Riassunto analitico
L'Internet of Things (IoT) riveste un ruolo rilevante nell'ambito industriale e automotive, e grazie alla sua rapida diffusione ci si aspetta che entri in modo ancora più preponderante negli oggetti di tutti i giorni, consolidandosi nei settori wearable, smart home e smart city. L'IoT si sta evolvendo verso il modello di edge computing, composto da dispositivi distribuiti che generano dati e li elaborano a bordo. Questo si differenzia dal modello classico dove i dati sono inviati verso un cloud server che si occupa di effettuare computazioni complesse per estrarre informazioni prima di restituirle al dispositivo. Se i dati sono delle immagini per trasmetterli è necessaria una grande larghezza di banda, e inoltre si introduce un tempo di latenza nell'attesa di una risposta dal server. Il problema può essere risolto spostando queste computazioni più vicino al dispositivo garantendo un tempo di risposta più rapido, maggiore affidabilità e costi minori.
Varie tipologie di problemi quali localizzazione e riconoscimento di oggetti, classificazione e segmentazione si risolvono grazie a tecniche di visione artificiale. Lo stato dell'arte si basa principalmente sull'utilizzo di Convolutional Neural Network (CNN), le quali però richiedono dispositivi ad alte performance e di conseguenza ad alto consumo energetico, per cui normalmente non sarebbero ammissibili in questo scenario. Tuttavia l'introduzione di sistemi dedicati come i CNN accelerator permettono di rispettare condizioni di basso consumo di energia e di bassa latenza. Questi dispositivi danno la possibilità di eseguire a bordo algoritmi basati su CNN, e inoltre garantiscono dimensioni ridotte, assenza di collegamento alla linea elettrica e trasmissione dei risultati con comunicazione wireless anche per lunghi periodi di tempo.
In questa tesi si analizza un microcontrollore ultra-low power con un CNN accelerator in grado di effettuare inferenza a basso consumo. Si discutono le sfide e le limitazioni da affrontare per utilizzare CNN su questo tipo di dispositivi, approfondendo anche il tema dei consumi e della durata di funzionamento attesa con varie modalità operative e tipi di alimentazione, confrontandolo con altre soluzioni presenti sul mercato. Infine si mostra come inviare i risultati ottenuti tramite low-power wireless anche a lunghe distanze in scenari sia indoor che outdoor.
|
Abstract
Internet of Things (IoT) plays an important role in the industrial and automotive sectors. Thanks to its rapid diffusion it's expected to enter even more pervasively in everyday objects, consolidating its role in wearables, smart homes and smart cities. IoT is evolving towards the model of edge computing, comprised of distributed devices that generate data and then process it directly. This differs from the classical IoT model where data must be sent to a cloud server that performs complex computations to extract information before returning it to the device. Dealing with image data requires a large bandwidth and introduces latency while waiting for a response from the sever. The problem can be solved by moving computations closer to the device, ensuring faster response time, higher reliability and lower cost.
Different kinds of problems such as object detection and localization, classification and segmentation are solved using computer vision techniques. The state of the art is based on the use of Convolutional Neural Network (CNN), which requires high performance devices, and consequently high energy consumption, meaning that normally the use of CNN would not be feasible in this use case. However the introduction of dedicated systems such as CNN accelerators allows to comply with requirements of low energy consumption and low latency. These devices enable the on-board execution of CNN-based algorithms, and can also guarantee smaller form factor, no need to have access to the power line and the possibility of wireless transmission of the computation results, even in the long period.
This thesis analyzes an ultra-low power microcontroller with a CNN accelerator, capable of containing current draw even during inference. It discusses the challenges and limitations that must be faced while working with CNN on these devices, studying the power consumption and expected operational time using different power modes and power supply, comparing it to other solutions off the shelf. Finally, it shows how to send the inference results using low-power long-range wireless communication in a deep indoor and outdoor environment.
|
