• 硬件定时器中断事件标志清除方法详解

    在嵌入式系统开发中，硬件定时器是实现精准定时、事件触发、频率测量等功能的核心外设，而定时器中断事件标志则是衔接硬件触发与软件处理的关键桥梁。当定时器满足预设触发条件(如计数溢出、比较匹配、捕获完成)时，硬件会自动置位对应的中断事件标志，向CPU发出中断请求。若未及时、正确清除该标志，会导致中断被重复触发、系统卡死、定时精度下降等严重问题。

    嵌入式分享
    2026-04-07
    定时器 中断 嵌入式

  • 端侧AI性能突破：TinyML在Cortex-M7M33上的加速优化技巧

    ARM Cortex-M系列处理器正在成为TinyML部署的主流平台。从Cortex-M0+到M4、M33和M7的演进路径清晰展示了MCU算力的持续提升。其中，Cortex-M7凭借双发射六级流水线和紧耦合存储器(TCM)成为高性能代表，而Cortex-M33则在M4基础上增强了安全特性并优化了能效比。然而，在资源受限的微控制器上部署深度学习模型仍然面临存储空间紧缺和计算能力有限的双重挑战。2025年MLPerf Tiny基准测试的最新结果为我们提供了量化参考：基于Cortex-M7的STM32H7完成关键词识别推理任务耗时19.50毫秒，而专用的AI加速器可将此数值压缩至1.80毫秒。这一近十倍的差距恰恰指明了TinyML软件优化的核心方向——通过算法与硬件的协同设计，充分释放Cortex-M内核的潜力。

    嵌入式分享
    2026-04-07
    TinyML 端侧AI

  • 传感器融合开发，使用IMU校准到多模态数据融合算法

    在智能机器人、自动驾驶和物联网等场景，传感器融合技术通过整合多源数据提升系统对环境的感知能力。惯性测量单元(IMU)作为核心传感器，其校准精度直接影响姿态解算结果;而多模态数据融合算法则通过跨模态信息互补，实现更鲁棒的决策。本文将从IMU校准原理出发，结合C语言实现，逐步阐述多模态数据融合的技术路径。

    嵌入式分享
    2026-04-07
    传感器 IMU

  • 边缘计算与存内计算一体：后摩尔时代数字集成电路的新架构介绍

    摩尔定律的放缓正在迫使芯片设计行业寻找全新的计算范式。传统冯·诺依曼架构中，处理器与存储器分离，数据在两者之间反复搬运，这一“存储墙”瓶颈在数据密集型应用中愈发突出。以边缘计算场景为例，图像识别、语音处理、传感器融合等任务中，数据搬运所消耗的能量可达实际计算能量的数十倍甚至上百倍。存内计算技术的核心理念正是打破这一壁垒——让存储器本身具备计算能力，在数据存储的位置直接完成运算。当存内计算与边缘计算需求相遇，一种全新的数字集成电路架构应运而生。

    嵌入式分享
    2026-04-07
    边缘计算 存内计算

  • TinyOL：在设备端实现增量学习与模型自适应更新策略

    边缘智能的规模化部署正在遭遇一个根本性矛盾：静态模型无法适应动态变化的物理世界。一个在实验室环境下训练完成的工业设备故障预测模型，一旦部署到真实的工厂车间，环境温度波动、传感器漂移、设备老化等因素会使其预测准确率持续下降。传统的解决方案是将数据回传云端重新训练，但这不仅消耗大量网络带宽，还面临数据隐私泄露风险。TinyOL技术正是在这一背景下应运而生——它让TinyML模型在资源受限的微控制器上实现增量学习，使模型能够随着新数据的到来不断自我更新。

    嵌入式分享
    2026-04-07
    边缘智能 TinyOL

  • ESP32-S3与Ethos-U55：神经网络协处理器加速TinyML工作负载

    物联网设备智能化，TinyML(微型机器学习)技术通过将轻量级神经网络部署到资源受限的边缘设备，实现了从“感知”到“认知”的跨越。ESP32-S3作为乐鑫科技推出的旗舰级Wi-Fi/蓝牙双模芯片，凭借其双核Xtensa LX7架构与512KB SRAM，成为TinyML的理想载体;而Arm Ethos-U55作为首款专为Cortex-M系列设计的微型NPU，通过硬件级张量加速，将能效比提升至4TOPS/W，为边缘设备提供了突破性的算力支持。两者的协同工作，为TinyML工作负载的实时处理与低功耗运行提供了完整解决方案。

    嵌入式分享
    2026-04-07
    ESP32-S3 Ethos-U55

  • 高速PCB设计挑战，SI和PI仿真到量产的优化建议

    随着信号速率突破至10Gbps以上，印刷电路板的设计范式正在发生根本性转变。在DDR5、PCIe 5.0、56G PAM4等高速接口普及的背景下，PCB不再是简单的电气互连载体，而成为影响系统性能的关键环节。信号完整性(SI)和电源完整性(PI)问题在高速设计中相互耦合，单一优化往往顾此失彼。从仿真分析到量产落地，设计团队需要建立系统化的优化方法论。本文将围绕传输线效应、电源分配网络、过孔设计、叠层规划以及制造公差控制五个维度，结合工程实践案例，阐述高速PCB设计中SI与PI问题的应对策略。

    嵌入式分享
    2026-04-07
    高速PCB SIPI仿真

  • 光驱动电子器件，无电池室内光伏供电的物联网节点设计

    随着物联网(IoT)技术的迅猛发展，全球连接设备数量呈指数级增长。然而，传统电池供电方式带来的环境压力与维护成本，已成为制约物联网规模化应用的关键瓶颈。在此背景下，光驱动电子器件与无电池室内光伏供电技术的融合，为物联网节点设计开辟了全新路径。本文将从方案架构、应用场景及技术先进性三个维度，系统阐述这一创新解决方案的核心价值。

