Pulse128 开发套件 便携式事件视觉开发平台 口袋事件相机

 产品特点

· 真正的事件驱动感知：128×128 像素阵列按亮度变化异步产生事件，只输出"变化了什么"，静态区域几乎不产生数据，天然适配高速运动、瞬态变化与长时连续感知。

· 感知与计算在同一颗设备上完成：事件预处理、SCNN 推理、结果读出全在端侧完成，省去传感器到外部算力平台的数据搬移，显著降低延迟与带宽压力。

· 最高 320K 脉冲神经元：支持 1 层事件预处理 + 最多 9 层 SCNN + 1 层读出层，把模型直接装进传感器旁边。

· 脱离上位机独立工作：本机屏幕显示事件流、运行模型、录制数据，UVS 上位机仅在需要配置与升级时介入。

· 事件 + 惯性数据同源：板载 Bosch BMI270 六轴 IMU，事件与 IMU 统一时间基准，可同步存入 MicroSD 卡。

· 完整开发链路：UVS 上位机（Windows / Linux）+ C API 静态库 + Python 3.8+ 示例，开箱即可取流与二次开发。

核心规格

事件感知

· DVS分辨率：128 × 128 像素

· 像元尺寸：20 μm

· 有效感光尺寸：2.56 × 2.56 mm

· 动态范围：≥ 80 dB

· 适用照度：约 20 ~ 200 klux（20~50 lux 时灵敏度可能轻微下降）

· 时间戳分辨率：1 μs（当前固件事件批次粒度 100 μs）

· 峰值事件吞吐量：约 20.36 Mevents/s

片上神经形态计算

· 脉冲神经元数量：最高 320 K

· 计算结构：1 层事件预处理 + 最多 9 层 SCNN + 1 层读出层

· 输入 / 特征输出：最大 128×128 / 最大 64×64

· 最大特征图数量：1024

· 权重 / 神经元状态：8 bit / 16 bit

· 卷积核：最大 16×16

· 步长与填充：步长 1 / 2 / 4 / 8；填充 0~7（X、Y 方向均可独立设置）

· 池化与扇出：池化 1:1 / 1:2 / 1:4；每层支持 2 路扇出

· 神经元运算：线性泄漏、脉冲计数降采样、脉冲拥塞均衡

· 并行处理：第 0 层与第 1 层支持并行计算，也可作为输入层使用

· 读出层：15 个任务类别 + 1 个空闲类别，滑动平均时间步可配 1 / 16 / 32；4 个读出引脚 + 1 个中断引脚

系统与接口

· IMU：Bosch BMI270，六轴（三轴加速度计 + 三轴陀螺仪），量程可通过 UVS 配置

· 存储：MicroSD 卡

· 数据接口：USB Type-C（USB 2.0 High-Speed，Vendor Bulk）

· 供电：5 V 直流或电池供电，电池标称容量 900 mAh

· 工作电压范围：4.2 ~ 6.5 V

· 镜头接口：M12 / S-Mount，可选 3.54 mm、1.98 mm、3.62 mm 等（1.98 mm 镜头视场角约 61.5°）

· 上位机系统：Windows / Linux

机械与电气

· 整机尺寸：67.8 × 49.6 × 37.1 mm（宽 × 高 × 厚，高不计按键凸出，厚含镜头座、不含镜头）

· 整机重量：125 g（不含电池）

· 外壳：6061 铝合金，表面阳极氧化

· 安装：1/4-20UNC 安装孔 × 4 面

· 典型功耗：约 0.60 W（5 V / 120 mA，室温、普通办公室照明、屏幕点亮、USB 连接、未录制）

软件与数据

UVS上位机

· 用于设备识别与连接、事件流与姿态实时预览、参数配置、数据录制与回放、固件升级。支持 Windows 与 Linux。

· 实时预览：分色显示正 / 负极性事件，姿态窗口同步显示 IMU 信息

· 参数配置：时钟频率、IMU 量程、ROI、极性、X/Y 镜像、90° 步进旋转、SCNN 各层参数、读出模式

· 数据录制：事件与 IMU 写入 U-DATA1 文件（FlatBuffers 序列化，支持可选 LZ4 压缩，文件后缀 .udata）

· 回放分析：按文件时间顺序恢复事件与惯性数据，用于复现实验与离线分析

二次开发

· 接口形式：嵌入式 C API 与静态库；PC 侧提供 Python 3.8+ USB 读取、解析与可视化示例

· 参考平台：STM32H723ZGTx（Arm Cortex-M7）

· 最低系统配置：Windows 10/11 64 位或 Ubuntu 24.04 x86_64，4 GB 内存，500 MB 可用磁盘空间，USB 2.0 接口，1280×720 显示器

典型应用

· 常开感知：手势识别、人体行为识别、人脸检测、存在感知、智能安防

· 动态分析：目标跟踪、运动分析、速度估计、时空特征提取、动态轨迹记录

· 边缘推理：事件预处理、SCNN 模型与读出策略验证，模型直接部署到设备端运行

· 闭环控制：事件与IMU 数据为低延迟反馈与运动控制研究提供输入