Odborně-vzdělávací a zpravodajský portál z oblasti strojírenství a navazujících oborů
Články >> Strojové učení pro senzory
Chcete dostávat MM Průmyslové spektrum ZDARMA až do Vaší schránky? Více informací zde.

Strojové učení pro senzory

Dnes je možné nalézt mikrokontroléry (jednočipové počítače) v prakticky jakémkoli technickém zařízení počínaje pračkami až k měřičům tlaku a nositelné elektronice. Výzkumní pracovníci Fraunhoferova institutu mikroelektronických obvodů a integrovaných systémů řízení (IMS, ISŘ) vyvinuli AIfES, koncept umělé inteligence (AI) pro mikrokontroléry a senzory, který obsahuje plně nastavitelnou umělou neuronovou síť. AIfES je na platformě nezávislá knihovna pro strojové učení, kterou lze využít k realizaci samostudijní mikroelektroniky, která nevyžaduje spojení s cloudem nebo vysoce výkonným počítačem. Systém umělé inteligence určený pro senzory je schopen rozeznat rukopis a gesto, což umožňuje například zadávání vstupních dat gestem, běží-li knihovna na nositelné elektronice.

Dnes je možné nalézt mikrokontroléry (jednočipové počítače) v prakticky jakémkoli technickém zařízení – počínaje pračkami až k měřičům tlaku a nositelné elektronice. Výzkumní pracovníci Fraunhoferova ústavu mikroelektronických obvodů a integrovaných systémů řízení (IMS, ISŘ) vyvinuli AIfES, koncept umělé inteligence (AI) pro mikrokontroléry a senzory, který obsahuje plně nastavitelnou umělou neuronovou síť. AIfES je na platformě nezávislá knihovna pro strojové učení, již lze využít k realizaci samostudijní mikroelektroniky, která nevyžaduje spojení s cloudem nebo vysoce výkonným počítačem. Systém umělé inteligence určený pro senzory je schopen rozeznat rukopis a gesto, což umožňuje například zadávat vstupní data gestem, běží-li knihovna na nositelné elektronice.

Umělá inteligence pro mikrokontroléry a vestavěné systémy

Pro strojové učení existuje rozsáhlý výběr softwarových řešení, ale zpravidla jsou určena pouze pro PC a jsou založena na programovacím jazyce Python. Stále ještě neexistuje jakékoli řešení, které by umožňovalo zavádět a učit neuronové sítě na vestavěných systémech, jako jsou mikrokontroléry. Nicméně může být užitečné provádět průpravu přímo ve vestavěném systému, například když se má implantovaný senzor sám kalibrovat. Cílem je pro senzory určená umělá inteligence, kterou lze přímo integrovat do jejich systému. Výzkumní pracovníci Fraunhoferova institutu mikroelektronických obvodů a integrovaných systémů řízení (IMS, ISŘ) tohoto cíle dosáhli ve formě AIfES (Artificial Intelligence for Embedded Systems – umělá inteligence pro vestavěné systémy), knihovny pro strojové učení programované v jazyce C, který může běžet v mikrokontrolérech, ale též na jiných platformách, jakými jsou PC, Raspberry PI a Android. Knihovna běžně obsahuje zcela nastavitelnou neuronovou síť (ANN – Artificial Neuron Network), která může, je-li to potřeba, generovat vícevrstvé sítě pro deep learning. ANN je pokusem o matematickou simulaci lidského mozku pomocí algoritmů s cílem naučit je funkční souvislosti. AlfES byl optimalizován výslovně pro vestavěné systémy.


Předváděcí model AIfES pro rozeznávání rukopisů. Ručně psaná čísla na touchpadu PS/2 jsou identifikována a odeslána mikrokontrolérem. (Zdroj: Fraunhofer IMS)

Zredukovali jsme zdrojové kódy na minimum, což znamená, že ANN lze provozovat přímo na mikrokontroléru nebo na senzoru, tj. vestavěném systému. Navíc zdrojový kód je platný obecně a lze ho sestavit pro jakoukoli platformu. Protože se často používá stejný algoritmus, ANN vygenerovaný například na PC lze snadno přenést do mikrokontroléru. To bylo dosud u komerčně dostupných softwarových řešení v této formě nemožné,“ říká Dr. Pierre Gembaczka, mimořádný výzkumný pracovník u Fraunhofer IMS.

Ochrana soukromí

Jiným jedinečně vymezujícím rysem umělé inteligence od Fraunhofer IMS určené pro senzory je, že dosud byly umělá inteligence a neuronové sítě použity zejména pro zpracovávání obrazů a rozpoznávání hlasu, někdy s výstupem dat z lokálního systému. Například hlasové profily jsou zpracovávány cloudem na externích serverech, protože výpočetní výkon lokálního systému není vždy zcela odpovídající. „Je obtížné ochraňovat soukromí v tomto procesu, kde dochází k obrovskému přenosu dat. Proto jsme zvolili jiný přístup a odstupujeme od procesů strojového učení v cloudu ve prospěch strojového učení přímo ve vestavěném systému. Protože systém neopouštějí žádné citlivé údaje, lze ochranu soukromí zaručit a významně snížit množství přenášených údajů,“ říká Burkhard Heidemann. vedoucí skupiny „Embedded Systems“ u Fraunhofer IMS. „Samozřejmě není možné do vestavěných systémů zavést obrovské vícevrstvé učební modely (deep learning) – proto jsme zvýšili úsilí zaměřené na vytvoření elegantního způsobu vyjímání příznaků ke snížení vstupních signálů.“ Vestavěním umělé inteligence přímo do mikrokontroléru dodávají výzkumní pracovníci do zařízení přídavné funkce bez potřeby drahých úprav softwaru.

