En ny kraftstyrings-API for ARMs mbed-plattform skal redusere strømforbruket i IoT-applikasjoner. De første startsettene for utviklere vil bestå av EFM32 Gecko-varianter.

Silicon Labs og ARM samarbeider om IoT-plattformer

Silicon Labs og ARM samarbeider om å definere og levere de første programmeringsgrensesnitt (API) for kraftstyring i ARM mbed-plattformen.

Publisert Sist oppdatert

Denne artikkelen er 2 år eller eldre

Ved å legge til kraftstyrings-API til mbed vil de bringe bedre energieffektivitet til standarbaserte løsninger som er optimalisert for ultra lavenergi og batteridrevet utstyr i nettet.

Det er snakk om mer enn 100.000 registrerte utviklere som nå kan optimalisere sine design basert på ARM Cortex-M til å oppnå lenger batterilevetid.

I tillegg til å kunne bestemme tilstander i prosessor og periferienheter, er den nye APIen konstruert med virkelige lavenergi-scenarier i tankene. En ny funksjon som viser seg i APIen på Silicon Labs EFM32 Gecko mikrokontrollere, finner automatisk og iverksetter optimal sovemodus basert på hvilke periferienheter som er i bruk. Dette kan redusere kraftbruk dramatisk på systemnivå, hevdes det.

Optimaliseringen er oppnådd ved å la I/O-operasjoner bli utført i bakgrunnen og å la disse operasjonene fortsette mens mikrokontrollerkjernen er i sovemodus eller gjør andre oppgaver.

Automatisk valg av optimal sovemodus, kombinert med lavenergi, autonome periferienheter, gjør at utviklere kan redusere strømforbruket i IoT-applikasjoner med liten innsats. For eksempel har energiprofiler i en applikasjon som oppdaterer en skjermklokke hvert sekund i et LCD-minne – vanlig for IoT-komponenter – vist en reduksjon i strømforbruket fra 1,03 mA til 0,100 mA.

Silicon Labs har planer om å leverer mbed-baserte EFM32 Gecko startsett i april 2015. De første plattformene vil inkludere Wonder Gecko, Leopard Gecko, Giant Gecko og Zero Gecko startsett. Utviklere med eksisterende EFM32-sett vil bli stand til å implementere mbed i maskinvaren gjennom en enkel programvareoppdatering.

Powered by Labrador CMS