¿Necesita realmente todos esos datos sin procesar de los sensores? ¡No! Hay una mejor manera

Si está creando aplicaciones que se alimentan de flujos de datos de sensores, es muy probable que sea un fanático de los datos como yo. Hay una cierta sensación de satisfacción al ver que sus dispositivos sensores vierten datos en sus aplicaciones, y es fácil agregar más flujos de datos con la gran cantidad de sensores disponibles.

Los sistemas de sensores pueden capturar macroeventos que se descomponen en una extensa secuencia de mediciones con un nivel de detalle increíble. Sin embargo, hasta el más ferviente fanático de los datos admitirá que las cantidades masivas de datos sin procesar por sí mismas no hacen avanzar los objetivos de la aplicación. Se trata de los eventos en sí mismos y no de las mediciones de cada uno de ellos divididas en partes muy pequeñas. Afortunadamente, la aparición de sensores inteligentes puede ayudar a reorientar el enfoque en eventos de importancia para las aplicaciones y sus usuarios.

A medida que se vuelve más fácil generar más datos de sensores, los flujos de datos se convierten en una avalancha de mediciones sin procesar que pueden abrumar al hardware y software integrados que tienen como propósito hacer algo útil con todos esos datos. No se trata solo de que los datos superen las capacidades de la canalización del procesamiento y las comunicaciones. Las mediciones detalladas pueden convertirse en una distracción para los desarrolladores y usuarios de aplicaciones, ya que se enfocan en los pequeños detalles en lugar de en las abstracciones de alto nivel que suelen ser necesarias para la toma de decisiones.

Lidiar con abstracciones

La abstracción implica, por definición, cierta pérdida de detalle. En el caso de las aplicaciones centradas en los datos, trabajar con datos derivados abstraídos de varias mediciones sin procesar puede inquietar a los ingenieros que, comprensiblemente, están preocupados por la pérdida de algún detalle que podría resultar importante más adelante. Sin duda, se trata de una preocupación válida para las aplicaciones, como los registradores de datos para el transporte o la seguridad, que necesitan identificar algún evento novedoso o desentrañar alguna causa raíz.

Sin embargo, para muchas aplicaciones industriales y de consumo, las características específicas de un evento de interés son bien conocidas. La caída repentina de una persona o un objeto genera artefactos por movimiento específicos y los fallos de los motores industriales presentan patrones de vibración predecibles. Los detalles de esas características no suelen ser importantes para muchas aplicaciones de nivel superior. La aplicación solo necesita que se le avise cuando se produce una caída o un fallo. Por supuesto, los mecanismos utilizados para detectar la condición de alerta requieren mediciones detalladas de los sensores.

Me enfrenté a ese mismo problema en un proyecto que generaba una cantidad enorme de datos para una aplicación que se ocupaba de eventos de alto nivel. Los datos detallados eran necesarios para generar esa información relacionada con eventos de alto nivel, pero nos quedaríamos sin almacenamiento si intentáramos archivar algún dato de medición, más allá de una breve ventana de actividad. Un método de abstracción basado en el aprendizaje automático y en otros métodos analíticos fue la solución.

Después de muchas pruebas, estábamos seguros de que podíamos generar la abstracción sobre la marcha y simplemente escribir sobre los datos de medición antiguos.

Enfoque en los eventos

Los sensores de última generación, como la línea de unidades de medición inercial (IMU) iNEMO de STMicroelectronics, ofrecen este tipo de capacidad para aplicaciones de funcionamiento permanente. Las IMU de bajo consumo incluyen el LSM6DSOX para aplicaciones orientadas al consumidor alimentadas por batería, el LSM6DSRX para aplicaciones de alta precisión y el ISM330DHCX para aplicaciones industriales. Estas IMU integran una máquina de estado finito (FSM) programable y un núcleo de aprendizaje automático (MLC) que puede entrenar utilizando sus propios conjuntos de datos de entrenamiento (véase “Utilizar el núcleo de aprendizaje automático integrado de un sensor inteligente para optimizar el seguimiento del movimiento 'de funcionamiento permanente'”).

Cuando uno de estos dispositivos detecta los patrones asociados a un evento de interés, puede generar una interrupción para un procesador anfitrión. El procesador anfitrión puede luego ejecutar la lógica apropiada relacionada con la aplicación. De hecho, si desea solo los datos de movimiento sin procesar o en combinación con las interrupciones de eventos, puede leer los datos de medición sin procesar, como con cualquier sensor de movimiento (Figura 1).

Figura 1: Las IMU iNEMO de STMicroelectronics integran una cadena digital completa que genera datos condicionados para la FSM y el MLC integrados, y para el acceso del anfitrión a través del búfer primero en entrar, primero en salir (FIFO) de la IMU. (Fuente de la imagen: STMicroelectronics).

La capacidad del sensor para supervisar sus propias mediciones e identificar eventos más abstractos reduce la carga del procesador y del canal de comunicaciones, y señala el camino hacia una nueva generación de sensores inteligentes. Y, lo que es más importante, los sensores capaces de analizar internamente los datos sin procesar y producir información útil señalan el camino hacia diseños de ML más eficientes que suministran más datos derivados que mediciones sin procesar.

Conclusión

Centrar una solución de aplicación en los datos derivados en lugar de las mediciones sin procesar no requiere un sensor con capacidad de ML. Para conjuntos de datos relativamente sencillos, el procesador anfitrión del sistema de sensores puede tener suficientes ciclos disponibles para ejecutar un árbol de decisiones que identifique eventos. Sin embargo, para implementaciones más grandes, se puede utilizar un recurso de computación periférica entre el sensor y el anfitrión ascendente para realizar la transformación de la abstracción. Independientemente de cómo se haga, la reducción de datos a abstracciones útiles ayuda a las áreas de aplicación en las que menos puede ser más.

Referencias:

Utilice el núcleo de aprendizaje automático integrado de un sensor inteligente para optimizar el seguimiento de movimiento “siempre encendido”

1: https://www.digikey.com/es/articles/use-a-smart-sensors-built-in-machine-learning-core-to-optimize-always-on-motion-tracking