|

【活動報導】從感測出發,Embedded ML的邊緣端開發實作

   

作者:謝涵如

近期AIoT領域興起一股嵌入式機器學習(Embedded ML)或微型機器學習(TinyML)的研究熱潮,結合MCU進行邊緣運算不僅能提升物聯網的安全性,也能提升效率,讓物聯網的應用更多元。在此一主題上,台灣作為MCU生產大國,當然不容錯過。

Arm DevTalks 2021系列活動即聚焦在Embedded ML/ Tiny ML這個特別適合台灣開發者及IoT/ AI Maker的議題上。經過前兩場《趨勢篇》及《平台篇》的介紹,讓參與的開發者朋友對Embedded ML/TinyML有了認識,第三場《實作篇》邀請到三位專家代表,從AI運算IP、MCU及感測器智能化的不同面向切入,深入探討此技術的邊緣端開發實作。

AI革新 感測器成機器「眼、耳、手」

「一個IoT device最重要的部分,就是它的感測器。」於嵌入式處理器相關領域有超過10年經驗的Arm首席應用工程師張維良(Rickie)強調。

過去IoT的感測器都較為單純,沒有太複雜的功能性,通常是封閉系統,無法遠端操控。能夠讀取的資料也大多是原始數據,且一般只配備單一感測器。而在加入AI後,現在的感測器演化得越來越聰明、數位化,不僅安全性大幅提升,還能夠遠端連線操控,並幾乎都用於所謂的「3V應用」。

物聯網結合AI,聚焦「3V」,讓感測器更智慧。(圖片來源:Arm)

什麼是3V呢?簡而言之,就是指一個裝置具備視覺能力(Vision)、音訊(Voice)或是類似觸覺的振動感測能力(Vibration)。不管應用在什麼領域,感測器大致上離不開這三種類型。

3V應用在實作上又能分解為三步驟:第一步,訊號進入感測器後,會先進行訊號的前處理,把品質不好的訊號變得清晰可辨識。接著進入後處理階段,從處理過的訊號中擷取出辨識所需的特徵訊號,最後將特徵訊號匯入演算法進行判讀。後兩個步驟,就需要借助機器學習的力量來完成。

「當一個機器有完整的聽覺、觸覺和視覺,就能像個人一樣做事。」Rickie分享,音訊的感測與處理,在過去通常只是加上喇叭、麥克風,功能也只有最單純的錄音播放等。加入DSP、AI等技術後,就能完成如識別音訊,根據指示做出相應動作的複雜工作。

在Vibration方面,實際應用此技術的產品 — Bob Assistant,已經出現在市場上。這個名叫Bob Assistant的機器,會記錄工廠機器正常的振動頻率,並且能在震動訊號不正常時發出警訊,監督產線安全。

不過現在的感測器雖然越做越精密,但仍有其侷限性。Rickie表示,只使用單一個感測器時,感測的精度較差,容易產生偏差,能夠涵蓋的訊號範圍也比較狹窄。若能使用兩個以上的感測器,就可以互補並自我校正這些缺點,所以在AIoT的使用上,大部分都會用兩個以上的Sensor,有效降低感測的不確定性。

新唐開發平台 軟硬兼備省時省力

「新唐在機器學習、AIoT、IIoT等領域,其實都已經佈局相當長的時間,也因此擁有完整的解決方案。」新唐科技微控制器行銷應用處副處長陳世豪(House),點出新唐在國內物聯網投入相當大的心力進行佈局。

深耕半導體市場20多年的他,也向觀眾分享自己對AI的看法:「必須先出現Ambiguous Input,才會有Artificial Intelligence。」

當輸入模稜兩可的資訊,甚至無法用人類的大腦清楚判斷時,就需要AI的輔助。有了機器學習的幫忙,就能更快速、有效率的幫忙解決這些複雜而模糊的問題。House表示:「這就是為什麼需要AIoT,需要機器學習。」

然而想要開發一個AIoT的應用,必須結合軟硬體,對一般人來說相當不容易,因此新唐建置出一個「軟硬兼施」的IoT平台,以AII-in-one為主要特色,解決硬體設置的問題,讓IoT開發者能無後顧之憂地專注於應用開發。

新堂建置的IoT開發平台,從硬體到軟體都有完美配套。(圖片來源:新唐科技)

MCU結合感測器 創造互聯網新未來

「未來IoT一定會加入越來越多smart device,MCU的機器學習也因此變得更加重要。」中光電智能感測(Coretronic MEMS Corporation, CMC)總經理吳名清(Eric)對於AIoT領域的市場潛力相當有信心。智慧製造領域由於能夠創造較高的價值,相當適合作為初期導入的角色。

他指出在智慧製造管理架構中,感測器不可或缺。透過感測器搜集資訊後,再透過MCU和Connectivity後送到x86工業電腦中,進行運算和預測,產出結果後再上傳到後台雲端。但是這種架構最大的問題,就是運算設備的價格太過昂貴,一般工廠若想大量佈建,會是一筆不小的負擔。

CMC為了解決這一問題,捨棄了原有架構中的x86,在Arm上做機器學習。以新唐的MCU Cortex-M4為主要運算基礎,接上溫度、震動等感測器,後送到CMC自行生產的Smart hub,最後在Arm上面進行終端運算與推論,導出簡易的設備健康指標,方便使用者根據資訊做調整,大幅降低成本。

CMC提出的感測器解決方案,降低了成本問題。(圖片來源:CMC)

目前CMC研發的AIoT系統,已在許多實際場域中應用。Eric舉例指出,在進行半導體廠機台的AIoT部署時,導入AI-based的感測系統來解決問題。由於工廠每個機台的新舊不同,機台運作異常狀況也有差異,若全部使用同樣一套AI模型,將會因機台差異影響導致準確度降低,是大量佈建時遭遇到的一大挑戰,這在Smart hub端必須預留一些調整的彈性。

另一個問題是,工廠的機台其實並不會經常損壞,導致客戶對於AIoT是否真的有幫助心存疑慮。CMC直接向客戶展示設備在保養前後的健康指標差異,透過指標化的數據,讓效果更直觀被理解。

「AIoT未來應該無所不在,而非只存在在工廠端。」Eric認為未來機器學習應該走向輕量化、平台化,並更進一步導入到各個角落的設備端,應用上也將更多元。

小結

三位講師為Embedded ML領域的現況及未來的發展可能進行了專業的講解。期許經過Arm DevTalks 2021系列社聚的介紹,可以吸引更多開發者投入這個領域,創造出更多智慧應用,讓現在未被解決的問題能迎刃而解。

Laura HSIEH
Laura HSIEH

Author: Laura HSIEH

喜歡窩在自己的一方世界裡寫作閱讀,也喜歡四處旅遊找驚喜,希望能多接觸學習各種知識,從中拼湊出世界的全貌。

Share This Post On

Submit a Comment

發佈留言必須填寫的電子郵件地址不會公開。 必填欄位標示為 *