Порівняльний аналіз ефективності моделей TinyML для задач класифікації сенсорних даних на платформі ESP32

Abstract

У статті розглядається проблема ефективного аналізу безперервних потоків сенсорних даних у вбудованих системах з обмеженими апаратними ресурсами. Традиційно обробка великих масивів даних, отриманих від інерційних сенсорів, таких як гіроскопи та акселерометри, здійснюється за допомогою потужних хмарних обчислювальних платформ. Проте такий підхід має низку недоліків, серед яких затримки передачі даних, залежність від мережевої інфраструктури та підвищені вимоги до енергоспоживання. У зв’язку з цим зростає актуальність використання технологій периферійного штучного інтелекту (Edge AI), зокрема концепції TinyML, яка дозволяє виконувати інференс моделей машинного навчання безпосередньо на мікроконтролерах.