MAUPITI: On-Device Prototype-Based Learning on a Smart Infrared Sensor
MAUPITI 论文描述了一个智能红外传感器，集成 16x16 热 MOSFET 阵列和 RISC-V 微控制器，支持低精度 SIMD 指令，在小于 32kB 内存和约 1.5mW 功耗下进行设备端学习和持续适应。采用基于原型的最近类均值分类器，CNN 编码器离线训练和量化，类原型在设备上流式更新。实验显示与传统分类器精度相当，分类和原型更新的延迟开销小于 0.29%。
Development
- First ReportMAUPITI: On-Device Prototype-Based Learning on a Smart Infrared SensorarXiv cs.LG
- Current Assessment该研究展示了在极端资源约束下实现设备端学习的能力，可能推动隐私保护的人体感知应用，如智能家居、健康监测等。随着边缘 AI 需求增长，此类技术有望成为嵌入式 AI 的标准组件，影响芯片设计和算法开发方向。Agent Pulse · analysis
MAUPITI 论文提出了一种在低分辨率红外传感器上进行设备端学习的方法。传感器集成 16x16 热 MOSFET 阵列和 RISC-V 微控制器，扩展了低精度 SIMD 指令，在小于 32kB 内存和约 1.5mW 功耗下实现姿态和手势识别。为避免反向传播和重放缓冲的内存开销，采用基于原型的最近类均值分类器，CNN 编码器离线训练和量化，类原型在设备上流式更新。实验表明，该方法在精度上与常规分类器相当，分类和原型更新的延迟开销小于 0.29%，有效实现感知框架的在线适应。
该方法通过原型学习和流式更新，避免了反向传播和重放缓冲，显著降低了内存需求，使设备端持续学习成为可能。低精度 SIMD 指令和量化编码器进一步优化了计算效率。延迟开销小于 0.29% 表明在线适应几乎不增加推理负担。这为资源受限的边缘设备提供了一种可行的持续学习范式。
该研究展示了在极端资源约束下实现设备端学习的能力，可能推动隐私保护的人体感知应用，如智能家居、健康监测等。随着边缘 AI 需求增长，此类技术有望成为嵌入式 AI 的标准组件，影响芯片设计和算法开发方向。
该技术可降低边缘设备的功耗和成本，同时保护隐私，适用于智能家居、可穿戴设备等市场。对于芯片厂商，可提供差异化 IP；对于设备制造商，可提升产品智能化水平。
未来可验证的信号包括：该技术是否被集成到商业产品中，以及是否扩展到其他传感器类型或任务。后续研究可能探索更复杂的模型或更大规模的原型库，以提升适应性。