Mouser German Blog

32-Bit-Mikrocontroller von Microchip und MPLAB X-Entwicklungstools ermöglichen schnelles Design und Embedded Machine Learning

(Quelle: RedlineVector/Shutterstock.com)

Automatisierung fasziniert innovative Köpfe seit langem, und zwar schon seit den alten Griechen. Das 20. Jahrhundert erlebte dank der Einführung der Elektrifizierung zu Beginn des Jahrhunderts und der Erfindung von Halbleitern in der zweiten Hälfte des Jahrhunderts eine rasante Entwicklung der Automatisierungstechnologien. Allerdings war die Automatisierung in der Regel auf streng kontrollierte Bereiche wie Fabriken beschränkt, in denen jedes Szenario geplant und bei der Konstruktion der zugehörigen Systeme berücksichtigt werden kann. Die reale Welt ist in der Regel weit weniger vorhersehbar, und so war die Akzeptanz von autonomen Systemen aufgrund von Sicherheitsbedenken relativ gering. Die Automatisierung verspricht jedoch zu große Vorteile, als dass man sie ignorieren könnte. So könnte sie zum Beispiel Menschen mit Querschnittslähmung durch den Einsatz autonomer Systeme die Bewegungsfreiheit zurückgeben.

Algorithmen des Machine Learning (ML) können die Entwicklung hin zu autonomen Systemen entscheidend beeinflussen. Für Entwickler von eingebetteten Systemen ist es hochinteressant, diese effizienten, dem menschlichen Gehirn nachempfundenen Algorithmen mit kostengünstigen und dennoch leistungsstarken Mikrocontrollern und Sensoren zu kombinieren. Aus dieser technologischen Verbindung ist das so genannte Edge Computing entstanden, das Milliarden von erschwinglichen eingebetteten elektronischen Systemen verspricht, die fast verzögerungsfrei mit der physischen Welt interagieren – eine wesentliche Eigenschaft der Edge-Internetverbindung. Daher kann Edge Computing selbst an den entlegensten Orten ohne Konnektivität uneingeschränkt ML-fähige Funktionen bieten. Insgesamt stellt Edge Computing eine Revolution in der Automatisierung dar, sowohl im Hinblick auf die Dimensionen als auch auf die Fähigkeiten.

Mit dieser Revolution werden Entwickler von eingebetteten Systemen herausgefordert, ein breites Spektrum von Verbraucher- und Industrieprodukten neu zu konzipieren und ML-Technologien zu nutzen, um sie sicherer, benutzerfreundlicher oder effizienter zu machen. Unternehmen wie Microchip Technology bieten kostengünstige und dennoch leistungsstarke Entwicklungsboards an, mit denen Entwickler ML-zentrierte Technologien schnell erforschen und in Produktprototypen integrieren können. Wir werden untersuchen, wie sich Rapid Prototyping mit der integrierten Entwicklungsumgebung (IDE) MPLAB X von Microchip Technology und der Produktfamilie von 32-Bit-Mikrocontrollern und ‑Mikroprozessoren realisieren lässt (Abbildung 1).

Maschinelles Lernen: Gehirnforschung im Zusammenspiel mit Halbleitern

Beim Menschen werden alle Erfahrungen mit der physischen Welt von den hundert Milliarden Neuronen verarbeitet, aus denen das Gehirn besteht. Seine Fähigkeit zu lernen und sich anzupassen, gepaart mit seiner außergewöhnlichen Energieeffizienz, machen das biologische Gehirn zu einer wahren Meisterleistung der Ingenieurskunst der Natur. Wir sind noch Jahrzehnte davon entfernt, die gesamte Funktionalität des Gehirns künstlich zu reproduzieren (wie z. B. eine echte universelle künstliche Intelligenz oder KI). Bestimmte Teilfunktionen des Gehirns können wir jedoch dank neuer Technologien für maschinelles Lernen bereits heute reproduzieren. So können beispielsweise Machine-Vision-Algorithmen elektronischen Geräten die Fähigkeit geben, Objekte im Sichtfeld einer Kamera zu identifizieren und zu klassifizieren. 

