基于能源效率 FPGA 实现的基于振动的家居 furniture 手势识别
地球与行星天体物理
2026-02-03 v1
摘要
智能家居界面日益增长，对非侵入式传感方法（如振动-based 手势识别）的兴趣也随之上升。虽然先前的研究已证明可行性，但它们往往依赖复杂的预处理和大型神经网络（NN），需要昂贵的高性能硬件，导致能耗高，实际部署受限。本研究提出一种能源效率高的解决方案，将紧凑型 NN 部署在低功耗 Field-Programmable Gate Arrays（FPGA）上，以实现具有竞争性能的实时手势识别。我们采用一系列优化措施：（1）用原始波形输入取代复杂的频谱预处理，消除板上复杂的预处理，同时在不牺牲准确性的前提下将输入尺寸缩小 21 倍。（2）设计两种轻量级架构（1D-CNN 和 1D-SepCNN），专为嵌入式 FPGA 定制，参数从 3.69 亿减少至最少 216 个，同时保持相当的准确性。（3）采用整数量化和自动 RTL 生成，实现无缝的 FPGA 部署。在 1D-SepCNN 中，我们进一步采用 ping-pong 缓冲机制以应对严格的内存限制。（4）我们扩展了硬件感知搜索框架，以支持在准确性、可部署性、延迟和能耗方面的约束驱动的模型配置选择。我们在两个滑动方向数据集上进行评估，包含多个用户和普通桌椅。我们的方案在 AMD Spartan-7 XC7S25 FPGA 上实现低延迟、能源效率高的推理。采用 PS 数据分割设置时，所选 6 位 1D-CNN 在用户间达到 0.970 的平均准确率，延迟为 9.22 ms。所选 8 位 1D-SepCNN 进一步将延迟降至 6.83 ms（超过 53 倍 CPU 加速），准确率略降至 0.949。两种方法的能耗均低于 1.2 mJ/推理，显示出适合长期边缘部署的潜力。
关键词
引用
@article{arxiv.2510.23155,
title = {The Detectability of Lunar-Origin Asteroids in the LSST Era},
author = {Yixuan Wu and Yifei Jiao and Wen-Yue Dai and Yukun Huang and Zihan Liu and Bin Cheng and Hexi Baoyin and Junfeng Li},
journal= {arXiv preprint arXiv:2510.23155},
year = {2026}
}