AA avancé des capteurs MEMS : pour une précision, des performances et une consommation d’énergie améliorées

Les capteurs modernes sont désormais capables de collecter, d’analyser et d’envoyer des données importantes grâce aux technologies d’apprentissage automatique (AA) de périphérie.

Par exemple, la maintenance prédictive se repose sur des modèles d’AA pour évaluer les données des capteurs, surveiller les équipements tels que les moteurs et identifier les premiers signes d’usure ou de risque de panne. Une telle approche proactive permet d’éviter les pannes et de limiter les temps d’arrêt et les frais de réparation.

Grâce à l’AA, les capteurs sont désormais capables de traiter des données, d’extraire des caractéristiques utiles et de prendre des décisions de façon autonome sans avoir recours à des ressources de calcul externes. Les capteurs modernes sont en mesure d’analyser des données et de prévoir des situations sans aucune programmation dédiée.

Cet article explique comment les progrès réalisés dans le domaine des algorithmes d’AA ont révolutionné le traitement des données de détection. Il décrit également la façon dont les technologies d’AA sont parvenues à dépasser les contraintes techniques liées au traitement des données de détection de périphérie.

Intégration intelligente : des algorithmes d’AA dans les capteurs MEMS

L’intégration de technologies d’IA et d’algorithmes d’AA dans les capteurs MEMS a permis le développement d’une nouvelle génération de capteurs intelligents, ouverts et précis. Ce type de solution, plus durable, limite la quantité de données transférées par le système et traitées en réseau, entraînant ainsi une réduction de la consommation d’énergie. Les utilisateurs finaux, quant à eux, profitent de données de détection plus précises, pertinentes et exploitables.

Il existe diverses technologies de traitement embarqué à destination des capteurs MEMS, telles que les noyaux d’apprentissage automatique (MLC) intégrés, ou encore les unités intelligentes de traitement des données de détection (ISPU) (voir la figure 1). Les fonctions telles que le MLC intégré permettent aux capteurs de reconnaître des mouvements précis et de signaler les événements à un processeur avec un rendement énergétique optimal. L’intégration d’une ISPU, quant à elle, permet d’optimiser la puissance de calcul nécessaire, pour des systèmes encore plus performants.

Capteurs dotés d’un noyau d’apprentissage automatique intégré

La capacité de traitement des données de détection d’après le principe de l’arbre de décision utilise l’arbre de décision, un outil mathématique constitué de nœuds configurables définis par une condition « si / alors / sinon ». Ces conditions évaluent un signal d’entrée qui est représenté par des paramètres statistiques calculés à partir des données de détection comparées à un seuil.

Prenons l’exemple du SiP (System-in-Package) STMicroelectronics LSM6DSOX, qui utilise l’apprentissage supervisé pour la mise en œuvre de cette capacité. L’apprentissage supervisé implique :

• l’identification des classes à reconnaître ;
• la collecte de journaux de données multiples pour chaque classe ;
• l’analyse des journaux collectés afin d’apprendre une règle générique permettant de relier les entrées (journaux de données) aux sorties (classes).

Les classes d’un algorithme de reconnaissance d’activité peuvent inclure l’inactivité, la marche, le jogging, le vélo, la conduite, etc. Plusieurs journaux de données doivent être collectés pour chaque classe, par exemple des données provenant de plusieurs personnes différentes effectuant la même activité. L’analyse de ces journaux de données permet de :

• déterminer les fonctionnalités requises pour classer avec précision les différentes activités ;
• définir des filtres à appliquer aux données d’entrée afin d’améliorer les performances grâce aux fonctionnalités sélectionnées ;
• générer un arbre de décision dédié qui reconnaît l’une des classes en reliant les entrées aux sorties.

À partir de l’arbre de décision ainsi généré, un outil logiciel fourni établit une configuration d’appareil qui permet d’exécuter l’arbre de décision directement sur l’appareil, réduisant ainsi la consommation d’énergie.

Les fonctions de noyau d’AA intégrées au LSM6DSOX peuvent être divisées en trois blocs (figure 2) :

1. Données de détection
2. Bloc de calcul
3. Arbre de décision

Figure 2 : Blocs de noyau d’apprentissage automatique (Source)

Données de détection :

À ce stade, les données provenant de l’accéléromètre intégré, du gyroscope ou d’un capteur externe supplémentaire connecté via l’interface maîtresse I²C (hub de capteurs) sont collectées.

Bloc de calcul :

À ce stade, des filtres et des fonctions sont appliqués aux données d’entrée définies dans le premier bloc. Les fonctions sont des paramètres statistiques calculés à partir des données d’entrée (ou des données filtrées) dans une fenêtre de temps sélectionnable par l’utilisateur. Ces fonctions calculées servent ensuite d’entrée pour le troisième bloc.

