에지에서의 감지를 위한 에코시스템

이 블로그에서는 IoT 및 에지 컴퓨팅을 위해 설계된 감지 시스템 아키텍처에 대한 몇 가지 접근 방식을 소개하고 비교합니다.  각 접근 방식은 복잡성 및 시스템 전력 소비의 측면에서 장단점이 있습니다.

스마트 시스템으로서의 MEMS

그림 1에서 보는 바와 같이, 에지에서 스마트 센서 시스템을 만드는 데는 크게 3가지 접근 방식이 있습니다. '기존의 접근 방식'은 전체 알고리즘을 호스트 MCU에서 실행하는 매우 유연한 방식입니다.

센서에 머신 러닝과 디지털 신호 처리를 통합하는 것은 '진정한 에지' 컴퓨팅을 위한 중대한 진전이 이루어졌음을 의미합니다. 이러한 융합은 특히 MEMS(초소형 전자 기계 시스템) 장치 내에서 이루어지며, 이는 데이터를 캡처할 뿐만 아니라 실시간으로 데이터를 해석하고 이에 대해 조치할 수 있는 에지 시스템을 구현합니다. 센서에 내장된 인텔리전스는 데이터 처리의 효율성을 개선하여, 에지에서 더욱 빠르고 상황에 맞는 응답을 가능하게 합니다.

그림 1: 주요 센서 시스템 아키텍처. (이미지 출처: STMicroelectronics)

기존의 접근 방식

기존 컴퓨팅 아키텍처에서 마이크로 컨트롤러(MCU)는 센서 데이터를 처리하는 허브이며 센서 처리 알고리즘을 포함하고 있습니다. 이 접근 방식은 펌웨어 이식성 측면에서 매우 유연하며 복잡한 알고리즘을 처리하는 데 가장 확장성이 뛰어난 아키텍처입니다. 그러나 이 아키텍처에서는 센서 데이터를 센서에서 MCU로 전송해야 하며, 종종 빠른 데이터 전송률이 요구됩니다. 또한 MCU는 알고리즘이 작동하기 위해 필요한 요소를 찾기 위해 원시 데이터를 필터링해야 하며, 전송된 많은 샘플을 버릴 수 있습니다. 이로 인해 효율성이 떨어지고 일반적으로 시스템 전력 소비가 높아지는데, 이는 IoT 컴퓨팅에서 매우 중요한 사안일 수 있습니다. 또한 모든 알고리즘을 실행할 수 있도록 플래시 크기와 메모리가 적절한 크기의 MCU를 선택해야 하므로, 시스템의 비용과 복잡성이 증가합니다.

머신 러닝 코어(MLC)

IoT 에지 처리에 대한 두 번째 접근 방식은 그림 2에 표시된 머신 러닝 코어입니다. MLC는 센서에 내장된 엔진으로, 감독 학습을 통해 특정 이벤트를 인식하도록 학습시킬 수 있습니다. MLC는 계산 블록, 필터링, 메타 분류에 기반한 의사 결정 트리로 구성됩니다.

MLC 센서는 움직임을 감지하고 궁극적으로 원시 데이터가 아닌 '이벤트'를 MCU에 전달하므로, 시스템 에너지 효율을 개선합니다. MLC 지원 센서의 경우, 알고리즘 데이터가 주로 센서 자체에 포함되어 있습니다. MLC는 센서 데이터에서만 작동하기 때문에, 기존 컴퓨팅 아키텍처에 비해 확장성이 떨어집니다. 하지만 MLC는 제스처나 진동 수준과 같이 프로그래밍하기 어려운 이벤트를 개발하는 데 매우 유용할 수 있습니다.

