EO_483

57 - ELETTRONICA OGGI 483 - GENNAIO/FEBBRAIO 2020 COMPONENTS MACHINE LEARNING P er il rilevamento dei movimenti, l’orientamen- to spaziale e la stabilizzazione di immagini e oggetti, le soluzioni più diffuse sono rappre- sentate dalle unità di misura inerziali che combi- nano un accelerometro e un giroscopio. Di solito esse sono integrate nei dispositivi mobili, nei quali il consumo energetico riveste un ruolo cruciale. Per ridurre i consumi migliorando al contempo le prestazioni di acquisizione, STMicroelectronics ha integrato nel proprio sensore di ultima generazione le tecnologie di apprendimento automatico. Fino ad ora, infatti, la riduzione dei consumi energetici delle unità di misura inerziali (IMU) ha costituito un dilemma irrisolto. Questo perché è richiesto l’invio di una mole enorme di dati grezzi che vengono acquisiti, un processo questo estremamente dispen- dioso in termini energetici. Oppure è necessario un microcon- trollore host per la pre-elaborazione dei dati, un approccio che non risulta comunque efficiente in termini energetici. Con la nuova unità LSM6DSOX della famiglia di moduli iNEMO basati su sensori MEMS, ST ha elegantemente risolto questo dilemma: all’interno della soluzione, un nucleo di apprendi- mento automatico funziona insieme a macchine a stati finiti (FSM) e classifica i dati di movimento in base a modelli noti, avvalendosi di un albero delle decisioni. Ciò significa che il processore principale non deve più prendersi carico di que- sta prima fase dell’attività di misura. Il risultato è che, a fronte di una diminuzione dei consumi energetici, migliorano le pre- stazioni di rilevamento e aumenta la velocità di elaborazione in applicazioni quali braccialetti per il fitness, sistemi di moni- toraggio della salute, sistemi di navigazione o di rilevamento di maiuscole e minuscole negli smartphone, dispositivi indos- sabili o controllori di gioco. Elaborazione rapida ed efficiente grazie all’albero delle decisioni Un albero delle decisioni è uno strumento che supporta di- scriminazioni quantitative. Esso è costituito da diversi nodi configurabili. A ognuno di essi è associato un parametro sta- tistico con un valore di soglia e il risultato è utilizzato per se- lezionare il nodo successivo. Infine, quando si raggiunge un nodo foglia, uno degli ultimi nodi di un albero, l’albero del- le decisioni produce un risultato che può essere letto da un registro di un dispositivo specifico. Attraverso l’albero delle decisioni il sensore elabora un algoritmo induttivo impiegan- do una frazione del consumo delle soluzioni convenzionali. E il sistema non solo può rilevare movimenti come camminare, correre, fare jogging, andare in bicicletta, oppure l’assenza di movimento, ma conta anche piegamenti dei bicipiti, squat, flessioni e altri movimenti compiuti durante gli allenamenti – il tutto sulla base dei modelli appresi. Per ottenere un alto livello di precisione, è fondamentale sele- zionare i dati: è necessario raccogliere i dati che caratterizzano la classe desiderata di un movimento. Poiché è molto comples- so descrivere manualmente queste classi di movimento via Sensori di movimento energeticamente efficienti grazie all’apprendimento automatico Maria Alejandra Salazar Martinez Product Sales Manager Analog & Sensors Rutronik Werner Neumann Technical Marketing STMicroelectronics Per ridurre i consumi migliorando al contempo le prestazioni di acquisizione, STMicroelectronics ha integrato nel proprio sensore LSM6DSOX di ultima generazione le tecnologie di apprendimento automatico Fonte: STMicroelectronics