無(wú)論是每天早晨的例行公事，還是其他點(diǎn)點(diǎn)滴滴，永遠在線(xiàn)（Always-On）蘊含的無(wú)限潛力都能助您一臂之力，讓生活更加簡(jiǎn)單便利。移動(dòng)系統、可穿戴設備和許多其他物聯(lián)網(wǎng)（IoT）應用都需要這項技術(shù)——系統中的一些計算資源永遠在線(xiàn)，隨時(shí)處理音頻、視頻或其他傳感器數據。為了進(jìn)一步增強電池供電設備的可用性，專(zhuān)門(mén)用于A(yíng)lways-On任務(wù)的計算資源應經(jīng)過(guò)專(zhuān)門(mén)優(yōu)化；而系統中的其他資源則可保持休眠，直到真正需要時(shí)再被喚醒。

 

毋庸置疑，新一代產(chǎn)品正在重新詮釋我們對人機界面的理解，對比短短5年前，現在的用戶(hù)體驗已經(jīng)變得更加豐富多彩，引人入勝。但這也給設計師帶來(lái)了全新的挑戰：如何在繼續為客戶(hù)營(yíng)造愉悅體驗的前提下，實(shí)現響應速度、成本和功耗之間的平衡？本文中，我們將就此問(wèn)題進(jìn)行探討，并介紹如何采用“認知分層”的方法搭建Always-On架構，幫助設計師實(shí)現產(chǎn)品設計的最佳平衡。

 

設計高效節能的Always-On架構

 

針對特定的IoT應用，片上系統（SoC）由多種模擬器件（例如無(wú)線(xiàn)電、低噪聲放大器（RX）、電源管理單元和集成功率放大器）及數字器件（例如處理器、數字信號處理器、片上存儲器、數字基帶硬件組塊和豐富的傳感器I/O）構成。

 

包括麥克風(fēng)、攝像頭、加速計、陀螺儀、溫度計和壓力計等在內的傳感器是智能、互聯(lián)，Always-On設備的核心。傳感器對收集到的數據進(jìn)行數字化處理，并將數字化信息發(fā)送到SoC進(jìn)行分析和解讀。

 

Always-On架構的開(kāi)發(fā)可同時(shí)采用多項技術(shù)，降低IoT應用的功耗：

 

●功耗、時(shí)鐘和數據門(mén)控

 

●傳感器融合算法，用于確定設備上下文，并以此為基礎實(shí)現系統功耗的智能管理

 

●針對開(kāi)銷(xiāo)巨大的函數進(jìn)行優(yōu)化，例如：

 

●從指令集層面減少時(shí)鐘周期開(kāi)銷(xiāo)數（cycle）從而降低對頻率的需求（MHz）

 

●在互聯(lián)級架設通用片上總線(xiàn)旁路

 

●通過(guò)存儲分區使流量局部化

 

●針對語(yǔ)音算法、加密等同類(lèi)應用，加快通信標準和性能

 

除上述技術(shù)外，認知分層尤其是實(shí)現最佳功耗/性能平衡的理想方案。下面，我們將進(jìn)行更詳細的論述。

 

認知分層：主處理器任務(wù)負載卸載

 

認知分層將任務(wù)劃分成若干層或狀態(tài)，分別使用經(jīng)過(guò)專(zhuān)門(mén)優(yōu)化的引擎處理。通過(guò)將一些任務(wù)轉移到經(jīng)過(guò)專(zhuān)門(mén)優(yōu)化的低功耗Always-On處理器，認知分層即可實(shí)現主處理器任務(wù)分流。圖1描述了語(yǔ)音觸發(fā)應用，每層的處理能力恰好足夠支持系統此刻所需的響應速度，且不會(huì )浪費資源。采用此方法，延遲、功耗和吞吐量性能都會(huì )得到提升。

 

圖1：認知分層可以最大限度地降低功耗

 

圖1中最靠下的環(huán)節是低功耗噪聲檢測，耗能僅為毫微瓦級。從檢測觸發(fā)命令到識別短語(yǔ)，以及當前應用上下文環(huán)境下的解讀，噪聲檢測會(huì )沿處理鏈向上觸發(fā)一系列系統動(dòng)作。這一系列動(dòng)作中，后一個(gè)動(dòng)作的功耗總是略高于前一個(gè)動(dòng)作。使用云服務(wù)處理完整對話(huà)需要訪(fǎng)問(wèn)遠程服務(wù)器及數據庫，并進(jìn)行交互，因此能耗最高，可以達到數瓦。

 

在較低層，根據特定的計算和接口要求專(zhuān)門(mén)設計并優(yōu)化過(guò)的處理引擎，將取代低效率的通用處理器。相比通用處理器，經(jīng)過(guò)專(zhuān)門(mén)優(yōu)化的處理器在A(yíng)lways-On系統中的性能更高，響應延遲更短，功耗更低。

 

