Rutronik News

Energieeffiziente Bewegungssensorik dank Machine-Learning

Für die Erfassung von Bewegungen, die Ausrichtung im Raum sowie die Stabilisierung von Bildern und Objekten haben sich inertiale Mess­ein­heiten aus Beschleunigungssensor und Gyroskop weitgehend durchgesetzt. Um die Energieaufnahme zu reduzieren und die Erfassung zu verbessern, hat ST Machine-Learning-Technologien in seinen neusten Sensor integriert.

Bislang war es ein ungelöstes Dilemma, den Energieverbrauch von inertialen Messeinheiten (Inertial Measurement Units, IMU) zu reduzieren. Denn entweder müssen Unmengen an erfassten Rohdaten verschickt werden - ein energieintensiver Prozess. Oder die Daten müssen durch den Host-Mikrocontroller vorverarbeitet werden, was nicht weniger Energie erfordert.

Mit dem neuen MEMS-Sensor LSM6DSOX aus der iNEMO-Familie hat ST diesen gordischen Knoten elegant gelöst: Hier arbeitet ein Machine-Learning-Core mit Zustandsautomaten (Finite-State-Machines, FSM) zusammen und klassifiziert Bewegungsdaten anhand bekannter Muster entlang eines Entscheidungsbaums. Damit muss der Hauptprozessor diese erste Stufe der Aktivitätsverfolgung nicht mehr übernehmen. Das Ergebnis: Der Energieverbrauch sinkt, gleichzeitig verbessert sich die Erkennung und es steigt die Verarbeitungsgeschwindigkeit von Apps wie Fitness-Trackern, für Wellness-Monitoring, Navigation oder die Fallerkennung in Smart­phones, Wearables oder Spiele-Controllern.

Entscheidungsbaum-Logik für schnelle und effiziente Verarbeitung

Ein Entscheidungsbaum ist ein Tool, das mathematische Unterscheidungen unterstützt. Es besteht aus mehreren konfigurierbaren Knoten. An jedem Knoten wird ein statistischer Parameter mit einem Schwellenwert abgeglichen; anhand des Ergebnisses wird der nächste Knoten ausgewählt. Wird schließlich ein Blatt - also einer der letzten Knoten eines Baumes - erreicht, erzeugt der Entscheidungsbaum ein Ergebnis, das von einem spezifischen Geräteregister gelesen werden kann.

Durch den Entscheidungsbaum verarbeitet der Sensor einen induktiven Algorithmus mit einem Bruchteil des normalen Energieverbrauchs. Und das System kann nicht nur Bewegungen erkennen wie Gehen, Laufen, Joggen, Radfahren oder Bewegungslosigkeit, sondern zählt z.B. beim Workout sogar die Bizep-Curls, Kniebeugen, Liegestütze und andere Bewegungen - alles auf Basis erlernter Muster.

Um eine hohe Treffsicherheit beim Ergebnis zu erreichen, ist die Datenauswahl entscheidend: Es müssen die Daten gesammelt werden, welche die gewünschte Klasse einer Bewegung charakterisieren. Da es sehr komplex ist, diese Klassen manuell in Software zu beschreiben, kommen hier Machine-Learning-Tools zum Einsatz, die die Programmierung stark vereinfachen. ST verwendet das öffentlich zugängliche Machine-Learning-Tool ◊Weka" und eine eigene Entwicklungsumgebung, welche die gewonnenen Parameter in Register-Settings des Sensors umwandelt. Damit muss sich der Entwickler nur noch um die Funktionalität kümmern und nicht erst die gesammelten Daten auswerten.

Der LSM6DSOX lässt sich so konfigurieren, dass bis zu acht Entscheidungsbäume simultan und unabhängig voneinander abgearbeitet werden.

Programmierbare Interrupts

Zudem kann der LSM6DSOX bei bestimmten, vom Nutzer festgelegten Bewegungen einen Interrupt abgeben. Hierfür lassen sich die endlichen Zustandsmaschinen unabhängig voneinander für eine bestimmte Bewegungserkennung programmieren, z.B. für einen Blick auf ein Display, eine Drehung des Handgelenks, ein Schütteln, doppeltes Schütteln oder das Hochnehmen des Geräts. Dafür hat jede der 16 endlichen Zustandsmaschinen ihren eigenen Speicherbereich und wird unabhängig von den anderen ausgeführt. Der Interrupt wird ausgelöst, wenn der Endzustand der Bewegung erreicht ist. Weitere konfigurierbare Funktionen sind vordefiniert, um Interrupts für den freien Fall, Bewegungserkennung, 6D-/4D-Orientierung sowie Klick und Doppelklick auszulösen.

Auch für geschlossene Regelschleifen lässt sich der LSM6DSOX einsetzen, z.B. zur Stabilisierung von beweglichen industriellen Steuerungen. Spezialfälle dieser Anwendung sind die optische und die elektronische Bildstabilisierung (OIS und EIS) in Kameraapplikationen. Diese Funktionen werden unterstützt durch einen zusätzlichen Hilfs-SPI-Ausgang, der Daten ohne den Umweg über FIFO-Register zur Verfügung stellt und dadurch für schnelle Reaktionszeiten sorgt, wie es zum Beispiel bei der optischen Bildstabilisierung nötig ist.

Always-on-Benutzererfahrung bei geringem Energieverbrauch

Das LSM6DSOX ist ein System-in-Package (SiP) mit einem kombinierten mechanischen 3D-Beschleunigungsmesser und 3D-Gyroskop zusammen mit einem Low-Power-CMOS-ASIC zur Auswertung in einem kleinen Kunststoff-Land-Grid-Array-Gehäuse (LGA-14L). Sein Beschleunigungsbereich von ±2/4/8/16g und der Winkelratenbereich von ±125/250/500/1000/2000 dps sind dynamisch wählbar. Der Hochleistungsmodus sorgt für hohe Performance bei einem Stromverbrauch von nur 0,55 mA. Mit seinem extrem rauscharmen Beschleunigungsmesser und Gyroskop kombiniert der Sensor eine Always-on-Benutzererfahrung bei geringem Energieverbrauch mit einer überlegenen Messgenauigkeit. Über den Sensor-Hub lässt sich zusätzlich ein externer Sensor, z.B. ein Magnetometer, anschließen.

Mit all diesen Merkmalen ermöglicht der LSM6DSOX eine enorme Vielfalt an Anwendungen - nicht nur für die Bewegungserkennung, sondern auch für das Management von Benutzerschnittstellen, als Laptop-Schutz, zur Erkennung von Bewegungsmustern und Vibration für Roboter und Maschinensteuerungen, Gabelstapler bis hin zur Bewegungserkennung von Flugzeugen, z.B. Take-off und Landung.

Komponenten gibt es auf www.rutronik24.de.

Bleiben Sie auf dem Laufenden, indem Sie unseren Newsletter abonnieren.