Embedded Machine Learning: Mikrointelligenz für Sensoren

| |
1 Star2 Stars3 Stars4 Stars5 Stars

Elektronik soll das Leben zukünftig vereinfachen. Da spielt Künstliche Intelligenz (KI) natürlich eine wichtige Rolle. Eine neue Entwicklung will sie dazu nun auch in Kleinstgeräte ganz ohne Cloud-Anbindung und PC-Power bringen.

Mikrocontroller sind die heimlichen Helden unseres Lebens. Ob in Smartphones, Autos, Waschmaschinen oder in der Zahnbürste – sie treffen mittlerweile in nahezu jedem elektronischen Gerät die Entscheidungen. Und oftmals liefern Sensoren die dafür nötigen Daten, auf die dann Algorithmen des maschinellen Lernens angewendet werden können.

Aktuelle Softwarelösungen nutzen allerdings Python als Programmiersprache und sind in der Regel nur für den PC verfügbar. Aktuell lassen sich also neuronale Netze auf eingebetteten Systemen mit Mikrocontrollern nicht trainieren und ausführen.

Mit AIfES (Artificial Intelligence for Embedded Systems) hat ein Forscherteam am Fraunhofer IMS nun eine Machine-Learning-Bibliothek in der Programmiersprache C entwickelt, die auf Mikrocontrollern lauffähig ist und auch andere Plattformen wie PC, Raspberry PI oder Android unterstützt. Sie umfasst aktuell ein voll konfigurierbares künstliches neuronales Netz (KNN) mit einer sogenannten Feedforward-Struktur, das bei Bedarf auch tiefe Netze für das Deep Learning erzeugen kann. Durch die Reduzierung des Quellcodes lässt sich das KNN direkt auf dem eingebetteten System trainieren.

„Mikrointelligentes“ Embedded Machine Learning

Natürlich sind eingebettete Systeme nicht in der Lage riesige Deep-Learning-Modelle abzuarbeiten. Eine problembezogene Datenvorverarbeitungsstrategie und intelligente Merkmalsextraktion erlauben jedoch zumindest eine Art „Mikrointelligenz“. Die kleinen KNNs gewährleistet dann auch ein nachträgliches Lernen auf dem Controller selbst.

Das Forscherteam realisierte bereits einen Demonstrator zur Erkennung von handgeschriebenen Ziffern auf einem günstigen 8-bit Mikrocontroller (Arduino Uno). Ein weiterer mit einem absoluten Orientierungssensor erkennt in die Luft geschriebene, komplexe Gesten. Zum Trainieren schrieben zum Beispiel verschiedene Personen mehrfach die Ziffern von null bis neun. Das neuronale Netz lernt diese Trainingsdaten und identifiziert sie im nächsten Schritt selbständig. Das funktioniert mit nahezu allen Figuren. So könnte man zum Beispiel Wearables mit einer Gestensteuerung ausstatten, und die Privatsphäre bliebe geschützt.

Den Anwendungsmöglichkeiten von AIfES sind kaum Grenzen gesetzt: So könnte ein Armband mit integrierter Gestenerkennung etwa die Beleuchtung in Gebäuden steuern oder im Reha- oder Fitnessbereich Übungen und Bewegungsabläufe überwachen. Und da weder eine Kamera oder Cloud zum Einsatz kommt, bleibt die Privatsphäre geschützt.

 

 

 

 

Embedded Machine Learning (Bild: Fraunhofer IMS)

Das AIfES erkennt handgeschriebenen Ziffern schon nach einem kurzen Training. (Bild: Fraunhofer IMS).