Arbre de décision :

L’arbre de décision évalue les paramètres statistiques calculés dans le bloc de calcul. Il utilise un arbre binaire pour comparer ces paramètres à des seuils définis afin de générer des résultats, tels que l’inactivité, la marche, le jogging, le vélo, etc. pour la reconnaissance d’activité. Un filtre de métaclassification facultatif permet d’affiner les résultats de l’arbre de décision. La version finale des résultats du noyau d’AA inclut les résultats de l’arbre de décision ainsi que tout filtrage de métaclassification facultatif.

Entrées :

Le débit de données d’entrée doit être supérieur ou égal au débit de données du noyau d’AA. Par exemple, dans un algorithme de reconnaissance d’activité fonctionnant à 26Hz, le débit de données de sortie (DDS) du noyau d’AA doit être défini sur 26Hz et les DDS des capteurs doivent être supérieurs ou égaux à 26Hz.

Le noyau d’AA utilise les conventions suivantes pour les unités :

• Données d’accéléromètre en [g]
• Données de gyroscope en [rad/s]
• Données de capteur externe en [gauss] pour un magnétomètre

Un capteur externe, tel qu’un magnétomètre, peut être connecté au LSM6DSOX via le hub de capteurs (mode 2). Dans ce type de configuration, les données provenant d’un capteur externe peuvent également servir à l’AA. Dans ce cas, les six premiers octets du hub de capteurs (deux par axe) sont considérés comme des entrées du noyau d’AA.

Filtres :

L’élément principal du filtrage du noyau d’AA est un filtre RII de second ordre, comme illustré à la figure 3.

Figure 3 : Élément principal du filtrage (Source)

La fonction de transfert du filtre RII générique de 2nd ordre correspond à

où les sorties peuvent être définies comme suit (à partir de la figure 3) :

y(z)=H(z).x(z)

y(z)=y(z). gain

Le noyau d’AA inclut des coefficients par défaut pour les divers types de filtres (passe-haut, passe-bande, RII1, RII2) afin d’optimiser l’utilisation de la mémoire. Une fois le type de filtre sélectionné, l’outil de noyau d’AA aide à configurer le filtre en demandant les coefficients nécessaires.

Fonctions :

Les fonctions correspondent aux paramètres statistiques dérivés des entrées de capteurs du noyau d’apprentissage automatique (AA). Toutes les fonctions sont calculées sur une période donnée, également appelée « fenêtre de temps », exprimée en nombre d’échantillons. La détermination de la taille de la fenêtre est essentielle, car elle joue un rôle crucial dans l’AA. En effet, tous les paramètres statistiques inclus dans l’arbre de décision sont évalués dans cette fenêtre.

Par exemple, avec un algorithme de reconnaissance d’activité, les fonctions peuvent être calculées toutes les 2 ou 3 secondes. Si les capteurs fonctionnent à 26Hz, la taille de la fenêtre doit être d’environ 50 ou 75 échantillons, respectivement.

Certaines fonctions de noyau d’AA requièrent des paramètres supplémentaires pour l’évaluation, tels qu’un seuil. Il s’agit des fonctions Moyenne, Variance, Énergie, Crête à crête et Valeur.

Moyenne :

La fonction « Moyenne » (Mean) calcule la moyenne de l’entrée (I) sélectionnée dans la fenêtre de temps (WL) définie d’après la formule suivante :

Variance :

La fonction « Variance » calcule la variance de l’entrée (I) sélectionnée dans la fenêtre de temps (WL) définie d’après la formule suivante :

Énergie :

La fonction « Énergie » (Energy) calcule l’énergie de l’entrée (I) sélectionnée dans la fenêtre de temps (WL) définie d’après la formule suivante :

Crête à crête :

La fonction « Crête à crête » (Peak-to-peak) calcule la valeur crête à crête maximale de l’entrée sélectionnée dans la fenêtre de temps définie.

Détecteur de crête :

La fonction « Détecteur de crête » (Peak detector) compte le nombre de crêtes (positives et négatives) de l’entrée sélectionnée dans la fenêtre de temps définie.

Arbre de décision :

Un arbre de décision est un modèle prédictif créé à partir des données d’apprentissage stockées dans le LSM6DSOX. Les données d’apprentissage sont constituées des journaux obtenus pour chaque classe nécessitant une reconnaissance. Par exemple, pour la reconnaissance d’activité, les classes peuvent inclure la marche, le jogging et la conduite.

Les entrées de l’arbre de décision proviennent du bloc de calcul détaillé plus haut. Chaque nœud de l’arbre de décision possède une condition qui définit un seuil d’évaluation d’une fonction donnée. Si la condition est remplie, le nœud suivant du côté vrai est évalué. Dans le cas contraire, le nœud suivant du côté faux est évalué (voir la figure 3). L’arbre de décision passe d’un nœud à l’autre jusqu’à ce qu’une solution soit trouvée.

Figure 4 : Nœud d’un arbre de décision (Source)

L’arbre de décision produit un nouveau résultat dans chaque fenêtre, dont la taille est spécifiée par l’utilisateur pour le calcul de fonction (figure 4). La taille de la fenêtre, exprimée en nombre d’échantillons, et la période peuvent être calculées en divisant le nombre total d’échantillons par le débit de données utilisé pour le noyau d’apprentissage automatique (MLC).