    嵌入式分享
    2026-04-07
    电子器件 光伏供电 光驱动

  • 零功耗待机：低泄漏电流MCU与能量收集技术的应用

    物联网设备的爆发式增长正面临一个根本性制约：电池。数以百亿计的传感器节点散布在全球各地，从农业监测传感器到工业设备状态检测器，从可穿戴医疗设备到智能家居传感器，它们都依赖电池供电。当电池耗尽时，更换电池的人力成本往往超过设备本身的价值，而在偏远或危险环境中，更换电池甚至是不可能完成的任务。能量收集技术提供了一条摆脱电池依赖的路径——从环境中的光、振动、热或射频信号中汲取能量。然而，能量收集面临的核心矛盾在于：环境能量往往微弱且间歇，而传统微控制器即使在待机状态下也存在不可忽视的泄漏电流。破解这一困局的关键，在于将待机功耗降至纳瓦甚至皮瓦级别，使设备能够依靠收集到的微量能量维持“零功耗待机”。

    嵌入式分享
    2026-04-07
    MCU 零功耗待机

  • 嵌入式AI开发，TinyML模型部署到端侧推理优化

    物联网与边缘计算蓬勃发展的当下，嵌入式AI开发中TinyML模型部署到端侧并进行推理优化，成为推动设备智能化升级的关键技术。TinyML旨在资源受限的微控制器单元(MCU)等低功耗嵌入式系统上运行轻量级机器学习模型，实现本地化智能决策与实时响应。

    嵌入式分享
    2026-04-07
    TinyML 嵌入式AI

  • 跨平台部署指南：TinyML模型从PyTorch到STM32ESP32的无缝迁移

    TinyML的开发流程存在一个天然的断裂带：数据科学家习惯使用PyTorch等框架在云端GPU上训练模型，而嵌入式工程师则需要在Keil、Arduino或ESP-IDF环境中编写C++代码。这种技术栈的割裂导致模型从训练到部署往往需要数周的手工重写和调试。跨平台迁移的核心理念是建立一条自动化的转换流水线，让PyTorch训练的模型能够无损地运行在STM32和ESP32这类资源受限的微控制器上。本文将系统阐述从模型导出、格式转换到嵌入式集成的完整流程，并提供可复现的工程实践方案。

    嵌入式分享
    2026-04-07
    STM32 TinyML PyTorch

  • 开源硬件生态，支持Arduino的ESP32-S3的进阶开发指南

    开源硬件生态以共享设计文件为核心，通过社区协作推动硬件创新。其核心特点包括设计透明性、组件互操作性和社区参与性。设计透明性使开发者能直接查看硬件工作原理，例如ESP32-S3的电路原理图和PCB布局文件完全公开，开发者可基于这些文件进行二次开发;组件互操作性通过标准化接口实现，ESP32-S3的GPIO引脚兼容多种传感器和通信模块，支持快速集成;社区参与性则通过全球开发者协作加速技术迭代，例如ESP32-S3的Arduino核心库由Espressif Systems官方维护，并持续吸收社区反馈优化功能。

    嵌入式分享
    2026-04-07
    Arduino ESP32-S3

  • 极致轻量化：TinyML模型量化与剪枝的嵌入式部署实战

    边缘人工智能的快速发展正在推动TinyML技术走向成熟。将深度学习模型部署在仅有几十KB内存的微控制器上，已经成为嵌入式系统工程师面临的核心挑战。一个典型的卷积神经网络模型在原始训练后可能占用超过10MB存储空间，远超STM32F4系列微控制器192KB RAM的容量极限。通过系统性的模型量化与剪枝优化，可将模型压缩至不足10KB，实现在资源受限设备上的高效推理。本文将从模型优化原理、C语言实现到完整部署流程，系统阐述TinyML模型在嵌入式平台上的实战方法。

    嵌入式分享
    2026-04-07
    边缘人工智能 TinyML模型

  • 环保型传感器，可降解电子与自毁电路的末端处置技术

    全球电子废弃物的增长已构成严峻的环境挑战。据统计，2019年全球产生超过5360万吨电子垃圾，而回收率仅有2%。传统电子设备被设计为永久耐用，但其废弃后的处理却成为难题——填埋会产生铅、镉、汞等有害物质渗入土壤地下水，焚烧则会释放多氯联苯、多溴联苯等剧毒气体。面对这一困境，一个颠覆性的理念正在兴起：让电子产品在完成使命后自行消失。可降解电子与自毁电路技术，正是这一理念的技术载体，它为传感器、医疗植入物、智能包装等短期应用场景提供了全新的末端处置方案。

    嵌入式分享
    2026-04-07
    环保型传感器 可降解电子

  • 光纤传感新范式：分布式声波传感（DAS）在油气管道监测中的落地

    分布式声波传感(Distributed Acoustic Sensing, DAS)技术正在重新定义油气管道的安全监测范式。其基本原理并不复杂却极其精妙：利用管道沿线既有敷设的通信光缆作为传感介质，通过向光纤中注入相干激光脉冲，探测后向瑞利散射光的相位变化，从而还原光纤每一位置所受的声波或振动信号。一根普通的光纤，在DAS系统的“赋能”下，瞬间转化为一条由数十万个振动传感器串联而成的感知网络。

    嵌入式分享
    2026-04-07
    光纤传感 DAS
首页  上一页  1 2 3 4 5 6 7 8 9 10 下一页 尾页
更多
发布文章

活动预告

更多

论坛

更多

相关标签

课程视频

更多