- 傳感器的機器學習
- 來源：賽斯維傳感器網 發表于 2020/11/9
AIfES演示器，用于手寫識別。手寫在PS / 2觸摸板上的數字由微控制器識別并輸出。圖片來源：Fraunhofe
如今，從洗衣機到血壓計和可穿戴設備，幾乎所有技術設備中都可以找到微控制器。弗勞恩霍夫大學微電子電路與系統研究所的研究人員開發了AIfES，這是一種用于微控制器和傳感器的人工智能（AI）概念，其中包含一個完全可配置的人工神經網絡。AIfES是一個獨立于平臺的機器學習庫，可用于實現無需連接到云或高性能計算機的自學習微電子學。與傳感器相關的AI系統可以識別手寫和手勢，例如，當庫在可穿戴設備上運行時，可以控制輸入的手勢。
當前存在多種用于機器學習的軟件解決方案，但通常它們僅適用于PC，并且基于Python編程語言。仍然沒有解決方案可以執行和訓練神經網絡在諸如微控制器的嵌入式系統上。盡管如此，直接在嵌入式系統中進行訓練還是很有用的，例如當植入的傳感器要自我校準時。視覺是與傳感器相關的AI，可以直接集成到傳感器系統中。Fraunhofer IMS的一組研究人員以AIfES（嵌入式系統人工智能）的形式實現了這一愿景，AIfES是一種用C編程的機器學習庫，可以在微控制器上運行，也可以在其他平臺（例如PC，Raspberry PI）上運行和Android。該庫當前包含一個完全可配置的人工神經網絡（ANN），必要時它還可以生成用于深度學習的深度網絡。人工神經網絡是一種嘗試使用算法在數學上模擬人腦，以使算法可以學習的功能上下文。AIfES已針對嵌入式系統進行了優化。
“我們將源代碼降至最低，這意味著可以在微控制器或傳感器（即嵌入式系統）上直接訓練ANN。此外，源代碼是通用的，并且可以在幾乎任何平臺上進行編譯。因為始終使用相同的算法，例如在PC上生成的ANN可以輕松地移植到微控制器。到目前為止，使用市售軟件解決方案無法以這種形式實現，” Fraunhofer IMS研究助理Pierre Gembaczka博士說。
保護隱私
Fraunhofer IMS的與傳感器相關的AI的另一個獨特的合格功能：到目前為止，人工智能和神經網絡已主要用于圖像處理和語音識別，有時數據會離開本地系統。例如，語音配置文件是在外部服務器上的云中處理的，因為本地系統的計算能力并不總是足夠的�！霸诖诉^程中很難保護隱私，并且會傳輸大量數據。這就是為什么我們選擇了不同的方法，而放棄了云中的機器學習過程，而直接在嵌入式系統中使用機器學習的原因。
由于沒有敏感數據離開系統，因此可以保證數據保護并顯著減少要傳輸的數據量，” Fraunhofer IMS的“嵌入式系統”部門經理Burkhard Heidemann說，“當然，不可能實現深層的在嵌入式系統上學習模型，因此我們正在加大努力以進行優雅的特征提取以減少輸入信號�！蓖ㄟ^將AI直接嵌入微控制器中，研究人員可以為設備提供附加功能，而無需用于昂貴的硬件修改。
AIfES演示器，用于手寫識別。所有功能都已集成在Arduino UNO上，它可以讀取觸摸板的傳感器值，執行數字識別并將結果輸出到顯示屏。圖片來源：Fraunhofer-Gesellschaft
減少數據
AIfES并不專注于處理大量數據，而是僅傳輸構建非常小的神經網絡所需的數據�！拔覀儾蛔裱幚泶髷祿内厔�；我們堅持絕對必要的數據，并在嵌入式系統中創建一種微智能，可以解決有問題的任務。我們開發了新的特征提取和新功能。針對每個問題的數據預處理策略，以便我們可以實現最小的人工神經網絡。這使對控制器本身的后續學習成為可能�！� Gembaczka解釋說。
該方法已經以若干示威者的形式付諸實踐。例如，如果研究團隊在便宜的8位微控制器（Arduino Uno）上實現了手寫數字的識別。通過開發創新的特征提取方法，這在技術上成為可能。另一個演示者能夠識別空中復雜的手勢。IMS科學家在這里開發出了一個系統，該系統由一個微控制器和一個絕對方位傳感器組成，該傳感器可以識別空中寫的數字。研究人員指出：“一種可能的應用是可穿戴設備的操作�！� “為了使這種通信有效，各個人多次將數字寫成1到9。神經網絡接收到這些訓練數據，從中學習并在下一步中獨立識別數字。而且幾乎所有數字都可以訓練，而不僅僅是數字�！边@消除了使用以下方法控制設備的需求語音識別：可穿戴設備可以通過手勢進行控制，并且用戶的隱私得到保護。
AIfES的潛在應用實際上沒有任何限制：例如，具有集成手勢識別功能的腕帶可用于控制室內照明。而且，AIfES不僅可以識別手勢，還可以監視手勢的完成程度。無需教練或治療師即可評估物理療法和健身中的運動和動作。由于不使用相機或云，因此可以保持隱私。AIfES可用于各種領域，例如汽車，醫藥，智能家居和工業4.0。
分散式人工智能
AIfES還有更多優勢：該庫可以分散計算能力，例如，允許小型嵌入式系統在處理之前接收數據并將結果傳遞給上級系統。這大大減少了要傳輸的數據量。另外，有可能實現一個小型的具有學習能力的系統網絡，這些系統在自己之間分配任務。
深度學習
AIfES當前包含具有前饋結構的神經網絡，該結構也支持深度神經網絡。Gembaczka說：“我們對解決方案進行了編程，以便我們可以描述具有一個功能的完整網絡。” 整合附加網絡形式和結構目前正在開發中。此外，除其他學習算法和演示器外，研究人員及其同事還開發了神經網絡的硬件組件。Fraunhofer IMS當前正在研究RISC-V微處理器，該處理器將具有專門用于神經網絡的硬件加速器。正在為此硬件優化AIfES的特殊版本，以便最佳利用資源。
- 如果本文收錄的圖片文字侵犯了您的權益，請及時與我們聯系，我們將在24內核實刪除，謝謝！
