Artificial Intelligence for Embedded Systems

Embedded KI - Künstliche Intelligenz für Mikrocontroller und eingebettete Systeme

Neue Möglichkeiten durch AIfES

Artificial Intelligence for Embedded Systems - AIfES Logo
© Fraunhofer IMS
Artificial Intelligence for Embedded Systems
The AIfES library
© Fraunhofer IMS
The AIfES library

Das Fraunhofer IMS hat mit AIfES eine plattformunabhängige und ständig wachsende Machine-Learning-Bibliothek in der Programmiersprache C entwickelt, welche ausschließlich Standardbibliotheken auf Basis der GNU Compiler Collection (GCC) nutzt. AIfES enthält bereits jetzt ein voll konfigurierbares Feedforward Neural Network (FNN), welches auch tiefe neuronale Netze ermöglicht. Damit AIfES sogar auf Mikrocontrollern lauffähig ist, wurde bei allen Funktionen darauf geachtet, dass der Quellcode auf ein Minimum reduziert wurde, was sogar das Trainieren des FNN auf einem Mikrocontroller ermöglicht. AIfES läuft auf nahezu jeder Hardware vom 8-Bit Mikrocontroller über das Smartphone bis hin zum PC.

AIfES ist Open Source

AIfES wird als Dual License Model angeboten. Für private Projekte oder Entwickler von Free Open Source Software (FOSS) unter der GNU General Public License (GPL) Version 3 kann AIfES kostenlos genutzt werden. Wenn AIfES mit kommerziell lizenzierter Software kombiniert und vertrieben werden soll und/oder wenn der AIfES-Quellcode für die kommerziell lizenzierte Software nicht unter der GNU GPL V3 weitergeben werden soll, muss ein Lizenzvertrag mit dem Fraunhofer IMS abgeschlossen werden. Weitere Informationen und eine Möglichkeit zur Kontaktaufnahme finden Sie hier.

AIfES für Arduino®

Das Fraunhofer IMS mit AIfES und Arduino bereiten eine Partnerschaft vor. Dafür wurde eine mit der Arduino IDE kompatible Version realisiert, die nahezu auf jedem Arduino Board lauffähig ist. Hier geht es direkt zum zugehörigen Repository.

Intelligente Mikroelektronik und Sensoren

AIfES fokussiert sich nicht auf die Verarbeitung von großen Datenmengen (obwohl dies auch möglich ist), sondern soll die Möglichkeit bieten, kleine intelligente Geräte und Sensoren zu entwickeln, die keine Verbindung zu einer Cloud oder zu leistungsfähigeren Computern benötigen und sogar in der Lage sind selbst zu lernen. Hierbei sind viele Einsatzbereiche möglich von der direkten Auswertung von Sensordaten, der Kalibration von Sensoren bis hin zu der Erkennung von Mustern und deren Klassifikation. Auch die Entwicklung von virtuellen Sensoren wird ermöglicht, indem eine Abhängigkeit von stellvertretenden Messgrößen zu einer neuen Zielgröße nachgebildet wird.

Einfacher Einstieg und Kompatibilität zu anderen Frameworks

AIfES ist vergleichbar und kompatibel mit den bekannten Python ML Frameworks wie TensorFlow, Keras oder PyTorch, jedoch im Funktionsumfang deutlich reduziert. In der aktuellen Version werden Feedforward Neural Networks (FNN) unterstützt, die vollkommen frei konfiguriert werden können. Auch die gängigen Aktivierungsfunktionen wie z. B. ReLU, Sigmoid oder Softmax sind bereits integriert. Eine vollständige Implementierung von Convolutional Neural Networks (ConvNet) wird in naher Zukunft folgen.

Die Modellerstellung orientiert sich hierbei ebenfalls an den Python Frameworks, damit man sich direkt zurechtfindet. Die gängigen Algorithmen für das Training wie der Gradient Descent Optimizer (SGD) oder der Adam Optimizer sind ebenfalls dabei.

Es ist möglich ein bereits trainiertes FNN aus einem anderen ML Framework zu importieren. Es werden lediglich die Netzstruktur und die Gewichte benötigt, um ein FNN abzubilden und sogar weiter zu trainieren. Ein Keras Beispiel ist in der Bibliothek beigefügt und es ist auch nicht nötig das Modell in TensorFlow Lite zu portieren. Natürlich können die Gewichte eines FNN in AIfES auch ausgelesen, gespeichert oder direkt vom Gerät versendet werden, um Sie auf einem anderen Gerät nutzen zu können. Es können verschiedene FNNs zu Laufzeit geladen werden, in dem das Modell umkonfiguriert und neue Gewichte geladen werden. Die Gewichtssets können in der Cloud gespeichert werden, um sie anderen Geräten zu Verfügung zu stellen. Die Einsatzmöglichkeiten sind praktisch grenzenlos.

Ein eingebettetes System mit verschiedenen Aufgaben ist möglich

AIfES erlaubt, dass ein eingebettetes System zur Laufzeit neu konfiguriert werden kann und danach eine völlig andere Aufgabe ausführen kann. Dies wird durch den Austausch der Gewichte des FNNs und einer ggf. veränderten Netzstruktur erzielt, wobei weiterhin die gleiche Funktion von AIfES genutzt werden kann und sich nur die zu übergebenen Parameter ändern.

Schutz der Privatsphäre

Da die Verarbeitung offline auf dem Gerät stattfinden kann, müssen keine sensiblen Daten übertragen werden.

Dezentralisierte KI

AIfES ermöglicht auch eine Dezentralisierung der Rechenleistung, indem z. B. kleine intelligente eingebettete Systeme die Daten vor der Verarbeitung übernehmen und einem höher geordneten System die Ergebnisse zur Verfügung stellen. Dies reduziert die zu übertragende Datenmenge deutlich.

Darüber hinaus ist auch ein Netzwerk aus kleinen lernfähigen Systemen möglich, die untereinander die Aufgaben aufteilen.

Das Fraunhofer IMS war auf der embedded world 2020 und wurde dort zu AlfES interviewt.

 

Weitere Videos finden Sie auf unserem Youtube-Kanal

Das könnte Sie auch interessieren

Projekt „noKat“

Entwicklung eines neuronalen, optischen Kameratrackers zur Detektion sich annähernder Personen

Unsere Anwendungen – Beispiele was wir für Sie tun können

Föderiertes Lernen für ressourcenbegrenzte Systeme

SEC-Learn

Erkennung von Menschen mittels eingebetteter KI

NoKat

Personalisierbare KI

Individuell trainierbare Gestenerkennung

Unsere Anwendungsfelder – Unsere Expertise für Sie

Nachhaltige Produktion

 

  • Optimierung von Rohstoff- und Energieeinsatz
  • Einsatz alternativer Energieträger und energieautarke Sensoren

 

 

 

Mobile autonome Fertigung

  • Sensorik / Steuerung für Robots / Cobots
  • Industrielle Transportsysteme (AGV)
  • Mensch-Maschine Interaktion

Industrial-AI

  • Dezentrale KI-Systeme und Plattformen
  • Sensor-/Aktor-Optimierung und Kosteneffizienz durch lokale KI
  • Mustererkennungsverfahren

Vertrauenswürdige Elektronik

  • Schutz vor Produktpiraterie / Fälschungssichere Kennzeichnung
  • Manipulations- und ausfallsichere Elektronik
  • Vertrauenswürdige Lieferketten
 

Industry (Home)

Hier gelangen Sie zurück zu der Übersichtsseite des Industry Geschäftsfeldes.