从入门到登峰-嵌入式Tracker定位算法全景之旅 Part 7 ｜TinyML 定位：深度模型在 MCU 上的部署

Part 7 ｜TinyML 定位：深度模型在 MCU 上的部署

本章聚焦如何在 ESP32-S3 平台上，通过 TinyML 将深度学习模型应用到定位场景，包括特征提取、模型剪枝与量化、TensorFlow Lite for Microcontrollers 部署，以及在线微调与自适应策略。

一、为什么要用 TinyML？

• 非线性特征挖掘：深度网络能从 CSI、RSSI 波形、天线阵列信号中学习复杂映射。

• 端侧推理：本地推理无需持续联网，减少延迟与带宽成本。

• 低功耗：经过剪枝与量化的模型，可在 MCU 上以数 mW 级功耗运行。

二、特征提取

1. CSI vs RSSI

   • CSI（Channel State Information）：抓取 Wi-Fi/蓝牙每个子载波的幅度与相位，特征维度高；

   • RSSI：单值功率指标，特征维度低，信息量有限。

2. 时域/频域特征