Snížení objemu údajů

AIfES se nezaměřuje na zpracovávání velkého množství dat, ale jen na přesun dat potřebných k vytvoření malých neuronových sítí. „Nesledujeme trend ke zpracovávání velkého množství dat; stačí nám jen ta bezpodmínečně nutná a vytváříme určitý druh mikrointeligence ve vestavěném systému, který je schopen řešit daný problém. Vyvíjíme nový systém vyjímání příznaků a nové strategie předzpracovávání pro každý problém, takže jsme schopni vytvořit nejmenší možnou umělou neuronovou síť (ANN). To umožňuje následné učení na samotném mikrokontroléru,“ vysvětluje Gembaczka.


Předváděcí model AIfES pro rukopisy. Všechny funkce byly integrovány do mikrokontrolérové vývojové desky Arduino UNO, která čte senzorové hodnoty z touchpadu, rozpoznává čísla a vysílá výsledky na displej. (Zdroj: Fraunhofer IMS)

Tento přístup byl již uveden do praxe v podobě několika předváděcích modelů. Například když výzkumný tým zavedl rozlišování ručně psaných číslic do levného osmibitového mikrokontroléru (Arduino Uno). To bylo technicky možné díky vyvinutí inovativní metody vyjímání příznaků. Jiný model je schopen rozeznávat složitá gesta prováděná v prostoru. V tomto případě výzkumníci IMS vyvinuli systém složený z mikrokontroléru a senzoru s absolutní (3D) orientací, který je schopen rozeznat číslice napsané v prostoru. „Jednou možnou aplikací by zde byla obsluha nositelné elektroniky,“ poukazují výzkumníci. „Aby takový systém komunikace mohl fungovat, musí různí lidé napsat číslice od jedné do devíti několikrát za sebou. Neuronová síť přijme zkušební údaje, naučí se je a v dalším kroku indentifikuje každou z číslic zvlášť. A to je možné provést s jakýmkoliv symbolem, nejen s číslicí.“ To odstraňuje potřebu ovládat zařízení poznáváním řeči: nositelnou elektroniku je možné ovládat gesty a soukromí uživatele je tak chráněno.

Umělá inteligence pro vestavěné systémy – AIfES. (Zdroj: Fraunhofer IMS)

Pro potenciální aplikaci AIfES neexistují prakticky žádné hranice: Např. náramek s integrovaným rozpoznáváním gest by se mohl použít k ovládání osvětlení ve vnitřních prostorách. A AIfES může nejen gesta rozpoznávat, ale může též monitorovat, jak dobře byla provedena. Cviky a pohyby ve fyzioterapii a fitnessu je možné hodnotit, aniž by k tomu bylo potřeba trenéra nebo terapeuta. Soukromí je zachováno, protože zde není použita ani kamera, ani cloud. AIfES je možné použít v řadě odvětví, jako jsou např. automobilismus, lékařství, Smart Home a Průmysl 4.0.

Decentralizovaná umělá inteligence (AI)

AIfES má řadu dalších předností: knihovna umožňuje decentralizovat výpočetní kapacitu – například tím, že umožní malým vestavěným systémům přijímat data před jejich zpracováním a předat výsledky nadřazenému systému. To výrazně snižuje množství přepravovaných dat. A navíc je možné zavést síť malých systémů schopných učení, které si úkoly rozdělují mezi sebou.

Deep learning

AIfES běžně obsahuje neuronovou síť s dopředně vazebnou (deepforward) strukturou, která rovněž podporuje vícevrstvé neuronové sítě. „My jsme naše řešení programovali tak, že můžeme popsat celou síť jedinou funkcí,“ říká Gembaczka. Integrace dalších forem síťoví a struktur je v současnosti ve stadiu vývoje. Výzkumný pracovník a jeho spolupracovníci pak navíc k jiným učebním algoritmům a předváděcím modelům dále vyvíjejí hardwarové komponenty pro neuronové sítě. Fraunhofer IMS v současnosti pracuje na mikroprocesoru typu RISK-V, který bude mít hardwarový akcelerátor výslovně určený pro neuronové sítě. Pro tento hardware se optimalizuje speciální verze AIfES s cílem optimálního využití zdroje.

Výzkumný tým vystavil energeticky nezávislý proudový senzor v integrované umělé inteligenci na veletrhu Sensor & Test v Norimberku v červnu loňského roku.

Ivan Šiman

www.aifes.de

Další články

Průmysl 4.0
Výzkum/ vývoj
Automatizace, regulace
Elektrotechnika a regulace

Komentáře

Nebyly nalezeny žádné příspěvky

Sledujte nás na sociálních sítích: