Wir stellen heute unseren Hardware Signal Processor (HSP) vor, eine neue Hardwareeinheit, die künftig in immer mehr unserer kommenden STM32-Mikrocontroller zum Einsatz kommen wird, beginnend mit unseren neuen STM32U3B5/C5-Bausteinen mit 2 MB Flash. Kurz gesagt beschleunigt der HSP verschiedene Berechnungen, etwa bestimmte Fourier-Transformationsalgorithmen. Anders als ein herkömmlicher DSP benötigt er jedoch keinen zusätzlichen externen Baustein, keine Einrichtung und keine Konfiguration und lässt sich dank unseres Hardware Abstraction Layer mit nur wenigen API-Aufrufen nutzen. So verhilft er Low-Power-Bausteinen schnell und unkompliziert zu deutlich mehr Rechenleistung. In manchen Fällen ist der STM32U3 dank des neuen HSP zwölfmal schneller als ein Standard-Cortex-M33-Baustein.
• Erfahren Sie mehr über den neuen STM32U3 mit 2 MB Flash
Warum viele Ultra-Low-Power-Systeme einen externen DSP gebrauchen könnten, aber keinen einsetzen
Der aktuelle Kompromiss zwischen Ultra-Low-Power und anspruchsvollen Sensoranwendungen
Zu oft nehmen Entwickler erhebliche Leistungseinbußen in Kauf, um den Stromverbrauch niedrig oder die Stückliste günstig zu halten. Damit verschließen sie sich jedoch bestimmten Anwendungen. Industrielle Sensoranwendungen, die etwa Vibrationen oder Beschleunigungen überwachen, profitieren häufig von Analysen im Zeit- oder Frequenzbereich, und dafür ist erheblicher Rechenaufwand nötig, um eine reelle oder komplexe schnelle Fourier-Transformation auszuführen. Auf einer Ultra-Low-Power-MCU kann eine solche Berechnung jedoch untragbar teuer werden: Entweder dauert sie zu lange, erzeugt zu viel Wärme oder erfordert schlicht einen zusätzlichen DSP, was das Gesamtkonzept zu kostspielig macht. Entwickler müssen daher auf bestimmte Funktionen verzichten oder eine völlig andere Stückliste bezahlen.
Die sehr realen Herausforderungen beim Einsatz eines externen DSP
Die andere große Herausforderung: Die Programmierung eines externen DSP ist für sich genommen bereits eine Hürde. Zwar hält sich die romantische Vorstellung, ein solcher Co-Prozessor sei offen und könne sich deshalb an eine Vielzahl von Anwendungen anpassen, doch handelt es sich zugleich um ein komplexes und kostspieliges Unterfangen, das tiefgehendes Fachwissen erfordert. Wer einen DSP programmiert, muss viele Firmware-Versionen durchlaufen, bis der Code ausgereift, stabil und optimiert ist. Zudem ist er oft nicht portierbar. Entwickler müssen entweder immer wieder denselben externen DSP wählen, was die Stückliste stark einschränkt, oder die Entwicklung von Grund auf neu beginnen, was teuer, zeitraubend und mitunter entmutigend ist.
Es liegt auf der Hand, dass ein externer DSP einiges an Komplexität mit sich bringt. So müssen Designer beispielsweise ein PCB-Layout entwerfen, das mehr potenzielle Fehlerquellen enthält und mehr Leiterbahnen sowie passive Bauteile berücksichtigt. Die Arbeit mit einem externen DSP ist auch deshalb anspruchsvoll, weil Entwickler häufig auf niedriger Ebene arbeiten müssen, mit wenigen Tools oder GUIs, die sie dabei unterstützen. Es gibt kaum Community-gestützte Entwicklungsumgebungen mit gängigen Hilfsmitteln oder Oberflächen zum Debuggen von Code, zum Konfigurieren der Hardware oder zum Überwachen der Speicher- oder CPU-Auslastung. So ist es nicht ungewöhnlich, dass ein Unternehmen jahrelang an einem Audio-DSP arbeitet, bevor überhaupt ein Produkt auf den Markt kommt. Für viele kleine Unternehmen ist das schlicht nicht tragbar.
Warum unser neuer HSP mehr verändert als einen Fourier-Algorithmus
13-mal mehr Leistung als ein herkömmlicher Cortex-M33
Internen Benchmarks zufolge liefert der neue HSP bis zur 13-fachen Leistung eines herkömmlichen Cortex-M33. Getestet wurden komplexe schnelle Fourier-Transformationen in 32-Bit-Festkomma- und Gleitkommaarithmetik mit 256 Samples sowie eine reelle schnelle 32-Bit-Festkomma-Fourier-Transformation mit derselben Anzahl an Samples. Wir haben genau diese Algorithmen gewählt, weil sie in Sensoranwendungen weit verbreitet sind und Designer häufig einen externen DSP einsetzen, um sie zu beschleunigen. Vor Jahren haben wir beispielsweise eine Application Note veröffentlicht, die zeigt, wie sie sich bei der Entwicklung digitaler Hochpassfilter einsetzen lassen.
