Maschinenlernfähige Bewegungssensoren für IoT

Qeexo, Entwickler der automatisierten Plattform für maschinelles Lernen (ML) Qeexo AutoML, und STMicroelectronics haben die Verfügbarkeit der Kernsensoren für maschinelles Lernen (MLC) von ST auf Qeexo AutoML bekannt gegeben.

Während die MLC-Sensoren von ST in der Lage sind, den Gesamtstromverbrauch des Systems erheblich zu reduzieren, indem sie sensorbezogene Algorithmen ausführen, die aus großen Mengen erfasster Daten erstellt werden, die ansonsten auf dem Hostprozessor laufen würden. Indem Sie dies verwenden Sensor Daten kann Qeexo AutoML automatisch hochoptimierte Machine-Learning-Lösungen für Edge-Geräte generieren.

Mit extrem niedriger Latenz, extrem niedrigem Stromverbrauch und einem sehr geringen Speicherbedarf sind diese algorithmischen Lösungen in der Lage, die durch die Chipgröße auferlegten Grenzen der Rechenleistung und Speichergröße zu überwinden, mit effizienten Modellen für maschinelles Lernen für die Sensoren, die das System erweitern Lebensdauer der Batterie.

„Qeexo erfüllt das Versprechen, das wir kürzlich bei der Ankündigung unserer Zusammenarbeit mit ST gegeben haben, und hat die Unterstützung für die ST-Familie der Kernsensoren für maschinelles Lernen auf Qeexo AutoML hinzugefügt“, sagte Sang Won Lee, CEO von Qeexo. „Unsere Zusammenarbeit mit ST hat es Anwendungsentwicklern jetzt ermöglicht, Algorithmen für maschinelles Lernen auf den MLC-Sensoren von ST schnell zu erstellen und bereitzustellen, ohne MCU-Zyklen und Systemressourcen zu verbrauchen, für eine unbegrenzte Palette von Anwendungen, einschließlich Industrie- und IoT-Anwendungsfällen.“

„Die Anpassung von Qeexo AutoML an die Kernsensoren für maschinelles Lernen von ST erleichtert es Entwicklern, ihren Anwendungen mit sehr geringem Stromverbrauch schnell eingebettetes maschinelles Lernen hinzuzufügen“, fügt Simone Ferri, MEMS Sensors Division Director, STMicroelectronics, hinzu.

„Die Integration von MLC in unsere Sensoren, einschließlich des LSM6DSOX oder ISM330DHCX, reduziert das Datentransfervolumen des Systems erheblich, entlastet die Netzwerkverarbeitung und senkt möglicherweise den Stromverbrauch des Systems um Größenordnungen, während es gleichzeitig eine verbesserte Ereigniserkennung, Aufwachlogik und Echtzeit-Edge bietet. Computer.“