Bare-metal MCU 환경의 Low-latency 오디오 분류를 위한 C-export 기반 TinyML 설계

Context

클라우드 의존성 제거와 Low-latency 추론을 위해 MCU 내부에서 동작하는 로컬 오디오 분류 시스템 필요성 증대. 대규모 런타임 임베딩 시 발생하는 메모리 제약 및 예측 불가능한 실행 성능의 한계점 존재.

Technical Solution

• Python 기반 학습 모델을 결정론적 C 코드로 변환하여 런타임 오버헤드 최소화
• MFCC(Mel-frequency cepstral coefficients)를 활용한 경량 Feature Pipeline 설계로 MCU 메모리 및 타이밍 예산 최적화
• 추론 경로 내 Dynamic Allocation을 완전히 배제하여 펌웨어의 실행 예측 가능성 확보
• scikit-learn의 Random Forest 모델을 C99 표준 코드로 Export 하여 Bare-metal 환경의 호환성 및 검토 가능성 증대
• Dataset 구성부터 C inference까지의 전 과정을 Repeatable Workflow로 구축하여 모델 업데이트 효율성 제고