STMicroelectronics LSM6DSOX: Sensor inercial con machine learning para tracking de actividad preciso y eficiente
STMicroelectronics ha embebido capacidades de machine learning en su sensor iNEMO LSM6DSOX, elevando la precisión del tracking de actividad mientras preserva la vida de batería en dispositivos móviles y wearables.
Núcleo dedicado de machine learning
Con un núcleo dedicado de machine learning, el sensor clasifica datos de movimiento contra patrones conocidos, liberando al procesador principal de esta carga. Esta descarga reduce el consumo de energía y acelera aplicaciones centradas en movimiento como logging de fitness, monitorización de bienestar, navegación personal y detección de caídas.
Experiencia "always-on" sin comprometer autonomía
Los dispositivos impulsados por el LSM6DSOX se benefician de una experiencia "always-on" sin comprometer la autonomía. La mayor memoria interna del sensor y una interfaz I3C de alta velocidad de vanguardia permiten intervalos más largos entre interacciones con el controlador y ráfagas de conexión más cortas, entregando ahorros de energía adicionales.
Integración sencilla con plataformas móviles
La integración con plataformas móviles populares —Android e iOS— es directa, haciendo al LSM6DSOX ideal para mercados de consumo, médico e industrial.
Especificaciones técnicas
La unidad alberga un acelerómetro MEMS 3D y un giroscopio MEMS 3D, y su núcleo de machine learning procesa movimientos complejos consumiendo una corriente típica de solo 0,55 mA, protegiendo aún más la vida de batería.
Su lógica de máquina de estados finitos trabaja junto al núcleo de aprendizaje para reconocer patrones de movimiento y detectar vibraciones. Los desarrolladores pueden entrenar el núcleo con clasificadores de árbol de decisión vía Weka, una aplicación PC open-source, creando ajustes a medida que diferencian movimientos por aceleración, velocidad y ángulo magnético.
Características adicionales
Características adicionales como caída libre, wake-up, orientación 6D/4D, interrupciones click y double-click amplían posibilidades de aplicación —desde controles de interfaz de usuario a protección de portátiles y configuraciones de estabilización óptica de imagen (OIS).
Incrustado
- Sensor de seguimiento de línea con Raspberry Pi – Detector simple KY‑033 para puerta/línea
- Sensor de movimiento SmartThings con visión artificial en Raspberry Pi 3
- Construya un Sensor de Movimiento Infrarrojo DIY para Raspberry Pi – Guía Paso a Paso
- Domina GPIO de Raspberry Pi: interfaz sensor PIR movimiento en B+/Model 2
- Cómo Conectar, Calibrar y Programar el Sensor PIR HC‑SR501 con Raspberry Pi
- Modelos de aprendizaje automático predicen con precisión la salud y longevidad de baterías
- Apple e IBM Watson unen fuerzas para impulsar machine learning móvil empresarial
- Generar código G CNC con ArtCAM: Guía paso a paso
- Acelere la Producción: Cómo los Robots Industriales Reducen Drásticamente los Tiempos de Ciclo en Atención de Máquinas
- Predicción Precisa de Vida Útil de Baterías con IA – Estudio DOE Argonne
- Impulsa Fiabilidad y Reduce Downtime: Machine Learning Transforma Mantenimiento