边缘AI的价值，最终体现在落地产品中。不同场景下，算法处理的数据类型、待解决问题与硬件资源需求差异显著：有的侧重振动、电流等时序信号，有的需实时图像处理，还有的要同步完成感知、研判、显示与控制。

意法半导体深耕边缘AI领域超过五年，依托丰富多样的STM32边缘AI方案，已覆盖家电、工业机器人、电力能源及消费电子等多领域。

家电：从运行状态识别到计算机视觉

家电领域中的很多AI应用，并不需要处理复杂的大模型，而是从设备运行过程中提取规律，对状态进行识别或预测。这类任务的数据量相对有限，却与传感器选择、采样频率、时间窗口和数据标注密切相关。

洗衣机：滚筒不平衡检测

洗衣机进入甩干阶段后，如果衣物分布不均，滚筒就会出现不平衡振动。传统方案是通过流体力学原理，经过多次转动和调整才能确认状态，检测过程可能持续一到两分钟。

在这一案例中，STM32G0与LSM6DSRTR惯性传感器配合，由NanoEdge AI分析洗衣机运行时的振动数据。算法不是等振动完全形成后再进行判断，而是根据前段时间序列信号预测滚筒是否处于不平衡状态，从而将检测时间缩短至一秒以内。

这一方案的难点不只在模型本身。项目初期需要先确定数据采集规范，包括使用三轴惯性数据还是电流信号、采用多高的采样频率，以及每个分析窗口应该包含多少数据。

该方案已非常成熟，应用于量产产品。

洗衣机：不带传感器的干衣物称重

另一个已经量产的方向，是洗衣机的干衣物重量测量。

该方案采用STM32G4和NanoEdge AI，在不增加专用称重传感器的情况下，根据洗衣机运行数据判断筒内衣物重量，测量精度可以达到100克。洗衣机获得重量信息后，可以据此调整用水量、洗涤剂用量和洗涤程序，减少不必要的水、电及洗涤剂消耗。

这一案例同样需要从数据入手：利用不同配重模拟衣物重量，采集对应的运行信号，再为数据设置合适的重量标签。模型能否稳定工作，很大程度上取决于数据是否覆盖了不同负载和运行条件。

风机和水泵：从故障报警转向状态预测

风机异常检测也是时间序列AI较早落地的家电应用方向之一。

在方案验证阶段，我们在风机叶片上增加不同配重，模拟叶片不平衡；也通过设置堵转等异常状态，采集正常与异常运行数据。完成数据标注后，再通过NanoEdge AI建立分类或异常检测模型，并在STM32上进行验证。

这类模型从实验室进入实际产品后，还要面对电机型号、安装结构和工作环境变化带来的泛化问题。因此，量产过程通常需要根据真实设备数据继续调整模型，使其能够适应不同批次和不同工况。

类似的方法也可以应用于水泵。先定义数据采集规范，再由设备厂商采集实际运行数据，通过工具完成模型选择、验证和部署，使故障检测能力直接运行在原有控制器上。

空调：在有限资源下探索能效优化

除了异常检测，STM32边缘AI也提供设备运行优化方案。

空调能效优化方案采用STM32H5或STM32C5，根据设备运行数据建立AI模型，在有限的存储和计算资源下对运行状态进行判断，为控制策略优化提供依据。目前，这一方案仍在持续迭代优化中，并与客户密切配合进行应用验证，以较小的模型和硬件资源，适配真实空调系统的控制需求。

小结：NanoEdge AI可为时序信号项目提供落地支持，针对采样频率、时间窗口配置给出合理建议。窗口过大将占用更多Flash与RAM资源，窗口过小又难以提取有效信号特征。这类实操要点需要丰富的工程经验加持，非常推荐应用工程师上手试用这款工具。

家电中的另一类应用来自计算机视觉，例如智能照明中的人员检测、冰箱和烤箱中的食物识别，以及咖啡机中的咖啡豆识别。其中，“杯满即停”展示了STM32N6处理实时视觉任务的一种思路。