Fenêtre de temps = taille de la fenêtre / DDS_MLC

Par exemple, si la taille de la fenêtre s’élève à 104 échantillons pour un débit de données MLC de 104Hz, la fenêtre de temps est la suivante :

Fenêtre de temps = 104 échantillons / 104Hz = 1 seconde

Capteurs dotés d’une unité intelligente de traitement des données de détection (ISPU)

ST Microelectronics a lancé une nouvelle gamme de dispositifs MEMS, les unités intelligentes de traitement des données de détection (ISPU). Ces dispositifs sont adaptés aux applications IoT industrielles et à l’électronique grand public basées sur l’AA. Les dispositifs ISPU comportent des capacités de détection et de conditionnement de signaux, ainsi qu’un noyau programmable hautes performances ultra-basse consommation intégré à la même puce que le capteur. Ce noyau assure le traitement des signaux et l’exécution des algorithmes d’apprentissage automatique au niveau même du capteur.

Qu’est-ce qu’une unité intelligente de traitement des données de détection (ISPU) ?

L’ISPU est un DSP programmable hautes performances ultra-basse consommation conçu pour traiter les algorithmes d’IA et assurer le traitement en temps réel directement au niveau du capteur. Cette technologie est particulièrement adaptée aux applications de périphérie exigeantes (figure 5).

Figure 5 : Configuration d’une unité intelligente de traitement des données de détection (Source)

Le LSM6DSO16IS et l’ISM330IS sont des produits dotés de la technologie ISPU. Le LSM6DSO16IS est conçu pour les applications grand public, tandis que l’ISM330IS est destiné aux applications industrielles. Les deux produits contiennent un accéléromètre numérique à 3 axes et un gyroscope numérique à 3 axes. Ces dispositifs inertiels actifs en permanence disposent de capacités de traitement intégrées.

L’ISPU se compose d’un cœur RISC 32bits doté d’une architecture de type Harvard, d’une RAM de programmation et de données, et d’une unité à virgule flottante (FPU) pour l’addition, la soustraction et la multiplication. Elle peut être connectée à des capteurs externes afin de collecter des informations grâce à la fonctionnalité de hub de capteurs. Le cœur est optimisé pour l’exécution en temps réel d’algorithmes d’apprentissage automatique (AA) et d’apprentissage profond, pour le traitement des données de capteurs externes ou inertiels.

Le LSM6DSO16IS allie l’IA aux technologies de détection dans des applications grand public telles que la reconnaissance de gestes, la reconnaissance d’activité et le suivi de mouvement. L’ISM330IS utilise l’IA dans les applications industrielles d’edge computing telles que la robotique, la maintenance conditionnelle et la surveillance des actifs.

Les capteurs dotés de la technologie ISPU sont très compétitifs en termes de consommation d’énergie, même lors de l’exécution d’algorithmes de traitement en temps réel. Ces capteurs, qui intègrent un DSP optimisé pour l’IA et un capteur inertiel à six axes sur une même puce, ouvrent la voie au développement d’appareils industriels ou grand public autonomes ultra-basse consommation. L’application nécessite également un microcontrôleur hôte capable de rester en mode veille, et ainsi de consommer très peu de courant, jusqu’à son réveil par le capteur. Cette approche permet de préserver les ressources de calcul, d’appuyer le traitement en périphérie et de prolonger l’autonomie des batteries dans le cas des conceptions sans fil.

En tant que distributeur mondial, nous nous sommes associés à des fabricants de premier plan afin de proposer une gamme complète de capteurs et d’accessoires dotés de fonctions d’apprentissage automatique :

Conclusion

La solution LSM6DSOX de STMicroelectronics illustre parfaitement l’intégration à l’aide d’un système logique fondé sur un arbre de décision reposant sur l’apprentissage supervisé. Elle traite les entrées de capteurs, extrait des fonctions et utilise un arbre de décision pour classer les activités, le tout en consommant très peu d’énergie. Des filtres et des calculs statistiques réalisés dans des fenêtres de temps définies permettent à l’arbre de décision de relier les entrées aux sorties. Les progrès réalisés dans le domaine des technologies d’AA ont permis de repousser les limites techniques, améliorant ainsi l’efficacité et les capacités de traitement des données de détection de périphérie. Les dispositifs ISPU de STMicroelectronics sont particulièrement adaptés aux applications IoT basées sur l’AA. Le LSM6DSO16IS convient aux applications grand public, tandis que l’ISM330IS, une centrale inertielle SiP (System-in-Package) à 6 axes, est conçu pour les applications industrielles. Dans les deux cas, il s’agit de dispositifs inertiels qui disposent de capacités de traitement intégrées. Particulièrement compétitifs en termes de consommation d’énergie, les capteurs dotés de la technologie ISPU permettent de préserver les ressources de calcul et d’exécuter les tâches de traitement en périphérie, tout en prolongeant l’autonomie des batteries.