智能家居中边缘AI优势

智能家居人机交互需要多模式方法

正如我们之前所讨论的，针对智能手机和汽车应用的基于边缘AI的解决方案主要侧重于摄像机视觉应用。但是，在智能家居中，多模式人机交互界面是在连接设备的新时代增强用户体验的关键要素。以机顶盒为例，此应用将需要视频AI，也许是如前所述的视频增强形式。它还需要语音AI能够通过语音命令来识别正在看电视的人，并相应地配置体验。例如，让选择喜欢的节目变得更加容易。甚至可能需要视觉AI，并且需要带有内置摄像头，以便远程与家庭成员聊天时提供增强而直观的视频会议体验。

理想的解决方案是以智能家居为中心的SoC（系统级芯片，System－on－a－Chip），它可以支持高性能视频、语音和视觉处理以及集成的AI加速器。 Synaptics VS600 SoC系列就是这种解决方案的一个示例。这种方法不仅经过优化，可以满足智能家居应用对多模式AI性能的要求，而且还可以将所有这些功能集成到单个芯片中，从而使以消费者市场价格出售的普通家用产品都可以使用。

这个需要的解决方案从一个SOC平台开始，该平台集成了多种类型的处理器引擎：CPU、NPU、GPU和ISP，以及与高性能相机和显示器的挂钩。这种架构实现了高度安全、低成本推理和实时多模式性能的理想组合。Synaptics Edge AI系列是一系列SoC，每个SoC都高度针对其给定的消费类应用。该系列中的每个SoC都集成了所需的处理内核以及该应用程序的适当级别的集成AI性能。

完整的堆栈工具方法可简化AI开发

如我们所见，成本／性能之间的权衡对于成功将边缘AI扩展到更多应用至关重要。在竞争激烈的消费电子领域、上市时间和差异化也至关重要。为了应对边缘AI广泛传播的挑战，需要采用全栈方法，其中包括将AI创新引入边缘 AI SoC的必要开发工具。

最重要的是，所需的工具集应该与庞大且不断增长的AI开发人员用户社区兼容。例如，该工具包将使开发人员能够导入使用行业标准框架（例如TensorFlow，TensorFlow Lite，Caffe和ONNX）创建的模型。这使开发人员能够利用现有的AI创新，并使他们迅速而轻松地在目标SoC上工作。

让我们使用我们前面讨论的个人家庭瑜伽教练应用。该应用所基于的AI模型将是人体姿势估计模型，这是一种行业标准的概念，用于检测用户在摄像机视线中的相对骨骼位置。如果AI开发人员自己使用行业标准工具（例如TensorFlow lite）创建的人体姿势估计模型的实现，则他们将使用该工具包将其导入以在所需的SoC上使用。

当开发人员准备就绪时，该工具应使他们能够针对将在其上运行的所选处理器优化其AI模型的性能。开发人员可以选择使用开放框架，例如TensorFlow或TensorFlow Lite，但是在使用它们时要牢记目标处理器的功能。或者他们可以再次使用特定于SoC的工具，例如Synaptics的SyNAP工具，该工具支持专门针对VS600 SoC中的处理器进行优化。在我们的示例中，开发人员可以使用SyNAP优化功能来配置其身体姿势估计模型，例如，使其能够以每秒30帧的速度在VS600 SoC上实时运行。