Ökosystem für Sensorik am Netzwerkrand

In diesem Blog werden verschiedene Ansätze für Sensorsystemarchitekturen vorgestellt und verglichen, die für IoT und Edge-Computing entwickelt wurden.  Jeder Ansatz hat Vor- und Nachteile in Bezug auf die Komplexität und den Stromverbrauch des Systems.

MEMS als intelligente Systeme

Es gibt drei Hauptansätze für die Schaffung eines intelligenten Sensorsystems am Netzwerkrand (Edge), die in Abbildung 1 beschrieben sind. Der „klassische Ansatz“ ist sehr flexibel, da alle Algorithmen auf der Host-MCU laufen.

Die Integration von maschinellem Lernen und digitaler Signalverarbeitung in Sensoren ist ein wichtiger Schritt auf dem Weg zu „echtem“ Edge-Computing. Diese Konvergenz, insbesondere bei MEMS-Komponenten (MikroElektroMechanische Systeme), ermöglicht es Edge-Systemen, Daten nicht nur zu erfassen, sondern auch zu interpretieren und in Echtzeit zu verarbeiten. Eingebettete Intelligenz in den Sensoren verbessert die Effizienz der Datenverarbeitung und ermöglicht schnellere und kontextbezogenere Reaktionen am Rande des Netzes.

Abbildung 1: Übliche Architekturen von Sensorsystemen. (Bildquelle: STMicroelectronics)

Klassischer Ansatz

In einer klassischen Computerarchitektur ist der Mikrocontroller (MCU) die Zentrale für die Verarbeitung von Sensordaten und enthält die Algorithmen für die Sensorverarbeitung. Dieser Ansatz ist sehr flexibel in Bezug auf die Übertragbarkeit von Firmware und ist die am besten skalierbare Architektur für die Verarbeitung komplexer Algorithmen. Diese Architektur erfordert jedoch, dass die Sensordaten vom Sensor zur MCU übertragen werden, und zwar häufig mit hohen Datenraten. Die MCU muss auch die Rohdaten filtern, um die für einen funktionierenden Algorithmus benötigten Daten zu finden, und kann viele der übertragenen Proben verwerfen. Dies führt zu einer geringeren Effizienz und in der Regel zu einem höheren Stromverbrauch des Systems, was bei der IoT-Datenverarbeitung sehr wichtig sein kann. Darüber hinaus muss die MCU mit einer angemessenen Flash-Größe und einem angemessenen Speicher ausgestattet sein, damit sie alle Algorithmen ausführen kann, was die Kosten und die Komplexität des Systems erhöht.

Kern für maschinelles Lernen (MLC)

Ein zweiter Ansatz für die IoT-Edge-Verarbeitung ist der in Abbildung 2 dargestellte Kern für maschinelles Lernen. Der MLC ist eine in den Sensor eingebettete Engine, die so trainiert werden kann, dass sie bestimmte Ereignisse durch überwachtes Lernen erkennt. Der MLC besteht aus einem Berechnungsblock, einer Filterung und einem auf Metaklassifikationen basierenden Entscheidungsbaum.

Der MLC-Sensor kann Bewegungen erkennen und schließlich „Ereignisse“ an die MCU übermitteln, anstatt die Rohdaten, wodurch eine bessere Energieeffizienz des Systems erreicht wird. Bei MLC-fähigen Sensoren befinden sich die Algorithmusdaten hauptsächlich im Sensor selbst. Der MLC ist weniger skalierbar als eine klassische Computing-Architektur, da er speziell mit den Sensordaten arbeitet. Der MLC kann jedoch sehr nützlich sein, wenn es um die Entwicklung von schwer zu programmierenden Ereignissen geht, wie z. B. Gesten und Vibrationspegel.