Warum ist das wichtig? Die weit verbreitete Einführung von Automatisierung bedeutet, dass Menschen und Technologie immer häufiger und auf zunehmend riskantere Weise interagieren werden. Um diese Risiken zu minimieren, müssen Maschinen ihre Umgebung besser wahrnehmen und verstehen können. Maschinelles Sehen ist ein solcher Mechanismus, der Geräten die Fähigkeit verleiht, den physischen dreidimensionalen Raum zu erfassen und zu verstehen. Aus praktischer Sicht ist die Erkennung der Anwesenheit eines Menschen in einem physischen Raum eine Fähigkeit, die weitreichende Auswirkungen auf zahlreiche Anwendungsfälle unter anderem in den Bereichen Sicherheit, Schutz sowie Altenpflege und Kinderbetreuung hat.

Leistungsfähige ML-Algorithmen erfordern ebenso leistungsfähige Hardware. Microchip bietet eine breite Palette von 32-Bit-Mikroprozessoren und ‑Mikrocontrollern an, die nahezu alle Leistungs- und Kostenanforderungen von Entwicklern erfüllen, die KI-nahe Produktlinien aufbauen möchten. Microchip erleichtert die Entwicklung und das Testen dieser Lösungen mit seinen ML-Evaluierungskits, wie z. B. dem EV18H79A oder dem EV45Y33A. Das VectorBlox^™ Accelerator Software Development Kit (SDK) ermöglicht das Design von KI/ML-Anwendungen mit geringem Stromverbrauch und kleinem Formfaktor auf Microchips PolarFire^® Field Programmable Gate Arrays (FPGAs). FPGAs eignen sich gut für Edge-KI-Anwendungen, einschließlich Inferencing in Umgebungen mit eingeschränkter Rechenleistung. Dies liegt daran, dass FPGAs mehr Giga-Operationen pro Sekunde (GOPS) mit höherer Leistungseffizienz verarbeiten können als zentrale Recheneinheiten (CPUs) oder Grafikprozessoren (GPUs). Entwickler können ihre Algorithmen auf PolarFire FPGAs implementieren, um die wachsende Nachfrage nach energieeffizientem Inferencing in Edge-Anwendungen zu erfüllen. Darüber hinaus sind für PolarFire FPGAs keine Vorkenntnisse im FPGA-Design erforderlich. Mit dem Microchip VectorBlox Accelerator SDK können Entwickler in C/C++ programmieren und energieeffiziente neuronale Netzwerke programmieren.

Für die Integration von Bildverarbeitungsalgorithmen in Mikrocontroller-Hardware benötigen Entwickler von Embedded-Systemen zusätzliche Kenntnisse und Fähigkeiten. Um diese Fortbildung zu unterstützen, hat Microchip mit verschiedenen KI-fokussierten Startups Partnerschaften geschlossen, um deren KI-Trainingslösungen direkt in die MLPAB X IDE zu integrieren. Die erste Lösung ist die NanoEdge AI Suite von Cartesiam. NanoEdge AI Library ist ein Werkzeug, mit dem man nach C-Programmiersprachen-basierten KI-Bibliotheken suchen und diese in das eigene Embedded-Firmware-Projekt integrieren kann. Mit AI Studio kann ein Embedded-Entwickler die Details der Signalverarbeitung und des ML-Modelltrainings abstrahieren. Das Endergebnis ist eine statische Bibliothek, die in die Haupt-.c-Datei eingebunden werden kann und auf jedem der Arm Cortex-basierten Mikrocontroller von Microchip läuft.

Edge Impulse ist eine umfassende TinyML-Trainings- und Einsatzpipeline, die Datensatzsammlung, DSP, Training von ML-Algorithmen, Testen und hocheffiziente Inferenzcode-Generierung für eine Vielzahl von Sensor-, Audio- und Bildverarbeitungsanwendungen umfasst. Dank eines MPLAB X IDE-Plugins können Trainingsdaten von fast allen 32-Bit-Arm-Mikrocontrollern von Microchip schnell an Edge Impulse übertragen werden.

