这是一篇关于在微控制器上使用神经网络估计物体姿态的技术文章，主要内容如下：

• 背景：需要用微控制器根据六个传感器的读数估计物体姿态，由于读数是非线性且相互耦合，无法得到显式解析解，决定尝试用简单神经网络近似逆映射函数。

• 过程：

  • 用正向模拟在计算机上生成训练数据；
  • 训练一个小神经网络（几层密集层，数百个参数）来近似逆映射函数；
  • 将网络部署到微控制器（Cortex-M0，16kB RAM，32kB 闪存）进行推理。
• 遇到的困难：发现大多数相关论文和软件库复杂、重量级，且有很多未说明的假设和背景要求，如想用整数推理的简单密集神经网络的端到端训练案例很罕见。

• 具体技术细节：

  • 神经网络概述：通过一系列方程（层）将输入数据映射到输出值，需要自由参数和非线性激活函数，通过调整参数使预测接近实际值。
  • 量化概述：神经网络的量化是指用较小的表示替换部分或全部通常的 32 位浮点数参数，有“假量化”和用整数算术计算激活函数等方法，还需考虑如何找到合适的量化权重。
  • 目前进展：能用 TensorFlow 进行量化感知训练，生成可在微控制器上运行的.tflite 文件，使用 microflow-rs 进行推理，但需要浮点运算，不太“可爱”。
• 下一步计划：避免使用高级框架如 TensorFlow 和 PyTorch，用 JAX 实现量化感知训练，包括定义自定义梯度、训练找到网络参数等，然后手动编写 Rust 进行矩阵乘法和激活缩放，预计总代码不到 200 行。

• 相关附录：

  • TensorFlow 相关：介绍了 TensorFlow 及其相关项目的发展和使用中的一些问题，如依赖冲突、构建运行时等。
  • 其他考虑的替代方案：列举了 CMSIS-NN、IREE、MicroTVM、uTensor、TinyEngine 等库或框架，但都因各种原因无法使用，如代码复杂、运行时大小超标等。