便携式设备是一些可携带、拆卸、手持的,体积小功耗低的用于辅助工作和生活的小型设备,如语音助手机器人、导盲机器人等。这类设备具有实时人机交互功能,内置多种传感器,具备一定的视觉和语音交互能力（如携带式导盲机器人）。深度学习可以很好地解决视觉和语音交互问题,但是运行深度神经网络模型需要巨大的计算开销,这对于实时性要求较高的便携式设备的设计是一个挑战。将数据传送到云端处理的方案的实时性很受限于网络,如果网络环境欠佳,实时性将不能保证。边缘计算强调将计算任务和决策从云端迁移到网络边缘,以此提高便携式设备系统的实时性。本文提出了一种适用于构建便携式设备的边缘计算架构PEN（Phone+Embedded board+Neural compute device）。该架构使用嵌入式单板构建设备主体,在智能手机端构建设备的决策中心,在嵌入式单板上结合可用于深度神经网络推理的设备来加速图像或语音处理。PEN将便携式设备的软硬件功能以“服务化”的方式抽象出来,智能手机端可以通过远程调用的方式,借助可视化编程工具或者编程语言来集成这些服务、构建决策中心。为了验证该设计架构的通用性,本文基于PEN架构设计了一套可用于辅助外卖配送的便携式设备--外卖助手,该设备集成了摄像头、舵机和超声波模块等传感器和运动装置,结合勘智K210芯片运行神经网络模型完成目标检测任务。在该设备中,“边缘服务端”提供了多个可被智能手机客户端调用的硬件功能服务。手机端实现决策端业务逻辑,手机端也充当网关作用,负责数据清理,过滤封装数据并转发给云端。本文的最后是实际场景的测试实验以及数据对比,以此证明PEN设计架构的可用性。