智能家居中邊緣AI優勢

智能家居人機交互需要多模式方法

正如我們之前所討論的，針對智能手機和汽車應用的基于邊緣AI的解決方案主要側重于攝像機視覺應用。但是，在智能家居中，多模式人機交互界面是在連接設備的新時代增強用戶體驗的關鍵要素。以機頂盒為例，此應用將需要視頻AI，也許是如前所述的視頻增強形式。它還需要語音AI能夠通過語音命令來識別正在看電視的人，并相應地配置體驗。例如，讓選擇喜歡的節目變得更加容易。甚至可能需要視覺AI，并且需要帶有內置攝像頭，以便遠程與家庭成員聊天時提供增強而直觀的視頻會議體驗。

理想的解決方案是以智能家居為中心的SoC（系統級芯片，System－on－a－Chip），它可以支持高性能視頻、語音和視覺處理以及集成的AI加速器。 Synaptics VS600 SoC系列就是這種解決方案的一個示例。這種方法不僅經過優化，可以滿足智能家居應用對多模式AI性能的要求，而且還可以將所有這些功能集成到單個芯片中，從而使以消費者市場價格出售的普通家用產品都可以使用。

這個需要的解決方案從一個SOC平臺開始，該平臺集成了多種類型的處理器引擎：CPU、NPU、GPU和ISP，以及與高性能相機和顯示器的掛鉤。這種架構實現了高度安全、低成本推理和實時多模式性能的理想組合。Synaptics Edge AI系列是一系列SoC，每個SoC都高度針對其給定的消費類應用。該系列中的每個SoC都集成了所需的處理內核以及該應用程序的適當級別的集成AI性能。

完整的堆棧工具方法可簡化AI開發

如我們所見，成本／性能之間的權衡對于成功將邊緣AI擴展到更多應用至關重要。在競爭激烈的消費電子領域、上市時間和差異化也至關重要。為了應對邊緣AI廣泛傳播的挑戰，需要采用全棧方法，其中包括將AI創新引入邊緣 AI SoC的必要開發工具。

最重要的是，所需的工具集應該與龐大且不斷增長的AI開發人員用戶社區兼容。例如，該工具包將使開發人員能夠導入使用行業標準框架（例如TensorFlow，TensorFlow Lite，Caffe和ONNX）創建的模型。這使開發人員能夠利用現有的AI創新，并使他們迅速而輕松地在目標SoC上工作。

讓我們使用我們前面討論的個人家庭瑜伽教練應用。該應用所基于的AI模型將是人體姿勢估計模型，這是一種行業標準的概念，用于檢測用戶在攝像機視線中的相對骨骼位置。如果AI開發人員自己使用行業標準工具（例如TensorFlow lite）創建的人體姿勢估計模型的實現，則他們將使用該工具包將其導入以在所需的SoC上使用。

當開發人員準備就緒時，該工具應使他們能夠針對將在其上運行的所選處理器優化其AI模型的性能。開發人員可以選擇使用開放框架，例如TensorFlow或TensorFlow Lite，但是在使用它們時要牢記目標處理器的功能。或者他們可以再次使用特定于SoC的工具，例如Synaptics的SyNAP工具，該工具支持專門針對VS600 SoC中的處理器進行優化。在我們的示例中，開發人員可以使用SyNAP優化功能來配置其身體姿勢估計模型，例如，使其能夠以每秒30幀的速度在VS600 SoC上實時運行。