition: drains the FIFO into the ring buffer. */
  Acq_Service();
  /* Run the AI classification once per second and print the result. */
  AI_Service();
  /* Advance the stepper motor state machine. */
  StepMotor_Tick();
  HAL_Delay(1U);
}


        四个模块,职责清晰,谁也不干涉谁。

一个设计上的调整:采集常驻,按键只管电机

        上一期是"按键启动一次采集 run",跑完 100 行就停。这期改了——采集常驻运行,按键只控制电机。

        原因很直接:AI 每秒要一个新鲜的窗口。如果采集是"按一次启动、跑完就停"的状态机,那么大部分时间环形缓冲里是空的,Acq_GetWindow() 拿不到数据,AI 根本没法推理。

改成常驻之后:

/* The acquisition runs continuously: the model needs a fresh 1 second
 * window every second, so the sensor FIFO must never stop being drained. */
Acq_Start();


        按键回调改成只管电机:

void BSP_PB_Callback(Button_TypeDef Button)
{
  if (Button == BUTTON_USER)
  {
    if (StepMotor_GetState() == MOTOR_STATE_RUN)
    {
      StepMotor_Stop();
      com_pending_motor = CMD_STOP;
    }
    else
    {
      StepMotor_Start();
      com_pending_motor = CMD_RUN;
    }
  }
}


        注意 com_pending_motor 这个标志——EXTI 中断里只改电机状态和置标志,串口打印留到主循环。中断里做串口输出容易和主循环抢 UART。

采集输出改成了编译期开关

        上一期采集的时候会往串口刷 5913 字节的数据行(NanoEdge 训练集格式)。这期不需要了——部署阶段要的是 AI 结果,不是数据集。

        但采集数据集的能力还得留着(后面可能要补数据、重新训练),所以做成了编译期开关:

/** Set to 1 to also emit the NanoEdge training data set on the serial
 *  port (one signal per line). Keep it at 0 in the deployment phase. */
#ifndef ACQ_ENABLE_DATASET_OUTPUT
#define ACQ_ENABLE_DATASET_OUTPUT   0
#endif

默认 0。要重新采集数据时改成 1 重编就行。

五、实测效果

AI 结果电机控制和模型匹配:

f59e3fec-cd1d-4cdc-a328-d98c53d9d3d9.png

关键指标

指标数值
模型类别2(Serial-stop / Serial-run)
窗口长度400 样本 × 3 轴 = 1200
推理周期1000 ms
模型准确率score 0.99 / main_kpi 1.0
模型占用Flash 784 B / RAM 1396 B
整工程占用Flash 36.7 KB / RAM 22.4 KB
采集 ODR400 Hz
电机步进频率500 步/s(约 4.9 rpm)

七、几个工程上的考虑

        ABI 属性一致性是第三方库集成的隐形门槛。 静态库和应用程序的编译选项必须严格对齐——枚举宽度、wchar 宽度、浮点 ABI,三样都要对。Keil 的 <vShortEn> 和 <vShortWch> 这两个选项平时根本用不上,这次全派上用场了。

        "训练和推理同源"要在架构上保证,不是靠自觉。 环形缓冲从第一天就是唯一数据源,Acq_GetWindow() 和数据集输出走的是同一份数据。这比事后检查靠谱得多。

        推理周期和采集速率是两回事。 传感器 400 Hz 采样,推理 1 s 一次。中间 399 个样本被"压缩"成了一个统计特征(CNN 的 max pooling),这是模型内部的事,固件不用管。

        第三方库的验证要在集成早期做。 这次如果在写完 200 行代码之后才发现库不能用,就得返工。实际做法是:拿到库先花 5 分钟链接一次,确认能过再动手写业务。


八、视频链接

【STM32H533 + NanoEdge AI:让模型在板子上认出电机的转与停】 https://www.bilibili.com/video/BV1q9sE6LEiC/?share_source=copy_web&vd_source=f03b02506162c2d03feeb4684b1e6313






关键词: NanoEdge     模型     成果    

共1条 1/1 1 跳转至页

回复

匿名不能发帖!请先 [ 登陆 注册 ]