エッジにおけるセンシングのためのエコシステム

このブログでは、IoTとエッジコンピューティング向けに設計されたセンシングシステムアーキテクチャのいくつかのアプローチを比較しながら紹介します。各アプローチには、複雑さとシステム消費電力の点で長所と短所があります。

スマートシステムとしてのMEMS

エッジにスマートセンサシステムを構築するには、図1に示す3つの主流なアプローチがあります。「従来のアプローチ」は、ホストMCUで実行される完全なアルゴリズムで、非常に柔軟です。

機械学習とデジタル信号処理をセンサに統合することは、「真のエッジ」コンピューティングに向けた重要な前進です。特にMEMSデバイス（微小電気機械システム）におけるこの融合により、データを収集するだけでなく、リアルタイムで解釈し、それに基づいて動作する能力を持つエッジシステムが可能になります。センサに組み込まれたインテリジェンスにより、データ処理の効率が向上し、エッジでの迅速な状況に即した応答が可能になります。

図1：主流のセンサシステムアーキテクチャ。（画像提供：STMicroelectronics）

従来のアプローチ

従来のコンピューティングアーキテクチャでは、マイクロコントローラ（MCU）がセンサデータの処理を行うハブであり、センサ処理アルゴリズムが組み込まれています。このアプローチは、ファームウェアの移植性という点で非常に柔軟であり、複雑なアルゴリズムの処理に最適な拡張性の高いアーキテクチャです。しかし、このアーキテクチャでは、センサデータはセンサからMCUに送信する必要があり、多くの場合、高速データレートで送信されます。MCUは、アルゴリズムが機能するために必要なデータを取得するために生データをフィルタリングする必要があり、送信されたサンプルの多くを破棄することもあります。この結果、効率が低下し、IoTコンピューティングでは特に重要となるシステムの消費電力が増加します。さらに、MCUの選択は、すべてのアルゴリズムを実行できるように、フラッシュサイズとメモリ容量を適切に選択する必要があり、システムのコストと複雑さに拍車をかけます。

機械学習コア（MLC）

IoTエッジ処理の第2のアプローチは、図2に示されている機械学習コアです。MLCはセンサに組み込まれたエンジンで、強化学習により特定のイベントを認識するようにトレーニングすることができます。MLCは、計算ブロック、フィルタリング、メタ分類に基づく決定木（ディシジョンツリー）で構成されています。

MLCセンサは動きを検知し、最終的に生データではなく「イベント」をMCUに送ることで、より優れたシステムエネルギー効率を実現します。MLC対応センサでは、アルゴリズムデータは主にセンサ自体に格納されています。MLCは、センサデータに特化して動作するため、従来のコンピューティングアーキテクチャよりも拡張性が低くなります。しかし、MLCは、ジェスチャや振動レベルなど、プログラミングが難しいイベントの開発に非常に役立ちます。

図2：機械学習コアを内蔵したセンサ。（画像提供：STMicroelectronics）

インテリジェントセンサ処理ユニット（ISPU）

ISPUはデジタルシグナルプロセッサ（DSP）を内蔵したセンサで、チップ内でセンサデータを処理するように設計されています。ISPUは、より複雑なセンサアルゴリズム用の標準Cコードを実行できるため、組み込み機械学習アプローチよりも移植性が高くなっています。しかし、ISPUのDSPはセンサ関連の演算を目的とした専用コアであり、コードやデータ構成の面で従来のアプローチに比べ、制約が多くなっています。

MLCと同様に、ISPUはMCUにデータを転送して処理する必要がなく、センサデータをリアルタイムで処理するため、必要な演算能力を最適化します。MLCのアプローチとは対照的に、ISPUはAI対応プログラマブルコア（MLとNN）でも高い処理能力を発揮します。ISPUはC言語で動作するため、多くの商用およびオープンソースのAIモデルと互換性があります。

図3：インテリジェントセンサ処理ユニットの機能。（画像提供：STMicroelectronics）

センサ関連のアプリケーションでAIを活用するには、スマートセンサアーキテクチャを迅速に適応させるために、新しいツールやソフトウェア例も活用する必要があります。上記の3つのアプローチすべてに対応するツールの1つが、Nano Edge™ AI Studio（NEAi）です。これは開発者向けの無料のPCベースの開発環境です。NEAiは高度なデータサイエンスのスキルを必要とせず、ソフトウェア開発者は使いやすい環境から最適なtinyML® ライブラリを作成できます。NEAiは、異常検知、外れ値検知、分類、回帰の4種類のライブラリを生成することができます。NEAiソフトウェアツールを使用したISPUの異常検知アプリケーションの使用方法の詳細については、下記参考文献#4をご覧ください。

まとめ

エッジコンピューティングアプリケーションにおけるセンサのコンピューティングアーキテクチャには、いくつかの選択肢があります。 「ソース」でデータを処理する方が持続可能であり、データをリアルタイムで処理することで時間とエネルギーを削減できます。MEMSセンサやツールチェーンに組み込まれた機械学習や人工知能の機能を活用することで、新しいIoTエッジコンピューティングシステムは、真に持続可能なスマートシティ、製造スループットの向上、ヘルスケア分野をはじめとする低消費電力ウェアラブルセンサなどのアプリケーションを実現します。

リファレンス

1. MEMS & センサによる機械学習用開発エコシステム：

   https://www.st.com/content/st_com/ja/ecosystems/MEMS-Sensors-Ecosystem-for-Machine-Learning.html#stm32ce-MachineLearningCore

2. インテリジェント処理ユニットによるMEMセンサの異常検知への活用方法：

   https://community.st.com/t5/mems-and-sensors/how-to-use-mems-sensors-with-an-intelligent-processing-unit-for/ta-p/49634

3. MEMS慣性計測ユニットにおけるセンサーフュージョンの低消費電力化：

   https://community.st.com/t5/mems-and-sensors/how-lsm6dsv16x-enables-sensor-fusion-low-power-sflp-algorithm/ta-p/585084

4. NEAIソフトウェアツールを使用した異常検知アプリケーションでインテリジェント処理ユニットと併用してMEMSセンサを使用する方法

   https://community.st.com/t5/mems-and-sensors/how-to-use-mems-sensors-with-an-intelligent-processing-unit-for/ta-p/49634