Ontwikkelaars van Internet of Things (IoT), robotica, computervisie en industriële toepassingen worden geconfronteerd met een toenemende druk om intelligentie in hun sterk verbonden edge-ontwerpen te integreren. Voor teams die met strakke deadlines werken, reikt deze druk verder dan de ontwikkeling van applicatiesoftware. Het selecteren van hardware die besturingssystemen op hoog niveau zoals Linux kan uitvoeren naast deterministische real-time functies is al uitdagend genoeg, maar wanneer intelligentie achteraf wordt ingebouwd in de bestaande infrastructuur, zoals in industriële automatisering en slimme bouwtoepassingen, ontstaan er extra vereisten voor platformgeschiktheid.
Wat ontwikkelaars nodig hebben is een vertrouwd, beproefd, flexibel en capabel platform om snel productieklare ontwerpen te prototypen en te ontwikkelen.
Dit artikel bespreekt de uitdagingen waarmee ontwikkelaars worden geconfronteerd bij verwerkings- en retrofitprojecten aan de netwerkrand. Vervolgens wordt getoond hoe een Arduino single-board computer (SBC) kan worden gebruikt om deze uitdagingen aan te pakken.
Het opbouwen van geavanceerde intelligentie onder strikte beperkingen van de middelen
Edge Intelligence omvat de gevolgtrekking en besluitvorming van kunstmatige intelligentie (AI), die op een lokaal platform draait. De belangrijkste voordelen van edge-gebaseerde intelligentie zijn onder meer een verminderde afhankelijkheid van altijd-aan-connectiviteit, verbeterde privacy en beveiliging, en ultra-lage latentie, wat allemaal ten goede komt aan ontwerpers van robot- en industriële veiligheidssystemen.
Voor robotapparaten maakt edge-intelligentie realtime bewegingscontrole, het vermijden van obstakels en adaptief gedrag mogelijk, waardoor de deterministische responstijden worden geleverd die cruciaal zijn voor autonome werking. Voor industriële veiligheidssystemen maakt edge-intelligentie onmiddellijke gevarendetectie, voorspellend onderhoud en snelle uitschakelingen mogelijk, waardoor schade aan apparatuur en het risico voor werknemers tot een minimum wordt beperkt. Over het geheel genomen biedt edge-intelligentie het reactievermogen, de veerkracht en de betrouwbaarheid die nodig zijn voor realtime AI-toepassingen.
Maar beperkte hardwarebronnen leggen aanzienlijke beperkingen op. Op de cloud gebaseerde systemen kunnen naar behoefte worden geschaald, terwijl op de edge gebaseerde intelligentie de verwerking aan boord moet balanceren tegen vermogenslimieten en thermische beperkingen. Real-time AI-workloads zoals computervisie, sensorfusie en robotbesturing kunnen de verwerkingsbronnen verzadigen, waardoor het energieverbruik en de warmteontwikkeling toenemen. Overmatige thermische belasting van een processor kan leiden tot verminderde inferentieprestaties, systeeminstabiliteit of thermische beperking, waarbij de processor automatisch vertraagt om af te koelen als deze te warm wordt.
Beperkingen van het stroombereik zijn net zo belangrijk wanneer edge-systemen werken op batterijen, mobiele energiesystemen of anderszins beperkte stroomvoorzieningen, waarbij energie-efficiëntie de looptijd en betrouwbaarheid rechtstreeks beïnvloedt. Het achteraf inbouwen brengt vaak uitdagingen met zich mee. Bestaande platforms hebben doorgaans een beperkte ruimte, waardoor het moeilijk is om AI-versnellers, koelsystemen of extra geheugen toe te voegen. Oudere systemen hebben mogelijk verouderde of bedrijfseigen interfaces waarvoor adapters of aangepaste integratie nodig zijn om moderne hardware met bestaande technologie te verbinden.