训练过程:
我们创建NanoEdge AI Studio的工程,选择目标开发板,类型和数据源的类型:

使用串口数据直接接收:

需要满足这样的要求:

状态一采集,stop:

状态二采集,low:

状态三采集,high:

按照这个速度要好久啊,先慢慢跑着吧,明天站上看看:

运行了2个多小时才完成:

导出最有的模型:

部署过程:
部署目标与总体流程部署目标
把NanoEdge AI Studio训练出的三轴运动分类模型部署到STM32H533RE上,实现电机状态的板上实时判断:完整部署流程
┌──────────────────────────────────────────────────────────────────────┐ │ 训练阶段 (PC) │ │ │ │ 采集数据 → NanoEdge AI Studio 训练 → 导出库 │ │ (3类×199行) (SVM + 预处理链) ↓ │ │ libneai.a │ │ NanoEdgeAI.h │ │ metadata.json │ │ artifacts/*.json │ └──────────────────────────────────────────────────────────────────────┘ │ ↓ 拷贝 ┌──────────────────────────────────────────────────────────────────────┐ │ 部署阶段 (MCU) │ │ │ │ 1. 库集成 → 工程加组 + include path + 宏定义 │ │ 2. ABI 校验 → 浮点调用约定必须与库一致 │ │ 3. 数据通路 → 传感器原始 int16 → float 缓冲区 │ │ 4. 接口封装 → edge_inference.c/h 隔离 NanoEdge API │ │ 5. 主循环集成 → 周期性推理 + 结果输出 │ │ 6. 时序验证 → FIFO 不能溢出, 推理不能拖慢采集 │ │ 7. 资源核算 → Flash/RAM 余量检查 │ └──────────────────────────────────────────────────────────────────────┘
对外API
NanoEdgeAI.h 暴露的接口只有6个:enum neai_state neai_classification_init(void); enum neai_state neai_classification(float *in, float *probabilities, int *id_class); char* neai_get_id(void); int neai_get_input_signal_size(void); /* 400 */ int neai_get_axis_number(void); /* 3 */ int neai_get_number_of_classes(void); /* 3 */ const char* neai_get_class_name(int id_class);以及三个描述模型形状的宏:
#define NEAI_ID "6afa43fbae24f2c5813264d0" #define NEAI_INPUT_SIGNAL_LENGTH 400 #define NEAI_INPUT_AXIS_NUMBER 3 #define NEAI_NUMBER_OF_CLASSES 3关键认知:neai_classification() 只接受一个 float* 输入缓冲区,没有"输入类型"参数。也就是说,原始信号以什么数值形式喂进去,全靠应用层保证。
一个容易被忽略的细节:class_names 的存储
类名不是编译期的字符串常量,而是运行时从库里读的。用 objdump 可以看到:Contents of section .rodata.str1.1: 0000 73746f70 006c6f77 00686967 6800 stop.low.high. Contents of section .data.neai_class_names: 0000 00000000 05000000 09000000 .............data.neai_class_names 里存的是三个指针,分别指向 stop(偏移0)、low(偏移5)、high(偏移9) 在字符串表中的位置。这意味着类名的顺序由训练时的数据顺序决定,不能想当然。应用的类名映射必须与库一致,否则会出现"模型判断是 low,程序打印成 high"这种极难排查的错位。
数值必须保持原样
预处理链的输入是原始12位计数(-2048 ~ +2047),不是物理量。去趋势和z-score都是"相对"运算,对输入的绝对量级不敏感,但线性去趋势这一步在数值上有实际影响:原始计数量级决定了去趋势后残差的绝对大小,如果应用层先把数据缩小100倍,去趋势后的残差也跟着缩小100倍,后续STFT的幅值谱会整体下降 —— 虽然z-score最后会再标准化回来,但数值精度损失是不可逆的(float只有24位尾数,缩小再放大必然掉精度)。所以本工程的转换是纯类型转换,��位数值:edge_input[i] = (float)edge_window[i];没有乘任何系数。
工程集成步骤
应用层集成
新增两个文件:上层(main.c)不需要知道 neai_classification() 的存在
换模型时只改这一个文件
可以在这里加一致性检查、超时保护、统计计数
接口划分
edge_inference.h 对外暴露五个函数:bool edge_inference_init(void); bool edge_inference_evaluate(edge_state_t *state, uint8_t *confidence); bool edge_inference_update(edge_state_t *state, uint8_t *confidence); const char* edge_inference_state_name(edge_state_t state); bool edge_inference_is_ready(void); uint32_t edge_inference_count(void);分成两层:
bool edge_inference_update(edge_state_t *state, uint8_t *confidence)
{
if (!edge_ready) return false;
if ((uint32_t)(HAL_GetTick() - edge_last_run) < EDGE_INFERENCE_INTERVAL_MS)
{
return false;
}
edge_last_run = HAL_GetTick();
if (!edge_inference_evaluate(&verdict, &score)) return false;
...
}HAL_GetTick() 做差值比较而不是直接比较,是必须的 —— tick计数器约49天会回绕。置信度的处理
模型输出的是0~1的浮点概率,应用层用百分数:value = edge_probability[class_index]; if (value < 0.0F) value = 0.0F; if (value > 1.0F) value = 1.0F; *confidence = (uint8_t)((value * 100.0F) + 0.5F);两个边界检查和一个四舍五入。除以100换成百分数用整数运算,避免引入浮点除法。
主循环结构
while (1)
{
/* 应用按键请求的电机状态 */
{ static uint8_t applied_step = 0xFFU;
if (applied_step != motor_step) { ... } }
/* 推进步进相序 */
actuator_drive_poll();
/* 排空传感器 FIFO —— 必须在推理之前 */
(void)motion_sense_poll();
/* 推送命令行输出 */
Shell_Process();
/* 每秒推理一次 */
if (edge_inference_update(&monitored_state, &monitored_score))
{
console_report_line("[ ai ] %s (%u%%)\r\n", ...);
}
HAL_Delay(1U);
}poll必须在推理之前
这个顺序不是随意定的:actuator_drive_poll(); /* 先把电机推进 */ motion_sense_poll(); /* 再排空 FIFO —— 推理前先清空 */ Shell_Process(); edge_inference_update(); /* 最后推理,此时 FIFO 已是空的 */如果把 motion_sense_poll() 放在推理后面,那么推理那30ms里FIFO无人照看,会积压12个样本 —— 加上推理前残留的样本,可能逼近32的深度。放在前面就多了一个缓冲余量。
推理周期与采样窗口的关系
推理间隔 EDGE_INFERENCE_INTERVAL_MS = 1000ms,正好等于窗口长度 MOTION_WINDOW_MS = 1000ms。这意味着:每次推理用的是过去1秒的完整窗口
相邻两次推理的窗口首尾相接,不重叠
电机切换状态后,第一次有效判断在1~2秒后(要等新窗口攒满)
资源占用分析
综合讲解:
【边缘AI-电机状态识别】 https://www.bilibili.com/video/BV12BsF6CEuS/?share_source=copy_web&vd_source=1a9d212763ed1cd1e393681740edda64
我要赚赏金