杯满即停：用两个模型完成水位识别

该方案可用于净水器或咖啡机。面对不同形状的杯子和不同颜色的液体，设备需要持续判断杯中水位，并在液体接近杯口时自动停止出水。

整个识别过程由两个模型配合完成。第一个模型从摄像头画面中抠出杯子形状；第二个模型对抠出的图像进行分析，判断杯子处于未满、三分之一、二分之一或已满等状态。

图像数据的Pipeline主要依赖：CSI接口，ISP图像处理器，ChromeART，NPU加速外设。其中CSI接口获取原始Raw数据，ISP完成去马赛克，裁剪，白平衡等功能，ChromeART用于完成第一个模型运行完成后的图像再裁剪，旋转等功能。NPU负责执行AI模型，使整条处理链能够保持约每秒30帧的运行速度。

存储配置上，该方案只需外部一颗NOR Flash，无需额外电源管理芯片；STM32N6内置约4MB RAM即可满足运行，无需外部RAM；摄像头采集、图像预处理、模型推理与控制逻辑都由单颗MCU实现，省去额外处理器与存储器件；STM32N6还支持从成本更低的SD卡启动，大幅降低BOM成本。相较于高端MPU，它启动更快，整体功耗可控制在200毫瓦以内。

工业与机器人：

让感知结果直接参与控制

工业与机器人应用对实时性提出了更高要求。系统不仅要识别目标，还要把识别结果及时交给运动控制或执行机构。因此，边缘AI需要与摄像头、电机控制和各种工业接口协同工作。

无人机：飞控、视觉与电机控制协同

STM32系列的很多型号已经广泛应用于无人机飞行控制。STM32N6在今年7月被纳入Betaflight固件平台支持后，其驱动已经合并到官方主仓库上，生成的Betaflight固件可用做飞行控制，同时利用摄像头和NPU增加视觉识别能力。

在跟拍等自动飞行场景中，摄像头采集目标画面，视觉模型完成目标识别和跟踪，识别结果再交给飞控系统调整飞行姿态。STM32N6还可以完成两路电机控制，将飞行控制、目标跟踪和部分执行功能集中在同一平台上。

这一方案的重点不是单独增加一个视觉模块，而是让识别结果能够直接进入控制链路。在减少额外GPU或处理器的同时，也缩短了视觉感知与飞行动作之间的数据传递路径。

人形机器人：在灵巧手端完成精细定位

人形机器人通常会通过头部摄像头获得整体环境信息，但在抓取阶段，仅依靠远端摄像头很难持续提供足够精细的位置数据。

一种解决思路是在灵巧手附近增加摄像头，并使用STM32N6运行目标检测和图像分割模型。头部摄像头负责全局观察，灵巧手端的视觉系统负责近距离定位，两者配合完成物体识别、位置判断和抓取。

将这部分视觉处理放在灵巧手端，可以减少原始图像在机器人内部的传输，也能分担主处理器或主GPU的运算压力。识别结果可直接交给电机控制系统，使末端执行器更快地调整抓取位置。

电力与能源：

从电弧检测到电池状态估算

电力与能源系统中的AI任务，大多围绕安全检测、状态估算和预测性维护展开。这里处理的通常不是图像，而是电流、电压和阻抗等连续信号。

直流拉弧：从电流信号中寻找异常特征

光伏和储能系统发生直流拉弧时，故障信号容易受到工作状态和环境噪声影响。基于固定阈值的检测方法，很难覆盖不同设备和不同工况。

STM32直流拉弧检测方案采用神经网络算法，目前已在Git Hub上开源：系统首先通过CT环采集电流交流小信号，再对信号进行傅里叶变换，从频域中提取可用于区分正常与拉弧状态的特征，最后将这些特征送入神经网络进行判断。

