Ecosistema para la detección en el borde

Este blog presentará y comparará varios enfoques para las arquitecturas de sistemas de detección diseñadas para IoT y computación de borde.  Cada enfoque tiene ventajas y desventajas en términos de complejidad y consumo de energía del sistema.

MEMS como sistemas inteligentes

Hay tres enfoques principales para crear un sistema de sensores inteligentes en el borde, descritos en la Figura 1. El “enfoque clásico” es muy flexible y cuenta con algoritmos completos que se ejecutan en la unidad de microcontrolador host.

La integración del aprendizaje automático y el procesamiento de señales digitales en los sensores representa un paso clave hacia la computación de “borde real”. Esta convergencia, especialmente dentro de los dispositivos MEMS (sistemas microelectromecánicos), permite que los sistemas de borde tengan la capacidad no solo de capturar datos, sino también de interpretarlos y actuar en función de ellos en tiempo real. La inteligencia incorporada en los sensores mejora la eficiencia del procesamiento de datos, lo que permite respuestas más rápidas y contextualmente más relevantes en el borde.

Figura 1: Arquitecturas de sistemas de sensores convencionales. (Fuente de la imagen: STMicroelectronics)

Enfoque clásico

En una arquitectura informática clásica, el microcontrolador (MCU) es el centro para procesar los datos del sensor y contiene los algoritmos de procesamiento del sensor. Este enfoque es muy flexible en términos de portabilidad de firmware y es la arquitectura más escalable para procesar algoritmos complejos. Sin embargo, esta arquitectura requiere que los datos del sensor se transmitan desde el sensor al MCU, a menudo a altas velocidades de datos. El MCU también debe filtrar los datos sin procesar para encontrar lo que necesita para que un algoritmo funcione y puede descartar muchas de las muestras que se transmitieron. Esto genera una menor eficiencia y, generalmente, un mayor consumo de energía del sistema, lo que puede ser muy importante en la informática de IoT. Además, la selección de MCU debe tener un tamaño adecuado, con memoria y tamaño flash, para que pueda ejecutar todos los algoritmos, lo que aumenta el costo y la complejidad del sistema.

Núcleo de aprendizaje automático (MLC)

Un segundo enfoque para el procesamiento de borde de IoT es el núcleo de aprendizaje automático que se muestra en la Figura 2. El MLC es un motor integrado en el sensor, que puede entrenarse para reconocer eventos específicos a través del aprendizaje supervisado. El MLC consta de un bloque de cálculo, filtros y un árbol de decisiones basado en metaclasificaciones.

El sensor del MLC puede detectar movimientos y, en última instancia, comunicar “eventos” a la MCU en lugar de datos sin procesar, lo que posibilita una mejor eficiencia energética del sistema. En los sensores con capacidad de MLC, los datos del algoritmo están contenidos principalmente en el propio sensor. El MLC es menos escalable que una arquitectura informática clásica porque opera específicamente sobre los datos del sensor. Sin embargo, el MLC puede ser muy útil para el desarrollo de eventos difíciles de programar, como gestos y niveles de vibración.

Figura 2: Sensor con núcleo de aprendizaje automático integrado. (Fuente de la imagen: STMicroelectronics)

Unidad de procesamiento de sensor integrado (ISPU)

La ISPU es un sensor con un procesador de señal digital (DSP) integrado que está diseñado para trabajar con datos del sensor localmente, en el chip. La ISPU es más portátil que el enfoque de aprendizaje automático integrado porque puede ejecutar código C estándar para algoritmos de sensores más complejos. Sin embargo, el DSP en la ISPU es un núcleo dedicado a operaciones relacionadas con sensores y tiene más restricciones en términos de código y construcción de datos que el enfoque clásico.

De manera similar al MLC, la ISPU optimiza la potencia computacional requerida porque opera con los datos del sensor en tiempo real, sin necesidad de transferir los datos a la MCU para su procesamiento. A diferencia del enfoque del MLC, la ISPU también ofrece una mayor capacidad de procesamiento en el núcleo programable habilitado por IA (ML y NN). Dado que la ISPU funciona con lenguaje C, es compatible con muchos modelos de IA comerciales y de código abierto.

Figura 3: Características de la unidad de procesamiento de sensor integrado. (Fuente de la imagen: STMicroelectronics)

Para tener éxito en el aprovechamiento de la IA en aplicaciones relacionadas con sensores, también se deben utilizar nuevas herramientas y ejemplos de software para adaptar rápidamente una arquitectura de sensores inteligentes. Una de estas herramientas, compatible con los tres enfoques anteriores, es Nano Edge™ AI Studio (NEAi). Este es un estudio de desarrollo gratuito basado en PC para desarrolladores. NEAi no requiere habilidades avanzadas en ciencia de datos y los desarrolladores de software pueden crear bibliotecas tinyML® óptimas desde el entorno fácil de usar. NEAi puede generar cuatro tipos de bibliotecas: bibliotecas de detección de anomalías, detección de valores atípicos, clasificación y regresión. Para obtener más información sobre cómo utilizar la ISPU para aplicaciones de detección de anomalías utilizando la herramienta de software NEAi, consulte la referencia n.° 4 a continuación.

Conclusión

Hay varias opciones de arquitectura informática para sensores en las aplicaciones de computación de borde.  Ejecutar decisiones sobre datos “en la fuente” es más sostenible, ya que reduce tiempo y energía al actuar sobre los datos en tiempo real. Al aprovechar las capacidades de aprendizaje automático e inteligencia artificial integradas en sensores MEMS y cadenas de herramientas, los nuevos sistemas de computación de borde de IoT permitirán aplicaciones como ciudades inteligentes verdaderamente sostenibles, un mejor rendimiento de fabricación y sensores portátiles de bajo consumo en la atención médica y más allá.

Referencias

1. Ecosistema de sensores MEMS para aprendizaje automático:

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

2. Cómo utilizar sensores MEM con una unidad de procesamiento inteligente para la detección de anomalías:

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

3. Fusión de sensores de baja potencia en la unidad de medición inercial de MEMS:

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

4. Cómo utilizar sensores MEMS con una unidad de procesamiento inteligente para aplicaciones de detección de anomalías utilizando la herramienta de software NEAI

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