정말로 모든 미가공 센서 데이터가 필요하십니까? 아닙니다. 더 나은 방법이 있습니다!

여러분이 센서 데이터 스트림을 이용하는 애플리케이션을 빌드하고 있다면, 저처럼 데이터 중독자일 가능성이 높습니다. 센서 장치가 애플리케이션에 데이터를 쏟아붓는 것을 보면 어떤 만족감을 느끼며, 손쉽게 사용할 수 있는 다량의 센서를 통해 데이터 스트림을 쉽게 추가할 수 있습니다.

센서 시스템은 놀라운 수준의 세부 정보를 사용하여 확장된 측정 시퀀스로 분해되는 매크로 이벤트를 캡처할 수 있습니다. 가장 열성적인 데이터광들조차 방대한 양의 미가공 데이터만으로는 애플리케이션의 목표에 이르지 못한다는 사실을 인정합니다. 그것은 이벤트 자체에 관한 것이지 각 이벤트에 대해 잘게 쪼갠 측정값에 관한 것이 아닙니다. 다행히도 스마트 센서의 등장은 애플리케이션과 사용자에게 중요한 이벤트로 초점을 복원시키는 데 도움이 될 수 있습니다.

더 많은 센서 데이터를 생성하는 것이 쉬워지면서 데이터 스트림이 미가공 측정값의 홍수로 변해, 데이터를 유용하게 만들기 위한 내장 하드웨어와 소프트웨어를 압도할 수 있습니다. 이는 단순히 처리 기능과 통신 기능을 초과하는 데이터의 문제가 아닙니다. 세부적인 측정값은 일반적으로 의사 결정에 필요한 보다 높은 수준의 추상화보다 작은 세부 사항에 집착하기 때문에 애플리케이션 개발자와 사용자에게 방해가 될 수 있습니다.

추상화 다루기

추상화는 정의상 세부 사항의 손실을 의미합니다. 데이터 중심 애플리케이션의 경우, 여러 미가공 측정값에서 추출한 파생 데이터로 작업을 하면 엔지니어 입장에서는 추후 중요해질 수도 있는 일부 세부 정보의 누락을 염려할 수 있습니다. 이는 새로운 이벤트를 식별하거나 근본적인 원인을 해결해야 하는 운송용 데이터 레코더나 보안용 데이터 레코더와 같은 애플리케이션의 경우에 유효한 우려 사항입니다.

그러나 많은 소비자 및 산업용 애플리케이션의 경우 관심 있는 이벤트의 구체적인 특성이 잘 알려져 있습니다. 사람이나 물체가 갑자기 떨어지면 특정 동작 아티팩트가 생성되고 산업용 모터 결함이 생기면 예측 가능한 진동 패턴을 나타냅니다. 이러한 특성에 대한 세부 사항은 일반적으로 많은 상위 애플리케이션에서는 중요하지 않습니다. 애플리케이션은 낙하 또는 결함 이벤트가 발생할 때만 경보를 발하면 됩니다. 물론 경보 조건 감지에 사용되는 메커니즘에는 상세한 센서 측정값이 필요합니다.

저는 높은 수준의 이벤트를 처리하는 애플리케이션을 위해 엄청난 양의 데이터를 생성하는 프로젝트에서 이 같은 문제에 직면했습니다. 높은 수준의 이벤트 정보를 생성하려면 상세한 데이터가 필요했지만, 측정 데이터를 한시적인 활동 기간 이상 보관하려면 저장 공간이 부족하게 됩니다. 기계 학습 및 기타 분석 방법을 기반으로 하는 추상화 메서드가 성공적이었습니다.

많은 테스트 후에, 우리는 추상화를 생성하고 이전 측정 데이터를 덮어쓸 수 있다고 확신했습니다.

이벤트에 집중

STMicroelectronics의 iNEMO 관성 측정 장치(IMU) 라인 같은 최첨단 센서는 상시 작동 애플리케이션에 이러한 기능을 제공합니다. 저전력 IMU에는 배터리 구동 소비자 애플리케이션용 LSM6DSOX, 고정밀 애플리케이션용 LSM6DSRX, 산업 애플리케이션용 ISM330DHCX가 포함됩니다. 이러한 IMU는 프로그래밍 가능한 유한 상태 신호 발생기(FSM)와, 교육 데이터 세트를 사용하여 훈련할 수 있는 기계 학습 코어(MLC)를 통합합니다('스마트 센서의 내장된 머신 러닝 코어를 사용하여 '상시 작동' 동작 추적 최적화' 참조).

장치 중 하나가 관심 이벤트오 관련된 패턴을 감지하면 호스트 프로세서에 인터럽트를 생성할 수 있습니다. 그러면 호스트 프로세서가 적절한 애플리케이션 논리를 수행할 수 있습니다. 정말로 미가공 동작 데이터만 사용하거나 이벤트 인터럽트와 함께 사용하면 다른 동작 센서와 마찬가지로 미가공 측정 데이터를 읽을 수 있습니다(그림 1).

그림 1: STMicroelectronics iNEMO IMU는 통합 FSM, MLC, IMU의 FIFO 버퍼를 통한 호스트 액세스를 위해 조건부 데이터를 생성하는 완전한 디지털 체인을 통합합니다. (이미지 출처: STMicroelectronics)

자체 측정값을 모니터링하고 더 추상적인 이벤트를 식별할 수 있는 센서의 기능은 프로세서와 통신 채널의 부하를 줄이고 새로운 세대의 스마트 센서로 가는 길을 제시합니다. 더 중요한 점은 내부적으로 미가공 데이터를 분석하고 유용한 정보를 생성할 수 있는 센서가 미가공 측정값보다 더 많은 파생 데이터를 제공하는 더 효율적인 ML 설계로 향하는 길을 제시한다는 점입니다.

결론

미가공 측정값이 아닌 파생 데이터에 애플리케이션 솔루션의 초점을 맞추는 데는 ML 지원 센서가 필요하지 않습니다. 비교적 단순한 데이터 세트의 경우, 센서 시스템의 호스트 프로세서에 이벤트를 식별하기 위한 의사 결정 트리를 실행에 사용할 수 있는 충분한 주기가 있을 수 있습니다. 그러나 대규모 배포의 경우, 센서와 업스트림 호스트 사이의 에지 컴퓨팅 리소스를 사용하여 추상화 변환을 수행할 수 있습니다. 어떤 방식이든 데이터를 유용한 추상화로 축소하면 적은 양의 데이터로 더 많은 애플리케이션 영역에 도움이 됩니다.

참고 자료:

스마트 센서의 내장된 머신 러닝 코어를 사용하여 '상시 작동' 동작 추적 최적화

1 – https://www.digikey.com/en/articles/use-a-smart-sensors-built-in-machine-learning-core-to-optimize-always-on-motion-tracking