Écosystème pour la détection en périphérie

Cet article de blog présente et compare plusieurs approches d'architectures de systèmes de détection conçues pour l'IoT et l'edge computing. Chaque approche présente des avantages et des inconvénients en termes de complexité et de consommation énergétique du système.

Les MEMS en tant que systèmes intelligents

Il existe trois approches principales de création d'un système de capteur intelligent en périphérie. Ces approches sont décrites à la Figure 1. L'approche « classique » est très flexible, avec des algorithmes complets exécutés sur le microcontrôleur hôte.

L'intégration de l'apprentissage automatique et du traitement des signaux numériques dans les capteurs constitue une étape clé vers le « véritable » edge computing. Grâce à cette convergence, en particulier au sein des dispositifs MEMS (microsystèmes électromécaniques), les systèmes périphériques peuvent non seulement capturer des données, mais également les interpréter et intervenir en temps réel. L'intelligence embarquée dans les capteurs améliore l'efficacité du traitement des données, ce qui permet d'obtenir en périphérie des réponses plus rapides et plus pertinentes sur le plan contextuel.

Figure 1 : Architectures principales des systèmes de capteurs. (Source de l'image : STMicroelectronics)

Approche classique

Dans une architecture informatique classique, le microcontrôleur (MCU) est le centre de traitement des données des capteurs et contient les algorithmes de traitement des capteurs. Cette approche est très flexible en termes de portabilité du micrologiciel et constitue l'architecture la plus évolutive pour le traitement d'algorithmes complexes. Toutefois, cette architecture nécessite que les données du capteur soient transmises du capteur au microcontrôleur, souvent à des débits de données élevés. Le microcontrôleur doit également filtrer les données brutes pour trouver ce dont il a besoin pour le fonctionnement d'un algorithme et peut rejeter un grand nombre d'échantillons transmis. Cela engendre un rendement plus faible et une consommation énergétique du système généralement plus élevée, ce qui peut être très important dans l'informatique IoT. Par ailleurs, il convient de choisir le bon microcontrôleur en termes de taille de mémoire et de mémoire Flash afin qu'il puisse exécuter tous les algorithmes, ce qui augmente le coût et la complexité du système.

Cœur d'apprentissage automatique (MLC)

Une deuxième approche du traitement IoT en périphérie est le cœur d'apprentissage automatique illustré à la Figure 2. Le MLC est un moteur intégré au capteur, qui peut être entraîné afin de reconnaître des événements spécifiques grâce à l'apprentissage supervisé. Le MLC se compose d'un bloc de calcul, d'une étape de filtrage et d'un arbre de décision basé sur des méta-classifications.

Le capteur MLC peut détecter les mouvements et communiquer les « événements » au microcontrôleur plutôt que des données brutes, ce qui permet d'améliorer le rendement énergétique du système. Dans les capteurs compatibles avec l'architecture MLC, les données de l'algorithme sont principalement contenues dans le capteur lui-même. L'architecture MLC est moins évolutive qu'une architecture informatique classique, car elle agit spécifiquement sur les données des capteurs. Elle peut cependant s'avérer très utile pour le développement d'événements difficiles à programmer, comme les gestes et les niveaux de vibration.

Figure 2 : Capteur avec cœur d'apprentissage automatique intégré. (Source de l'image : STMicroelectronics)

Unité de traitement de capteur intégrée (ISPU)

L'ISPU est un capteur doté d'un processeur de signaux numériques (DSP) intégré, conçu pour traiter les données du capteur localement, au sein de la puce. L'unité ISPU est plus portable que l'approche avec apprentissage automatique embarqué, car elle peut exécuter du code C standard pour les algorithmes de capteurs plus complexes. Cependant, le DSP de l'ISPU est un cœur dédié prévu pour les opérations liées aux capteurs et présente plus de contraintes en termes de code et de construction de données que l'approche classique.

Comme l'architecture MLC, l'ISPU optimise la puissance de calcul requise en exploitant les données du capteur en temps réel, sans avoir besoin de transférer les données en amont vers le microcontrôleur pour les traiter. Contrairement à l'approche MLC, l'ISPU offre également une plus grande capacité de traitement dans le cœur programmable compatible avec l'IA (apprentissage automatique et réseau neuronal). Étant donné que l'ISPU utilise le langage C, l'unité est compatible avec de nombreux modèles d'IA commerciaux et open-source.

Figure 3 : Fonctionnalités de l'unité de traitement de capteur intégrée. (Source de l'image : STMicroelectronics)

Pour réussir à tirer parti de l'IA dans les applications liées aux capteurs, de nouveaux outils et des exemples logiciels doivent également être utilisés pour adapter rapidement une architecture de capteurs intelligents. Nano Edge™ AI Studio (NEAi) fait partie de ces outils et est compatible avec les trois approches ci-dessus. Il s'agit d'un studio de développement gratuit basé sur PC pour les développeurs. NEAi ne nécessite pas de compétences avancées en science des données, et les développeurs de logiciels peuvent créer des bibliothèques tinyML® optimales à partir d'un environnement convivial. NEAi peut générer quatre types de bibliothèques : des bibliothèques de détection d'anomalies, de détection de valeurs aberrantes, de classification et de régression. Pour en savoir plus sur l'utilisation de l'ISPU pour des applications de détection d'anomalies à l'aide de l'outil logiciel NEAi, reportez-vous à la référence 4 ci-dessous.

Conclusion

Il existe plusieurs options d'architecture informatique pour les capteurs dans les applications d'edge computing. La prise de décisions sur la base de données « à la source » est plus durable, car elle permet de réduire le temps et l'énergie nécessaires en agissant sur les données en temps réel. En exploitant les capacités d'apprentissage automatique et d'intelligence artificielle intégrées dans les chaînes d'outils et les capteurs MEMS, les nouveaux systèmes d'edge computing IoT permettront de créer des applications comme des villes intelligentes vraiment durables, une amélioration du flux de fabrication et des capteurs corporels basse consommation dans le domaine de la santé et au-delà.

Références

1. Écosystème de capteurs MEMS pour l'apprentissage automatique :

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

2. Comment utiliser des capteurs MEMS avec une unité de traitement intelligente pour la détection d'anomalies :

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

3. Technologie SFLP dans une unité de mesure inertielle MEMS :

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

4. Comment utiliser des capteurs MEMS avec une unité de traitement intelligente pour les applications de détection d'anomalies à l'aide de l'outil logiciel NEAI :

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