意法半导体推出具有机器学习功能的LSM6DSOXiNEMO™传感器运动传感器

机器学习技术可分类处理运动数据，提高运动跟踪精度

嵌入式智能和其它强化功能大幅降低功耗，延长智能手机、穿戴设备和游戏控制器的电池续航时间

横跨多重电子应用领域的全球领先的半导体供应商意法半导体（STMicroelectronics，简称ST；纽约证券交易所代码：STM）在其先进的惯性传感器内集成机器学习技术，提高手机和穿戴设备的运动跟踪性能和电池续航能力。

LSM6DSOXiNEMO™传感器内部集成一个机器学习内核，可根据已知运动模式对运动数据进行分类处理，接替主处理器处理运动跟踪的第一阶段任务，这种方法可以节能降耗，加快健身记录、健康监测、个人导航、跌倒检测应用等运动类应用程序的运行速度。

意法半导体模拟、MEMS和传感器产品部副总裁Andrea OnetTI表示：“机器学习已大范围用于社交媒体、金融建模或自动驾驶等应用以提高模式识别的速度和效率，LSM6DSOX运动传感器集成了机器学习功能，可增强智能手机和穿戴设备的运动跟踪性能。”

配备意法半导体LSM6DSOX的设备可以为用户带来便利、响应迅速的“永远开启”的使用体验，且对电池续航时间没有任何影响。LSM6DSOX集成于传统传感器相比，增添了更大的内存空间，并配备最先进的高速I3C数字接口，使得传感器与主控制器的交互间隔更长，连接时间更短，节能省电效果更好。

该传感器易于集成到主流移动平台（例如：Android和iOS）上，可简化消费、医疗和工业智能设备使用流程。

LSM6DSOX现已量产上市。

更多技术信息：

LSM6DSOX包含一个3D MEMS加速度计和3D MEMS陀螺仪，并使用机器学习内核跟踪复杂的运动，典型工作电流仅为0.55mA，电池负载得到大幅降低。

机器学习内核与传感器集成的有限状态机逻辑协同工作，执行运动模式识别或振动检测功能。使用LSM6DSOX创建运动跟踪产品，需要用开源PC应用程序Weka对机器学习内核进行决策树分类培训，从样本数据生成设置参数和限值，例如，用于表征被检测运动类型的加速度、速度和磁倾角。

因为支持自由落体检测、唤醒、6D/4D方向检测、单击和双击中断，LSM6DSOX可用于运动跟踪外的其它的多种应用，例如，用户界面管理和笔记本电脑保护。辅助输出和配置选项还简化其光学防抖（OIS）应用。