그림 2: 머신 러닝 코어가 통합된 센서. (이미지 출처: STMicroelectronics)

통합 센서 처리 장치(ISPU)

ISPU는 디지털 신호 프로세서(DSP)가 통합된 센서로, 로컬, 즉 칩에서 센서 데이터와 작동하도록 설계되었습니다. ISPU는 더 복잡한 센서 알고리즘을 위한 표준 C 코드를 실행할 수 있으므로, 임베디드 머신 러닝 접근 방식보다 이식성이 뛰어납니다. 그러나 ISPU의 DSP는 센서 관련 작업을 위한 전용 코어로, 기존 방식보다 코드 및 데이터 구성 측면에서 더 많은 제약이 있습니다.

ISPU는 MLC와 마찬가지로 실시간으로 센서 데이터에서 작동하기 때문에 필요한 컴퓨팅 성능을 최적화하며, 처리를 위해 데이터를 MCU로 업스트림 전송할 필요가 없습니다. 또한 ISPU는 MLC 방식과는 달리 AI 지원 프로그래밍 가능 코어(ML 및 NN)에서도 더 우수한 처리 성능을 제공합니다. ISPU는 C 언어로 작동하므로 많은 상용 및 오픈 소스 AI 모델과 호환됩니다.

그림 3: 통합 센서 처리 장치의 특징. (이미지 출처: STMicroelectronics)

센서 관련 응용 제품에서 AI를 성공적으로 활용하려면, 스마트 센서 아키텍처를 빠르게 적용하기 위해 새로운 도구와 소프트웨어 예제를 활용해야 합니다. 위의 세 가지 접근 방식과 모두 호환되는 도구 중 하나는 Nano Edge™ AI Studio(NEAi)로, NEAi는 개발자를 위한 무료 PC 기반 개발 스튜디오입니다. NEAi에는 고급 데이터 과학 기술이 필요하지 않으며, 소프트웨어 개발자는 사용자 친화적인 환경에서 최적의 tinyML® 라이브러리를 만들 수 있습니다. NEAi는 비정상 감지, 이상값 감지, 분류, 회귀 라이브러리 등 네 가지 유형의 라이브러리를 생성할 수 있습니다. NEAi 소프트웨어 도구를 사용하여 비정상 감지 응용 제품에 ISPU를 사용하는 방법에 대한 자세한 내용은 아래 참고 자료 #4를 참조하세요.

결론

에지 컴퓨팅 응용 제품의 센서를 위한 컴퓨팅 아키텍처에는 몇 가지 선택지가 있습니다.  '소스에서' 데이터에 대한 의사 결정을 실행하는 것이 더 지속 가능한 방법으로, 실시간으로 데이터 기반 조치를 수행함으로써 시간과 에너지를 절감할 수 있습니다. 새로운 IoT 에지 컴퓨팅 시스템은 MEMS 센서와 툴 체인에 임베디드 머신 러닝과 인공 지능 기능을 활용함으로써, 진정으로 지속 가능한 스마트 시티 등의 응용 분야, 제조 처리량 개선, 의료 분야의 저전력 웨어러블 센서 등의 실현을 지원합니다.

참고 자료

1. 머신 러닝을 위한 MEMS 센서 에코시스템:

   https://www.st.com/content/st_com/en/ecosystems/MEMS-Sensors-Ecosystem-for-Machine-Learning.html#stm32ce-MachineLearningCore(영문)

2. 비정상 감지를 위해 지능형 처리 장치와 함께 MEM 센서를 사용하는 방법:

   https://community.st.com/t5/mems-and-sensors/how-to-use-mems-sensors-with-an-intelligent-processing-unit-for/ta-p/49634(영문)

3. MEMS 관성 측정 장치의 센서 융합 저전력:

   https://community.st.com/t5/mems-and-sensors/how-lsm6dsv16x-enables-sensor-fusion-low-power-sflp-algorithm/ta-p/585084(영문)

4. NEAI 소프트웨어 도구를 사용하여 비정상 감지 응용 제품에 지능형 처리 장치와 함께 MEMS 센서를 사용하는 방법

   https://community.st.com/t5/mems-and-sensors/how-to-use-mems-sensors-with-an-intelligent-processing-unit-for/ta-p/49634(영문)