Bewegingssensoren die geschikt zijn voor machine learning, bedoeld voor IoT

Qeexo, ontwikkelaar van het Qeexo AutoML geautomatiseerde machine-learning (ML) platform, en STMicroelectronics hebben de beschikbaarheid aangekondigd van ST's machine-learning core (MLC) sensoren op Qeexo AutoML.

Terwijl de MLC-sensoren van ST in staat zijn om het totale stroomverbruik van het systeem aanzienlijk te verminderen door detectiegerelateerde algoritmen uit te voeren, opgebouwd uit grote sets gedetecteerde gegevens, die anders op de hostprocessor zouden worden uitgevoerd. Door dit te gebruiken sensor gegevens kan de Qeexo AutoML automatisch sterk geoptimaliseerde machine-learning-oplossingen voor Edge-apparaten genereren.

Met ultra-lage latentie, ultra-laag stroomverbruik en een zeer kleine geheugenvoetafdruk zijn deze algoritmische oplossingen in staat om de door die-size opgelegde limieten aan rekenkracht en geheugengrootte te overwinnen, met efficiënte machine learning-modellen voor de sensoren die het systeem uitbreiden batterijduur.

"Om de belofte na te komen die we onlangs hebben gedaan toen we onze samenwerking met ST aankondigden, heeft Qeexo ondersteuning toegevoegd voor ST's familie van machine-learning kernsensoren op Qeexo AutoML", zegt Sang Won Lee, CEO van Qeexo. "Ons werk met ST heeft applicatieontwikkelaars nu in staat gesteld om snel machine learning-algoritmen op ST's MLC-sensoren te bouwen en in te zetten zonder MCU-cycli en systeembronnen te verbruiken, voor een onbeperkt aantal toepassingen, waaronder industriële en IoT-gebruiksscenario's."

"Door Qeexo AutoML aan te passen aan ST's machine learning-kernsensoren, wordt het voor ontwikkelaars gemakkelijker om snel embedded machine learning toe te voegen aan hun zeer energiezuinige toepassingen", aldus Simone Ferri, MEMS Sensors Division Director, STMicroelectronics.

“Door MLC in onze sensoren te plaatsen, waaronder de LSM6DSOX of ISM330DHCX, wordt de overdrachtsvolumes van systeemgegevens aanzienlijk verminderd, de netwerkverwerking ontlast en mogelijk het stroomverbruik van het systeem met een orde van grootte verlaagd, terwijl verbeterde gebeurtenisdetectie, weklogica en realtime Edge worden geleverd. computergebruik.”