Sierra Wireless剥离汽车嵌入式模块业务予Rolling Wireless，聚焦高利润物联网方案

STMicroelectronics 的 STM32WLE5 系统级芯片（SoC）融合低功耗 STM32 微控制器（48 MHz ARM Cortex-M4 内核）与 LoRa 合规射频收发器。专为 IoT 设计，覆盖整个未授权 Sub-1 GHz 频段（150–960 MHz），无缝对接全球 LoRa 网络。 接收灵敏度达 –148 dBm，双内置功放提供 15 dBm 和 22 dBm 输出，延伸射频覆盖。还支持 (G)FSK、(G)MSK 和 BPSK 调制，便于开发者实现替代或专有协议。 提供 64/128/256 kB 片上 Flash，充足存储固件、射频固件和数据。安全直达核心：硬

在工业系统嵌入人工智能解锁更智能、更安全接口——如工厂车间门禁人脸识别、语音控制、异常检测。这些应用比传统密码和手动登录提供更优易用性、韧性、隐私。行业向AI快速转型非可选；正成现代产品基准期望。 （来源：CEVA） 产品构建者挑战 为嵌入式设备开发AI区别于传统固件工程。而非编写过程代码，你训练神经网络识别模式——很像教孩子。训练模型随后须裁剪以适应严格内存和功耗预算而不牺牲准确性。虽神经网络非传统意义上“代码”，推理计算仍消耗宝贵资源。作为嵌入式设计师，榨干每字节每瓦特至关重要。 神经网络工作原理简述 神经网络是层堆叠，每层含处理输入、应用学习权重、前向传递结果的人工神经元。数据经历连续层

随着 AI 驱动界面需求增长，将人脸识别等功能集成到机器中不再是巨大飞跃。借助众多 AI 平台、训练工具和开源项目——如人脸识别示例——开发者可在 PC 上快速原型验证。 （来源：CEVA） 约束条件 将 PC 或云端训练的网络迁移到嵌入式系统面临独特挑战。为高端硬件构建的模型往往忽略内存限制、依赖浮点运算、并依赖片外内存进行滑动窗口推理。强大 PC 上的原型可容忍这些低效，但嵌入式应用必须极度节俭——同时保持性能。 优化要点 优化的第一支柱是量化。将权重从 32 位浮点转为 8 位整数，同时压缩模型大小和中间值，对大多数视觉任务精度影响可忽略，却能带来显著内存节省。 利用权重稀疏性可进一步降

概述 在本教程中，我们将学习如何构建一个由多个 NRF24L01 收发模块组成的 Arduino 无线网络。你可以观看下方视频或阅读以下图文教程。 作为示例，我搭建了一个包含 5 个节点的网络，每个节点都能与网络中的任意节点通信，同时可同时作为发射器和接收器工作。此示例的设置方式可扩展为更大规模网络——精确地说，我们可以在单个 RF 信道上让多达 3125 个模块相互通信。下面我们来看看它是如何工作的。 在之前的教程中，我们已经学习了如何使用 NRF24L01 模块和 RF24 库实现两块 Arduino 板之间的无线通信。现在，除了该库，我们还将使用 RF24Network 库，它能以简