AIfES演示器，用于手写识别。手写在PS / 2触摸板上的数字由微控制器识别并输出。图片来源：Fraunhofe

如今，从洗衣机到血压计和可穿戴设备，几乎所有技术设备中都可以找到微控制器。弗劳恩霍夫大学微电子电路与系统研究所的研究人员开发了AIfES，这是一种用于微控制器和传感器的人工智能（AI）概念，其中包含一个完全可配置的人工神经网络。AIfES是一个独立于平台的机器学习库，可用于实现无需连接到云或高性能计算机的自学习微电子学。与传感器相关的AI系统可以识别手写和手势，例如，当库在可穿戴设备上运行时，可以控制输入的手势。

当前存在多种用于机器学习的软件解决方案，但通常它们仅适用于PC，并且基于Python编程语言。仍然没有解决方案可以执行和训练神经网络在诸如微控制器的嵌入式系统上。尽管如此，直接在嵌入式系统中进行训练还是很有用的，例如当植入的传感器要自我校准时。视觉是与传感器相关的AI，可以直接集成到传感器系统中。Fraunhofer IMS的一组研究人员以AIfES（嵌入式系统人工智能）的形式实现了这一愿景，AIfES是一种用C编程的机器学习库，可以在微控制器上运行，也可以在其他平台（例如PC，Raspberry PI）上运行和Android。该库当前包含一个完全可配置的人工神经网络（ANN），必要时它还可以生成用于深度学习的深度网络。人工神经网络是一种尝试使用算法在数学上模拟人脑，以使算法可以学习的功能上下文。AIfES已针对嵌入式系统进行了优化。

“我们将源代码降至最低，这意味着可以在微控制器或传感器（即嵌入式系统）上直接训练ANN。此外，源代码是通用的，并且可以在几乎任何平台上进行编译。因为始终使用相同的算法，例如在PC上生成的ANN可以轻松地移植到微控制器。到目前为止，使用市售软件解决方案无法以这种形式实现，” Fraunhofer IMS研究助理Pierre Gembaczka博士说。 

保护隐私

Fraunhofer IMS的与传感器相关的AI的另一个独特的合格功能：到目前为止，人工智能和神经网络已主要用于图像处理和语音识别，有时数据会离开本地系统。例如，语音配置文件是在外部服务器上的云中处理的，因为本地系统的计算能力并不总是足够的。“在此过程中很难保护隐私，并且会传输大量数据。这就是为什么我们选择了不同的方法，而放弃了云中的机器学习过程，而直接在嵌入式系统中使用机器学习的原因。

由于没有敏感数据离开系统，因此可以保证数据保护并显着减少要传输的数据量，” Fraunhofer IMS的“嵌入式系统”部门经理Burkhard Heidemann说，“当然，不可能实现深层的在嵌入式系统上学习模型，因此我们正在加大努力以进行优雅的特征提取以减少输入信号。”通过将AI直接嵌入微控制器中，研究人员可以为设备提供附加功能，而无需用于昂贵的硬件修改。

AIfES演示器，用于手写识别。所有功能都已集成在Arduino UNO上，它可以读取触摸板的传感器值，执行数字识别并将结果输出到显示屏。图片来源：Fraunhofer-Gesellschaft

减少数据

AIfES并不专注于处理大量数据，而是仅传输构建非常小的神经网络所需的数据。“我们不遵循处理大数据的趋势；我们坚持绝对必要的数据，并在嵌入式系统中创建一种微智能，可以解决有问题的任务。我们开发了新的特征提取和新功能。针对每个问题的数据预处理策略，以便我们可以实现最小的人工神经网络。这使对控制器本身的后续学习成为可能。” Gembaczka解释说。

该方法已经以若干示威者的形式付诸实践。例如，如果研究团队在便宜的8位微控制器（Arduino Uno）上实现了手写数字的识别。通过开发创新的特征提取方法，这在技术上成为可能。另一个演示者能够识别空中复杂的手势。IMS科学家在这里开发出了一个系统，该系统由一个微控制器和一个绝对方位传感器组成，该传感器可以识别空中写的数字。研究人员指出：“一种可能的应用是可穿戴设备的操作。” “为了使这种通信有效，各个人多次将数字写成1到9。神经网络接收到这些训练数据，从中学习并在下一步中独立识别数字。而且几乎所有数字都可以训练，而不仅仅是数字。”这消除了使用以下方法控制设备的需求语音识别：可穿戴设备可以通过手势进行控制，并且用户的隐私得到保护。

AIfES的潜在应用实际上没有任何限制：例如，具有集成手势识别功能的腕带可用于控制室内照明。而且，AIfES不仅可以识别手势，还可以监视手势的完成程度。无需教练或治疗师即可评估物理疗法和健身中的运动和动作。由于不使用相机或云，因此可以保持隐私。AIfES可用于各种领域，例如汽车，医药，智能家居和工业4.0。

分散式人工智能

AIfES还有更多优势：该库可以分散计算能力，例如，允许小型嵌入式系统在处理之前接收数据并将结果传递给上级系统。这大大减少了要传输的数据量。另外，有可能实现一个小型的具有学习能力的系统网络，这些系统在自己之间分配任务。

深度学习

AIfES当前包含具有前馈结构的神经网络，该结构也支持深度神经网络。Gembaczka说：“我们对解决方案进行了编程，以便我们可以描述具有一个功能的完整网络。” 整合附加网络形式和结构目前正在开发中。此外，除其他学习算法和演示器外，研究人员及其同事还开发了神经网络的硬件组件。Fraunhofer IMS当前正在研究RISC-V微处理器，该处理器将具有专门用于神经网络的硬件加速器。正在为此硬件优化AIfES的特殊版本，以便最佳利用资源。