Machine learning ajuda a tornar os sensores de movimento energeticamente eficientes
Maria Alejandra Salazar Martinez 1 e Werner Neumann 2 Product Sales Manager Analog & Sensors na Rutronik 2 Technical Marketing na STMicroelectronics 1
As unidades de medição inercial que compreendem um sensor de aceleração e um giroscópio ganharam uma ampla aceitação em aplicações para capturar movimentos, determinar a orientação espacial e estabilizar imagens e objetos. Para reduzir o consumo de energia e melhorar a qualidade da captura de dados, a ST integrou tecnologias de Machine Learning no seu sensor mais recente.
robótica
72
case study
LSM6DSOX da STMicroelectronics
Até agora, reduzir o consumo de energia das unidades de medida inercial (IMUs) tem sido um dilema não resolvido. Isso porque envolve o envio de grandes quantidades de dados brutos capturados - um processo que consome muita energia - ou o pré-processamento desses dados no microcontrolador host, uma operação que não consome menos energia. Com o novo sensor MEMS LSM6DSOX da família iNEMO, a ST forneceu uma solução elegante para esse “nó górdio”: aqui, um núcleo de Machine Learning trabalha com máquinas de estado finito (FSMs) e classifica dados de movimento com base em padrões conhecidos ao longo da árvore da decisão. Como resultado, o processador principal não precisa de executar esse primeiro nível de rastreamento de atividades. O resultado? O consumo de energia é reduzido e, ao mesmo tempo, a deteção é aprimorada, o que aumenta a velocidade de processamento de aplicativos como monitorização de bem-estar, navegação ou a
função de deteção de queda em smartphones, dispositivos portáteis ou controladores de jogo.
LÓGICA DA ÁRVORE DE DECISÃO PARA PROCESSAMENTO RÁPIDO E EFICIENTE Uma árvore de decisão é uma ferramenta que suporta diferenciações matemáticas. Consiste em vários nós configuráveis. Em cada nó, um parâmetro estatístico é comparado com um valor limite e o próximo nó é selecionado com base no resultado. Se isso finalmente chegar a uma folha – um dos últimos nós de uma árvore –, a árvore de decisão gera um resultado que pode ser lido por um registo de dispositivo específico. Com a ajuda da árvore de decisão, o sensor processa um algoritmo indutivo com uma fração do consumo normal de energia. O sistema pode não apenas detetar movimentos como caminhar, correr, correr, andar de bicicleta ou
imobilidade, mas também pode contar ondas de bíceps, agachamentos, flexões e outros movimentos durante um treino, por exemplo - tudo com base nos padrões aprendidos. A escolha dos dados é crítica para obter um resultado altamente preciso: dados que caracterizam a classe necessária de um movimento devem ser coletados. Como é altamente complexo descrever essas classes manualmente em software, as ferramentas de Machine Learning são usadas aqui, o que simplifica bastante a programação. O ST usa a ferramenta de Machine Learning disponível ao público, “Weka”, e um ambiente de desenvolvimento dedicado que converte os parâmetros adquiridos em configurações de registo do sensor. Isso significa que o desenvolvedor pode simplesmente concentrar-se na funcionalidade sem primeiro avaliar os dados coletados. O LSM6DSOX pode ser configurado para processar até 8 árvores de decisão simultaneamente e independentemente uma da outra.
INTERRUPÇÕES PROGRAMÁVEIS Além disso, o LSM6DSOX pode emitir uma interrupção para movimentos específicos definidos pelo utilizador. Para esse fim, as máquinas de estado finito podem ser programadas de forma independente para tipos específicos de deteção de movimento, como um olhar numa tela, uma volta do pulso, um movimento, um movimento duplo ou no caso de retirar o dispositivo. Cada uma das 16 máquinas de estado finito possui a sua própria área de memória e é executada independentemente das outras. A interrupção é acionada quando o estado final do movimento for atingido. Outras funções configuráveis são predefinidas para acionar interrupções para quedas livres, deteção