在具体实现中，STM32通过ADC完成信号采集，也可以利用多通道ADC同时处理多路数据。模型训练、优化和参数调整完成后，再部署到STM32上运行。

为了降低算法使用门槛，方案还提供了配套固件包、操作文档和图形化工具。即使开发团队没有专门的算法工程师，也可以按照数据导入、模型生成、部署和验证的流程完成初步开发。目前，相关方案已经用于多家客户的量产项目。未来，依托带硬件加速的STM32新品，还将推出升级方案。

交流拉弧：先识别负载，再判断异常

交流系统中的负载类型更多，不同负载本身就可能产生不同的电流波形。因此，交流拉弧检测不能简单套用单一的信号模板。

现有方案以客户提供的实际负载数据为基础，对不同交流负载进行识别和分类，为后续的拉弧判断提供依据。应用场景包括充电和漏电条件下的电弧故障检测，目标是在复杂负载环境中提高异常识别能力。

BMS：通过EIS获得更多电池内部信息

在电池管理系统中，AI主要用于估算电池荷电状态SoC和健康状态SoH。

传统安时积分（库伦计数）方法依靠电流随时间的累积计算剩余电量，但在部分工况下可能受到初始误差和长期漂移影响。只被动采集电流、电压数据也存在局限，当电池处于相对静止的状态时，这些数据的变化很小，能够提供的内部状态信息有限。

EIS提供了另一种数据获取方式。系统在不同频率下向电池注入信号，再采集电池的反馈波形。不同频率下的响应，可以反映电池内部状态和部分电化学特性。将这些数据交给模型分析，可以用于SoC、SoH以及电池异常状态的估算。

这一方法的重点，是从单纯观察电池外部电流和电压，转向主动获取不同频率下的响应特征，再利用模型建立响应数据与电池状态之间的关系。

消费电子：

把AI、显示和控制放进低功耗终端

消费电子领域的边缘AI应用，STM32N6与STM32MP2是我们的核心方案，在智能眼镜、智能耳机、智能腕表、陪伴机器人方向，都有相关的量产案例。

智能眼镜：兼顾视觉能力和快速启动

智能眼镜需要随时响应用户操作，但又不能让高功耗处理器始终处于运行状态。采用STM32N6+低功耗音频芯片方案，由音频芯片快速唤醒，再快速启动STM32N6执行视觉和交互任务。STM32N6集成NPU，并具备摄像头和外部存储接口，可以在较小封装和较低功耗条件下处理端侧视觉模型。

ST与多家ODM深入合作，采用STM32N6作为主控单元，用于企业级眼镜和工作辅助类眼镜的开发，可帮助客户缩短产品开发周期。

陪伴机器人：视觉、音频和表情显示协同

陪伴机器人通常需要同时运行视觉和音频模型。例如识别人或物体、判断用户状态，以及响应语音或环境声音。相关项目已经尝试将多种视觉和音频模型部署到STM32N6上，以减少对更高成本处理平台及外部存储器的依赖。

陪伴机器人的另一项关键功能是表情显示。机器人的“眼睛”通常由多个二维图层组成，要实时的模拟出眼皮的眨动效果非常考验硬件加速能力。项目通过TouchGFX完成图形界面移植，使STM32N6在运行AI模型的同时，也能够驱动较为灵动的表情动画。

这类应用体现了MCU方案的综合性：同一平台既能运行AI模型，也能承担图形显示、电机控制和多种接口通信。对于电池供电的陪伴机器人，方案中整板功耗处于数百毫瓦水平，低于客户此前采用的处理平台。

小结：智能眼镜、智能耳机、智能腕表、AI Pin（别针式可穿戴AI硬件）和AI Note（卡片式AI录音硬件）虽然产品形态不同，但底层需求具有相似之处：运行端侧模型，同时连接显示、存储、传感器和通信设备。STM32N6的优势在于：不仅具有推理算力，还具有低功耗、快速启动、接口、图形显示以及控制能力。

结语

ST边缘AI是覆盖硬件、工具软件与多应用场景的完整生态，除软硬件工具外，还具备丰富的现场技术支持经验，协助客户快速落地项目，帮助客户用边缘AI解决产品痛点，实现边缘AI的普及。