Abbildung 2: Sensor mit integriertem Kern für maschinelles Lernen. (Bildquelle: STMicroelectronics)

Integrierte Sensorverarbeitungseinheit (ISPU)

Die ISPU ist ein Sensor mit einem integrierten digitalen Signalprozessor (DSP), der die Sensordaten lokal auf dem Chip verarbeitet. Die ISPU ist portabler als der eingebettete maschinelle Lernansatz, da sie Standard-C-Code für komplexere Sensor-Algorithmen ausführen kann. Der DSP in der ISPU ist jedoch ein dedizierter Kern, der für sensorbezogene Operationen vorgesehen ist, und unterliegt in Bezug auf Code- und Datenkonstrukte größeren Beschränkungen als der klassische Ansatz.

Ähnlich wie der MLC optimiert die ISPU die benötigte Rechenleistung, da sie die Sensordaten in Echtzeit verarbeitet, ohne dass die Daten zur Verarbeitung an die MCU übertragen werden müssen. Im Gegensatz zum MLC-Ansatz bietet die ISPU auch eine höhere Verarbeitungsleistung im KI-fähigen programmierbaren Kern (ML und NN). Da die ISPU mit der Sprache C arbeitet, ist sie mit vielen kommerziellen und Open-Source-KI-Modellen kompatibel.

Abbildung 3: Merkmale der integrierten Sensorverarbeitungseinheit. (Bildquelle: STMicroelectronics)

Um KI erfolgreich in sensorbezogenen Anwendungen einsetzen zu können, müssen auch neue Tools und Softwarebeispiele genutzt werden, um eine intelligente Sensorarchitektur schnell anzupassen. Ein solches Tool, das mit allen drei oben genannten Ansätzen kompatibel ist, ist Nano Edge™ AI Studio (NEAi). Dies ist ein kostenloses PC-basiertes Entwicklungsstudio für Entwickler. NEAi erfordert keine fortgeschrittenen datenwissenschaftlichen Kenntnisse, und Softwareentwickler können in der benutzerfreundlichen Umgebung optimale tinyML®-Bibliotheken erstellen. NEAi kann vier Arten von Bibliotheken erstellen: Bibliotheken zur Erkennung von Anomalien, zur Erkennung von Ausreißern, zur Klassifizierung und zur Regression. Weitere Informationen über die Verwendung der ISPU für Anwendungen zur Erkennung von Anomalien mit dem NEAi-Softwaretool finden Sie in Referenz Nr. 4 unten.

Fazit

Es gibt mehrere Möglichkeiten für die Rechenarchitektur von Sensoren in Edge-Computing-Anwendungen.  Entscheidungen auf der Grundlage von Daten „an der Quelle“ zu treffen, ist nachhaltiger und spart Zeit und Energie, da die Daten in Echtzeit verarbeitet werden. Durch die Nutzung eingebetteter Funktionen für maschinelles Lernen und künstliche Intelligenz in MEMS-Sensoren und -Toolketten werden neue IoT-Edge-Computing-Systeme Anwendungen wie wirklich nachhaltige Smart Cities, verbesserten Fertigungsdurchsatz und Wearable-Sensoren mit geringem Stromverbrauch im Gesundheitswesen und darüber hinaus ermöglichen.

Referenzen

1. MEMS-Sensor-Ökosystem für maschinelles Lernen:

   https://www.st.com/content/st_com/en/ecosystems/MEMS-Sensors-Ecosystem-for-Machine-Learning.html#stm32ce-MachineLearningCore

2. Wie man MEM-Sensoren mit einer intelligenten Verarbeitungseinheit zur Erkennung von Anomalien einsetzt:

   https://community.st.com/t5/mems-and-sensors/how-to-use-mems-sensors-with-an-intelligent-processing-unit-for/ta-p/49634

3. Energieeffiziente Sensor-Fusion in MEMS-Trägheitsmesseinheit:

   https://community.st.com/t5/mems-and-sensors/how-lsm6dsv16x-enables-sensor-fusion-low-power-sflp-algorithm/ta-p/585084

4. Verwendung von MEMS-Sensoren mit einer intelligenten Verarbeitungseinheit für Anwendungen zur Erkennung von Anomalien mit dem NEAi-Softwaretool

   https://community.st.com/t5/mems-and-sensors/how-to-use-mems-sensors-with-an-intelligent-processing-unit-for/ta-p/49634