通過(guò)盡可能關(guān)閉不必要的系統，認知分層使計算層與數據來(lái)源更加接近，系統可以調用最少的活動(dòng)資源完成當前任務(wù)。認知分層可以?xún)?yōu)化性能和功耗，適用于從慣性導航到計算機視覺(jué)，再到本地無(wú)線(xiàn)通信等多種IoT應用領(lǐng)域。

 

優(yōu)秀Always-On處理器的要素

 

IoT應用豐富多彩，對處理能力的要求也因應用而異，“一刀切”的作法對Always-On處理器并不適用?；谏鲜鰧φJ知分層的闡釋?zhuān)⌒?、低功耗、高度?zhuān)業(yè)化的處理器可以承擔對認知功能要求較低的工作，減少占用主處理器資源，降低功耗。

 

例如，經(jīng)過(guò)低功耗語(yǔ)音觸發(fā)優(yōu)化的數字信號處理器（DSP）不會(huì )處理高耗能的音頻編解碼工作，而是將之移交專(zhuān)為該用途設計的DSP；與之類(lèi)似，經(jīng)過(guò)音頻編解碼優(yōu)化的DSP，也會(huì )將用戶(hù)和網(wǎng)絡(luò )交互的任務(wù)移交給其他為該用途設計的應用處理器。

 

 

圖2：低功耗處理器為日趨復雜的信號處理保駕護航

 

盡管主應用處理器“可以”運行所有算法，但使用經(jīng)過(guò)專(zhuān)門(mén)優(yōu)化的處理器能讓設計更加節能。在上述的語(yǔ)音觸發(fā)示例中，指定使用低功耗Always-On DSP運行語(yǔ)音觸發(fā)器當然也可以將之用于執行其他低功耗要求的任務(wù)，例如傳感器數據處理和低分辨率圖像處理。如圖2所示，可穿戴設備等IoT應用需要具備超低功耗下處理復雜信號的能力。

 

支持Always-On應用的處理器需要具備以下要素：

 

●針對關(guān)鍵算法的低指令執行周期，高效的指令集

 

●執行DSP處理和控制任務(wù)的能力

 

●低功耗設計

 

●尺寸小，理想情況下可以按需配置，并可以去除冗余的邏輯設計

 

●按所需的功能范圍擴展性能

 

●用于傳感器數據處理的高效浮點(diǎn)運算

 

面向IoT、可穿戴設備和無(wú)線(xiàn)應用的靈活DSP

 

Cadence公司的Tensilica Fusion DSP就屬于單一可擴展DSP，可以滿(mǎn)足低功耗及Always-On功能的各項需求。Cadence Tensilica Fusion DSP使用可選擇的指令集架構（ISA）擴展，加快多種無(wú)線(xiàn)協(xié)議和浮點(diǎn)運算的速度；并將增強型32位Xtensa控制處理器與DSP功能及靈活的特定算法加速相結合。作為IoT設備設計師，您可以按需選擇個(gè)性化的配置，對比配置單一的“一刀切”處理器，Tensilica Fusion DSP的尺寸更小，性能更高，功耗也更低。

 

圖3：Cadence Tensilica Fusion DSP基于Xtensa處理器，由多項可配置元件構成，適用于低功耗Always-On系統。

 

Tensilica Fusion DSP（圖3）的可配置元件包括：

 

●單精度浮點(diǎn)單元——浮點(diǎn)指令與64位數據讀取/寫(xiě)回同時(shí)發(fā)射。這對使用MATLAB或標準C代碼創(chuàng )建算法的軟件來(lái)說(shuō)，開(kāi)發(fā)速度可以得到加快。

 

●音頻/語(yǔ)音（AVS）——與TensilicaHiFi DSP共享軟件兼容性，由140余個(gè)HiFi音頻/語(yǔ)音軟件包構成的生態(tài)系統為其提供支持。

 

●16位Quad MAC——進(jìn)一步加速低功耗藍牙及Wi-Fi等通信標準，同時(shí)配有語(yǔ)音編解碼器/識別算法。

 

●為低功耗藍牙和Wi-Fi AES-128無(wú)線(xiàn)操作實(shí)現的加密提速

 

●先進(jìn)的位處理——加快基帶MAC和PHY的設計實(shí)現

 

●適用于高速緩存和/或不同容量的本地內存的、靈活的內存架構

 

總結

 

Always-On技術(shù)在生活中的運用越來(lái)越廣泛。設計出成功的Always-On產(chǎn)品充滿(mǎn)挑戰，特別是如何找到響應速度、成本和功耗的平衡點(diǎn)。

 

采用認知分層，同時(shí)使用可配置的低功耗Always-On DSP，能助您找到這一平衡點(diǎn)。通過(guò)將Always-On功能分配給低功耗處理器，系統的主處理器則可以將資源用于處理更復雜的任務(wù)，從而優(yōu)化設計，在不犧牲性能及功能性的前提下，消耗最小的能源執行任務(wù)處理。

 

 

免責聲明：本文為轉載文章，轉載此文目的在于傳遞更多信息，版權歸原作者所有。本文所用視頻、圖片、文字如涉及作品版權問(wèn)題，請聯(lián)系小編進(jìn)行處理。

 

推薦閱讀：