9-mal bessere Energieeffizienz als ein STM32U5
Vergleichen wir den neuen STM32U3 mit HSP konkret mit anderen STM32-Bausteinen mit Cortex-M33, etwa dem STM32U5 oder einem STM32U3 ohne HSP, sehen wir Zugewinne um den Faktor 9 beziehungsweise 3. Dass dedizierte Multiply-Accumulate-Einheiten in unserem MCU deutliche Vorteile bringen, ist zu erwarten. Bemerkenswert ist jedoch, dass unser HSP einem Baustein wie dem STM32U3 diese Leistungssteigerungen ermöglicht, ohne seine Ultra-Low-Power-Eigenschaften zu beeinträchtigen. Zwar erhöht der Einsatz des HSP die absolute Leistungsaufnahme etwas, doch weil er Berechnungen deutlich schneller ausführt, sinkt der Energieverbrauch insgesamt. Bestimmte Edge-AI-Anwendungen verdoppeln dadurch sogar ihre Energieeffizienz.
3-mal mehr Leistung als ein Cortex-M55 mit MVE
Vergleichen wir den HSP des neuen STM32U3 mit einem leistungshungrigeren Kern, etwa einem typischen Cortex-M55 des Wettbewerbs, zeigen unsere internen Tests bei denselben Algorithmen wie in den vorherigen Benchmarks rund die 3-fache Leistung. Diese Ergebnisse sind bemerkenswert, weil der Cortex-M55 über eine M-Profile Vector Extension (MVE) namens Helium verfügt, die speziell DSP-Anwendungen beschleunigt. Dennoch bietet unser HSP einen deutlichen Vorteil. Konkret können sich Entwickler damit für einen STM32U3 entscheiden statt für eine deutlich teurere oder stromhungrigere MCU, und profitieren dennoch von einer leistungsfähigeren und energieeffizienteren Plattform.
9-mal besser als ein Cortex-M33 mit TensorFlow Lite for MCU
Unsere Entwickler haben beim neuen HSP zunächst Anwendungen der digitalen Signalverarbeitung priorisiert. Angesichts der Leistungszuwächse stellten sie jedoch fest, dass die neue Hardwareeinheit auch einige neuronale Netzwerkalgorithmen erheblich beschleunigen kann, insbesondere auf einem Baustein wie dem STM32U3. So erzielt derselbe Algorithmus für Keyword Spotting, Bildklassifizierung oder Visual Wake Words auf dem neuen HSP einen 6- bis 9-fachen Zugewinn gegenüber einem Cortex-M33 mit TensorFlow Lite for MCU sowie eine Verdreifachung gegenüber einer STM32-MCU mit demselben Kern und STM32Cube AI Studio, das die Entwicklung von AI am Edge grundlegend verändert hat. Deshalb haben wir unser Software-Tool aktualisiert, damit es den neuen Hardware Signal Processor nutzt.
Ultra-Low-Power-Bausteine, auf denen eine AI-Anwendung am Edge nie denkbar gewesen wäre, kommen nun infrage. Auf leistungsstärkeren STM32-MCUs erwarten wir keine vergleichbaren AI-Zugewinne, da sie viele Algorithmen bereits sehr gut ausführen und dazu beitragen, maschinelles Lernen auf Embedded-Systemen zu demokratisieren. Wir gehen aber davon aus, dass Entwickler auch dort die übrigen Vorteile des HSP schätzen werden, weshalb wir ihn nach und nach in weitere MCU-Serien integrieren. Bei einem Ultra-Low-Power-Baustein wie dem STM32U3 ist der Leistungsschub durch den HSP zudem so groß, dass er die Tür zu völlig neuen Anwendungstypen öffnet, die auf einem Near-Sub-Threshold-Baustein nie gelaufen wären.
Unendlich flexibler
Auch die Integration in STM32Cube AI Studio belegt, wie einfach sich der HSP nutzen lässt. Da der HSP eine Hardwareeinheit innerhalb eines STM32-MCU ist, können Entwickler ihn automatisch nutzen, indem sie einfach unseren Hardware Abstraction Layer verwenden. Wir haben zudem dafür gesorgt, dass die Lösung mit CMSIS-DSP-API-Aufrufen kompatibel ist, sodass Entwickler denselben Code auf einer unserer künftigen MCUs mit HSP wiederverwenden können, was die Lösung äußerst flexibel macht. Kurz gesagt: Für die vielen Entwickler, die sich die Rechenleistung eines DSP ohne dessen Komplexität wünschen, öffnet der neue HSP die Tür zu beeindruckender Beschleunigung ohne die Hürden, die damit traditionell verbunden sind.
Batterielose Demo auf der Embedded World 2026
Um zu zeigen, was der neue HSP auf einem Mikrocontroller wie dem STM32U3 ermöglicht, hatten wir für die Besucher der Embedded World 2026 eine Demo vorbereitet. Sie baut auf unserer Arbeit mit Dracula Technologies und deren gedruckten organischen Photovoltaikmodulen auf, die einen STM32U0 mit Energie versorgt haben. In dieser Demo verwenden wir dedizierte organische Module und zwei STM32U3-Boards. Ein Nucleo-Board ist mit dem neuen STM32U3C5 und einer VD55G4-Kamera bestückt und führt mithilfe des neuen HSP einen Algorithmus zur Personenerkennung aus. Das andere Board, das STM32U083C-DK, steuert lediglich ein LCD-Display, das anzeigt, ob das erste Board die Anwesenheit einer Person erkannt hat. Kurz gesagt: Es ist das erste Mal, dass wir einen Machine-Learning-Algorithmus zeigen, der allein mit Umgebungslicht als Energiequelle läuft.