主頁 > 科技 > MIUI12 | 官方揭秘小米健康靈弦算法

MIUI12 | 官方揭秘小米健康靈弦算法

2020-06-16 21:14暫無閱讀:1060評論:0

MIUI12 中新增的小米健康,是你手機中的健康中心。小米健康依托自研靈弦算法,AI智能感知運動狀態。手機揣兜里,即可自動記錄一整天的步行、跑步、騎行和爬樓梯。更重要的是,一整天耗電量小于1%!

目前世界主流手機上,僅小米和Google,支持多種運動行為感知技術。而經泰爾實驗室測試認證,靈弦算法的算法準確率為94.3%,召回率80.9%,均超過Google的表現。

如何做到的?這就來揭秘。

什么是AI運動感知?

運動記錄功能分為以下幾種方式:

1.手動記錄:運動的開始與結束都需手動記錄,各類主流手環手表及運動App均有提供;

2.半自動詢問式記錄:通過 提醒+用戶確認 實現運動記錄,部分高端可穿戴設備采用的是這一方式;

3.全自動感知記錄:無需用戶操作,自動感知運動類型并自動記錄,采用這一方式的設備屈指可數。

小米健康使用的靈弦算法,做到的就是全自動感知記錄,靈弦算法正是一種AI運動感知算法。在此之前也僅有 Google Pixel 手機支持AI運動感知。

AI運動感知的過程不難理解,只要將手機佩戴在身上,運動狀態就會反映到手機的傳感器(如加速度傳感器)中,通過分析傳感器的數據,還原并識別用戶的運動模式就可以進行運動記錄。這種模式識別的過程,一般都會采用AI領域內深度學習的方法。

但不難理解的過程,在實現過程中卻有著很多難點:

1.算法需求復雜。不同個體的運動模式、衣著服飾、手機位置及方向復雜多變,比起可穿戴設備來說更為復雜。同時不同于運行于App或云端的算法,為了達到自動識別所要求的全天候運行,在功耗、模型大小、內存、性能上要求極其嚴苛。

2.微控制器AI框架。為了讓低功耗處理器具備AI推理能力,就需要有可靠的微控制器AI框架,然而業內幾乎沒有成熟可用的微控制器AI框架。

3.低功耗算法落地實踐。如何將AI算法部署在手機上,并且保持符合目標的低功耗,本身也很復雜。

靈弦算法

低功耗的AI運動感知算法

只通過手機來智能識別用戶的運動行為,這意味著靈弦算法需要具備2個能力:

1. 推理用戶每秒所處的瞬時運動狀態;

2. 根據每一個瞬時運動狀態組成的時間序列,推理用戶所經歷的運動行為。

相較可穿戴設備,手機識別用戶運動行為最大的劣勢在于,手機可能處于的位置多種多樣。可能為手持、置于褲子口袋、上衣口袋、背包,以及多種位置交替出現、擺放姿態交替出現等等。所以靈弦算法需要具備多種姿態下的運動識別能力,相對于可穿戴設備來說要求更高。

AI運動感知由于不需要用戶標記運動的開始或結束,所以在運動時間序列識別中,靈弦算法也面臨更復雜的情況。如兩種運動交替出現,且時間長度相當,該判斷為何種運動;單一運動多段進行,起止時間難以判斷;多種場景多輪切換,如何定義真正的運動場景等。

所以靈弦算法還需要很強的容錯、糾錯、校驗的能力,從而做到時間片段的分析、整合以及過濾。

另外,靈弦算法需要全天候運行,實現用戶使用手機過程中的AI運動感知,這就需要靈弦算法本身是一個低功耗的算法。除低功耗外,由于算法需要跑在資源極端匱乏的運行環境,所以對算法模型的大小及復雜度也有限制。

最終,我們通過一個模型大小僅百KB級別的神經網絡實現了這些需求,在復雜度與推理效果間取得了不錯的平衡。經泰爾實驗室測試認證,靈弦算法的算法準確率為94.3%,召回率80.9%,均超過 Google 自動運動識別的表現,達到手機自動運動識別的業界領先水準。

MACE Micro

小米自研并開源的微控制器AI框架

考慮到手機續航,靈弦算法必須跑在低功耗處理器上,這就需要一套支持低功耗處理器的AI框架。

MACE Micro 是小米自研并開源微控制器AI框架。微控制器(MCU)是小型、低能耗的計算設備,經常嵌入在只需要進行基本運算的硬件中,包括家用電器和物聯網設備等。為了全面支持手機與IoT設備超低功耗推理場景,小米MACE團隊在2020年開發了微控制器AI框架 MACE Micro 并開源。

MACE Micro 在立項時確立了四個目標:高性能、低能耗、好移植、易用。

在超低功耗計算場景下,想要做到高性能且低功耗,就需要在保證計算精度的同時,減少計算量,同時減少對于內存的訪問次數。

MACE Micro 繼承了 MACE 在模型表示層面對算子進行的替換、融合與鏈路優化,并通過自定義模型格式,實現了模型初始化的0時間消耗;同時,針對卷積等算力密集的算子進行了訪存優化,在提高性能的同時,也降低了功耗。

此外,MACE Micro 還支持了bfloat16(BF16)計算精度,提升了設備在冷啟動時的計算速度,同時將模型大小縮減50%,大幅縮減了運行時的內存占用,并且其模型預測精度降低不到0.1%。

MACE Micro 不依賴于任何OS、堆內存分配、C++庫以及除 math 庫之外的其他第三方庫,開發工具鏈只要支持C++98標準,就能進行 MACE Micro 的移植,同時 MACE Micro 復用了 MACE 的已有功能,繼承了 MACE 的模型優化、模型保護、單元測試和基準測試等功能。

有了 MACE Micro ,靈弦算法就有了運行于低功耗處理器之上的基礎。

低功耗算法落地實踐

有了如此優秀的AI引擎還不足夠,如何讓深度學習推理順利地跑在低功耗處理器上,還是個大難題。需要有一套方案,打通物理傳感器、計算模塊、底層存儲模塊、對上層的統一封裝等各種需求。經過一年多的不斷預研及適配,工程師成功解決了功耗、性能、機型適配等多項難題,將AI推理能力落地到了手機底層。

經過多款機型功耗測試,靈弦算法持續運行時平均電流小于 1mA,符合運動識別能力默認開啟下的功耗要求。

-

靈弦算法不會停下進化的步伐,不久的將來將看到靈弦算法在更高精度、更多類型運動、更多運動數據維度等等方面的突破。未來小米健康將作為你的貼心運動健康管家,為你每個維度的健康都提供可依賴的保障。

德扑游戏 宁夏11选五5奖项 六合预算下期平码公式 北京快3游戏 福彩东方6十1走势图 在线配资平台 天牛宝诚信 成都理财平台 江西十一选五开奖结果查询结果 甘肃省快三开奖结果 福建快3三开奖结果今天 幸运飞艇技巧图片必中 上海外盘期货配资 股票配资网站大全 黑龙江体彩11选五遗漏 什么软件可以买股票 体彩排列三开奖时间 广西快三和值走势图