Außerdem hat Microchip eine Partnerschaft mit Motion Gestures geschlossen und bietet damit einen einzigartigen Mechanismus für die Bereitstellung von Gestenerkennungsfunktionen für Embedded-Systeme. Die Tools von Motion Gesture geben Entwicklern Werkzeuge zur Mustererkennung an die Hand, um Gesten basierend auf Bewegung, Berührung und Bild zu erfassen. Entwickler können die vorkonfigurierte Gestenbibliothek von Motion Gesture nutzen oder eine Smartphone-App verwenden, um ihre eigenen Gesten zu trainieren. Ein Plugin für die MPLAB X IDE ermöglicht es Entwicklern sogar, die Motion Gesture Software-Bibliothek mit Bibliotheken für eine Vielzahl von Microchip-Sensoren (z. B. kapazitiver Touch, Inertial Measurement Units oder IMUs) zu integrieren.

MPLAB X IDE ist eine leistungsstarke und stark erweiterbare Entwicklungssuite für viele Mikrocontroller und digitale Signalprozessoren von Microchip. Sie ist für Windows, Mac OS und Linux verfügbar und bietet zahlreiche interessante Funktionen, die für Embedded-Entwickler von großem Interesse sind, einschließlich Datenvisualisierung, I/O-Oib-Viewer und sogar einer webbasierten Version, die es Entwicklern ermöglicht, von jedem Computer der Welt auf ihren Quellcode zuzugreifen.

Abbildung 1: Infografik zu den KI- und Machine Learning-Lösungen von Microchip Technology für Smart Applications (Quelle: Mouser Electronics)

Abbildung größer darstellen

Fazit

Ein Basisprojekt kann Ihnen das Vertrauen und die Fähigkeiten geben, anspruchsvollere eigene Bildverarbeitungsprojekte zu entwickeln und dabei die 32-Bit-Mikroprozessoren und -Mikrocontroller von Microchip Technology einzusetzen. Wie bereits angesprochen, kann die Computer-Vision in zahlreichen Sicherheitsanwendungen sinnvoll sein. Anstatt eine LED aufleuchten zu lassen, könnte ein General-Purpose Input/Output (GPIO) ein Relais auslösen, das den Stromfluss zu schweren Maschinen unterbricht, falls eine Person einen Ort betritt, an dem sie sich nicht aufhalten sollte. Oder ein Sicherheitsgerät könnte einen Alarm auslösen, wenn eine Person nach Geschäftsschluss erkannt wird.

Natürlich beschränken sich die Entwickler nicht auf die Identifizierung von Menschen. ML-Algorithmen können trainiert werden, um eine beliebige Anzahl von Objekttypen zu identifizieren und zu klassifizieren. Vielleicht gibt es auch Anwendungsfälle, bei denen keine visuelle Erkennung erforderlich ist, sondern andere Anforderungen erfüllt werden müssen. ML-Algorithmen zur Audio-Identifikation könnten ersetzt werden, um Outputs basierend auf Tönen statt auf Bildern auszulösen. Unabhängig von der Art der Eingangssignale bieten die Hardware- und Software-Tools von Microchip und seinen KI-Startup-Partnern einen schnellen und einfachen Arbeitsprozess, mit dem ML-Fähigkeiten an die Edge gebracht werden können.

Die Kombination von ML-Algorithmen mit leistungsstarken, kostengünstigen Embedded-Systemen führt zu einer robusteren und intelligenteren Automatisierung. Entwicklern von Embedded-Systemen stehen heute zahlreiche Tools zur Verfügung, mit denen sie schnell und kostengünstig Machine-Learning-Technologie in ihre Produkte einbetten können. Vorausschauende Produktentwickler sollten sich fragen, wie und nicht ob Machine-Learning-Technologien an ihre Produkte angepasst werden können, um potenziellen Kunden einen zusätzlichen Nutzen zu bieten. Wir hoffen, dass dieses Projekt Ihre Fantasie angeregt hat und Sie sich nun fragen: Wie kann ich maschinelles Lernen nutzen, um künstliche Intelligenz in meinen Produkten zum Einsatz zu bringen?