微控制器幾乎可以在任何技術設備中找到

如今，微控制器幾乎可以在任何技術設備中找到，從洗衣機到血壓計和可穿戴設備。弗勞恩霍夫微電子電路與系統(tǒng)研究所的研究人員開發(fā)了AIfES，這是一種用于微控制器和傳感器的人工智能(AI)概念，包含完全可配置的人工神經(jīng)網(wǎng)絡。AIfES是一個獨立于平臺的機器學習庫，可用于實現(xiàn)無需連接到云或高性能計算機的自學微電子。與傳感器相關的AI系統(tǒng)識別手寫和手勢，例如當庫在可穿戴設備上運行時實現(xiàn)輸入的手勢控制。

目前存在各種用于機器學習的軟件解決方案，但通常它們僅適用于PC并且基于編程語言Python。仍然沒有解決方案可以執(zhí)行和訓練神經(jīng)網(wǎng)絡在微控制器等嵌入式系統(tǒng)上。然而，直接在嵌入式系統(tǒng)中進行訓練可能是有用的，例如當植入的傳感器要自我校準時。愿景是與傳感器相關的AI，可以直接集成在傳感器系統(tǒng)中。Fraunhofer IMS的一組研究人員以AIfES(嵌入式系統(tǒng)人工智能)的形式實現(xiàn)了這一愿景，這是一個用C編程的機器學習庫，可以在微控制器上運行，也可以在其他平臺上運行，如PC，Raspberry PI和Android。該庫目前包含一個完全可配置的人工神經(jīng)網(wǎng)絡(ANN)，它還可以在必要時生成深度學習的深層網(wǎng)絡。ANN是一種嘗試使用算法在數(shù)學上模擬人類大腦，以使功能上下文可以學習算法。AIfES專門針對嵌入式系統(tǒng)進行了優(yōu)化。

“我們已經(jīng)將源代碼減少到最小，這意味著ANN可以直接在微控制器或傳感器(即嵌入式系統(tǒng))上進行培訓。此外，源代碼普遍有效，幾乎可以在任何平臺上編譯?？偸鞘褂孟嗤乃惴ǎ缭赑C上生成的ANN可以很容易地移植到微控制器上。到目前為止，這種形式已經(jīng)不可能通過商用軟件解決方案實現(xiàn)，“Fraunhofer IMS的研究助理Pierre Gembaczka博士說。 。

Fraunhofer IMS傳感器相關人工智能的另一個獨特資格特征：到目前為止，人工智能和神經(jīng)網(wǎng)絡主要用于圖像處理和語音識別，有時數(shù)據(jù)會離開本地系統(tǒng)。例如，語音配置文件在外部服務器上的云中處理，因為本地系統(tǒng)的計算能力并不總是足夠的。“在這個過程中很難保護隱私，并且傳輸了大量的數(shù)據(jù)。這就是為什么我們選擇了不同的方法，并且正在轉(zhuǎn)向云中的機器學習過程，而不是直接在嵌入式系統(tǒng)中進行機器學習。

由于沒有敏感數(shù)據(jù)離開系統(tǒng)，因此可以保證數(shù)據(jù)保護，并且可以大大減少要傳輸?shù)臄?shù)據(jù)量，“Fraunhofer IMS的”嵌入式系統(tǒng)“集團經(jīng)理Burkhard Heidemann說道。”當然不可能實現(xiàn)巨大的深度在嵌入式系統(tǒng)上學習模型，因此我們正在努力提供優(yōu)雅的特征提取以減少輸入信號。“通過將AI直接嵌入微控制器，研究人員可以在不需要的情況下為設備配備額外的功能用于昂貴的硬件修改。

AIfES不專注于處理大量數(shù)據(jù)，而只轉(zhuǎn)移構建非常小的神經(jīng)網(wǎng)絡所需的數(shù)據(jù)。“我們沒有遵循處理大數(shù)據(jù)的趨勢;我們堅持使用絕對必要的數(shù)據(jù)，并在嵌入式系統(tǒng)中創(chuàng)建一種可以解決相關任務的微智能。我們開發(fā)新功能提取和新功能每個問題的數(shù)據(jù)預處理策略，以便我們可以實現(xiàn)盡可能小的ANN。這使得后續(xù)學習控制器本身，“Gembaczka解釋說。

該方法已經(jīng)以幾個示威者的形式付諸實踐。例如，研究團隊在廉價的8位微控制器(Arduino Uno)上實現(xiàn)了對手寫數(shù)字的識別。通過開發(fā)創(chuàng)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在空中制作的復雜手勢。IMS科學家在這里開發(fā)了一個由微控制器和絕對定向傳感器組成的系統(tǒng)，可以識別空中寫入的數(shù)字。“這里有一個可能的應用就是可穿戴設備的操作，”研究人員指出。“為了使這種類型的通信工作，各個人多次寫入數(shù)字1到9。神經(jīng)網(wǎng)絡接收這種訓練數(shù)據(jù)，從中學習并在下一步中獨立識別數(shù)字。幾乎任何數(shù)字都可以訓練，而不僅僅是數(shù)字。“這消除了使用控制設備的需要語音識別：可以通過手勢控制可穿戴設備，并保護用戶的隱私。

對于AIfES的潛在應用幾乎沒有限制：例如，具有集成手勢識別的腕帶可用于控制室內(nèi)照明。AIfES不僅可以識別手勢，還可以監(jiān)控手勢的制作情況。無需教練或治療師即可評估物理治療和健身運動和運動。由于沒有使用相機或云，因此保持了隱私。AIfES可用于各種領域，如汽車，醫(yī)藥，智能家居和工業(yè)4.0。

分散的人工智能

并且AIfES還有更多優(yōu)點：庫可以分散計算能力，例如允許小型嵌入式系統(tǒng)在處理之前接收數(shù)據(jù)并將結果傳遞給上級系統(tǒng)。這大大減少了要傳輸?shù)臄?shù)據(jù)量。此外，可以實現(xiàn)一個小型學習系統(tǒng)的網(wǎng)絡，這些系統(tǒng)可以在它們之間分配任務。

深度學習

AIfES目前包含一個具有前饋結構的神經(jīng)網(wǎng)絡，該結構也支持深度神經(jīng)網(wǎng)絡。“我們對解決方案進行了編程，以便我們可以用一個功能來描述一個完整的網(wǎng)絡，”Gembaczka說。附加網(wǎng)絡的整合形式和結構目前正在開發(fā)中。此外，除了其他學習算法和演示器之外，研究人員和他的同事正在開發(fā)用于神經(jīng)網(wǎng)絡的硬件組件。Fraunhofer IMS目前正在開發(fā)一種RISC-V微處理器，該微處理器將具有專門用于神經(jīng)網(wǎng)絡的硬件加速器。正在針對此硬件優(yōu)化AIfES的特殊版本，以便最佳地利用資源。