L'ecosistema di rilevamento per l'edge computing

In questo blog verranno presentati e messi a confronto diversi approcci alle architetture dei sistemi di rilevamento progettate per IoT e per l'edge computing. Ogni approccio ha i suoi pro e contro in termini di complessità e consumo energetico del sistema.

MEMS come sistemi intelligenti

Gli approcci principali per la creazione di un sistema di sensori intelligenti nell'edge sono tre e sono descritti nella Figura 1. Quello "classico" è molto flessibile, con algoritmi completi in esecuzione nell'MCU host.

L'integrazione dell'apprendimento automatico e dell'elaborazione digitale dei segnali nei sensori rappresenta un passo avanti fondamentale verso il "vero" edge computing. Grazie a questa convergenza, specie all'interno dei dispositivi MEMS (sistemi microelettromeccanici), i sistemi edge possono non solo acquisire i dati ma anche interpretarli e intervenire in tempo reale. L'intelligenza integrata nei sensori migliora l'efficienza dell'elaborazione dei dati, consentendo risposte più rapide e contestualmente più pertinenti sull'edge.

Figura 1: Architetture dei sistemi di sensori tradizionali. (Immagine per gentile concessione di STMicroelectronics)

Approccio classico

In un'architettura di computing classica, il microcontroller (MCU) è l'hub per l'elaborazione dei dati dei sensori e contiene gli algoritmi di elaborazione dei sensori. Si tratta di un approccio molto flessibile in termini di portabilità del firmware ed è anche l'architettura più scalabile per l'elaborazione di algoritmi complessi. Tuttavia, richiede che i dati dei sensori vengano trasmessi dai sensori all'MCU, spesso a velocità elevate. L'MCU deve poi filtrare i dati grezzi per trovare ciò di cui ha bisogno perché un algoritmo possa funzionare e potrebbe scartare molti dei campioni trasmessi. Ne conseguono una minore efficienza e, in genere, consumi energetici del sistema più elevati, due fattori che possono essere molto importanti nell'elaborazione IoT. Inoltre, la scelta deve cadere su un MCU con dimensioni flash e della memoria idonee per eseguire tutti gli algoritmi, il che aumenta il costo e la complessità del sistema.

Machine Learning Core (MLC)

Un secondo approccio all'elaborazione edge IoT è il Machine Learning Core illustrato nella Figura 2. MLC è un motore incorporato nel sensore, che può essere addestrato a riconoscere eventi specifici tramite apprendimento supervisionato. È costituito da un blocco computazionale, un filtro e un albero decisionale basato su meta-classificazioni.

Il sensore MLC è in grado di rilevare i movimenti e di comunicare all'MCU gli "eventi" piuttosto che i dati grezzi, ottenendo una migliore efficienza energetica del sistema. Nei sensori compatibili con MLC, i dati dell'algoritmo sono contenuti principalmente al loro interno. L'MLC è meno scalabile di un'architettura di calcolo classica perché opera specificamente sui dati del sensore. Ma può essere molto utile per lo sviluppo di eventi difficili da programmare, come gesti e livelli di vibrazione.

Figura 2: Sensore con Machine Learning Core integrato. (Immagine per gentile concessione di STMicroelectronics)

Integrated Sensor Processing Unit (ISPU)

L'ISPU è un sensore con un processore di segnali digitali (DSP) integrato progettato per funzionare con i dati del sensore localmente, nel chip. È più portatile rispetto all'approccio di apprendimento automatico incorporato, perché può eseguire codice C standard per algoritmi di sensori più complessi. Tuttavia, il DSP nell'ISPU è un core dedicato destinato alle operazioni che riguardano i sensori e presenta maggiori vincoli in termini di codice e costrutti di dati rispetto all'approccio classico.

Analogamente all'MLC, l'ISPU ottimizza la potenza di calcolo richiesta perché opera sui dati del sensore in tempo reale, senza doverli trasferire a monte all'MCU per l'elaborazione. A differenza dell'approccio dell'MLC, l'ISPU offre anche una maggiore capacità di elaborazione nel core programmabile abilitato all'intelligenza artificiale (ML e NN). Dato che funziona con il linguaggio C, l'ISPU è compatibile con numerosi modelli di IA commerciali e open-source.

Figura 3: Caratteristiche dell'unità integrata di elaborazione dei sensori. (Immagine per gentile concessione di STMicroelectronics)

Per sfruttare l'IA nelle applicazioni che riguardano i sensori, è necessario utilizzare anche nuovi strumenti ed esempi di software per adattare rapidamente un'architettura di sensori intelligenti. Uno di questi strumenti, compatibile con tutti e tre gli approcci ricordati sopra, è Nano Edge™ AI Studio (NEAi). Si tratta di uno studio di sviluppo gratuito basato su PC per sviluppatori. NEAi non richiede competenze avanzate di data science e gli sviluppatori di software possono creare librerie tinyML® ottimali da un ambiente intuitivo. NEAi è in grado di generare quattro tipi di librerie: rilevamento delle anomalie, rilevamento dei valori anomali, classificazione e librerie di regressione. Per ulteriori informazioni su come utilizzare l'ISPU per le applicazioni di rilevamento delle anomalie tramite lo strumento software NEAi, vedere il riferimento n. 4 di seguito.

Conclusione

Per l'architettura di calcolo per i sensori nelle applicazioni di edge computing esistono diverse scelte. Prendere decisioni sui dati "alla fonte" è più sostenibile, poiché agendo sui dati in tempo reale si riducono i tempi e l'energia. Sfruttando le funzionalità integrate di apprendimento automatico e IA nei sensori MEMS e nelle catene di strumenti, i nuovi sistemi di edge computing IoT renderanno possibili applicazioni come città intelligenti veramente sostenibili, un maggior throughput di produzione e sensori indossabili a basso consumo nel settore sanitario e non solo.

Riferimenti

1. Ecosistema di sensori MEMS per l'apprendimento automatico:

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

2. Come utilizzare i sensori MEM con un'unità di elaborazione intelligente per il rilevamento delle anomalie:

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

3. Fusione sensoriale a basso consumo nell'unità di misurazione inerziale MEMS:

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

4. Come utilizzare i sensori MEMS con un'unità di elaborazione intelligente per applicazioni di rilevamento delle anomalie tramite lo strumento software NEAi

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