Tiny ML - intellegente Sensoren - Was ist das ?

[achim S.]

Hallo
Habe was neues und sehr interessantes gefunden. Es scheint ganz neu zu sein und wenig bekannt. Dabei ist es sehr flexibel und kann auf so ziemlich jeden Sensor angepasst werden, allerdings scheinbar nur in C da es als Slave arbeitet. Damit können hunderte von verschiednen Typen von Sensoren mit einem z.B. Pico überwacht werden. Fasse das ganze mal als

Intellegente Sensoren

zusammen. Habe einen Überblick dazu geschrieben. Für mich ist es die logische Weiterentwicklung und super passend zum I2C Bus.

TinyML-Helligkeitssensor – Grober Überblick

Ein TinyML-Helligkeitssensor verlagert die Intelligenz direkt an den Sensor, sodass der Mikrocon-troller (z. B. ATtiny3216) selbst entscheidet, wie die Beleuchtung eingeschätzt wird. Ziel ist es, festzustellen, ob das Licht normal, zu hell, zu dunkel oder flackernd ist. Diese lokale Verarbeitung reduziert die Datenmenge und entlastet die zentrale Steuerungseinheit (Supervisor), die nur interpretierte Zustände erhält.

Ablauf vom Rohsignal zum Zustand

1. Messung der Rohdaten:
   Der Sensor liefert kontinuierlich viele Messwerte (z. B. 100–200 ADC-Werte pro Zyklus). Diese Rohwerte sind rauschbehaftet und noch nicht aussagekräftig.
2. Feature-Berechnung:
   Der Mikrocontroller verdichtet die Rohdaten zu wenigen, informativen Merkmalen:
   • Mittelwert: Grundhelligkeit
   • Standardabweichung: Schwankungen und Flackern
   • Min / Max: Extremwerte zur Erkennung von Lichtblitzen oder plötzlicher Dunkelheit
   • Optional: gleitender Mittelwert für langsame Trends
3. Verhaltensanalyse:
   Die berechneten Features zeigen, ob das Signal stabil, flackernd oder instabil ist. Der Mikro-controller bewertet diese Merkmale in einer einfachen Entscheidungslogik (Mini-Modell), z. B. über eine priorisierte Reihenfolge: Flackern hat Vorrang, danach wird die Grundhelligkeit bewertet.
4. Zustandsableitung:
   Aus dem Verhalten wird ein handlungsrelevanter Zustand gebildet: Normal, Zu hell, Zu dunkel oder Flackern. Dieser Zustand repräsentiert die Verdichtung der Informationen und ist robust gegenüber Störungen.
5. Datenübertragung:
   Nur die interpretierte Information und die wichtigsten Features werden an den Supervisor weitergegeben. Typische Daten:
   • Zustand (0–3): zentrale Steuerinformation
   • Mittelwert: Kontext für Anzeige und Logging
   • Standardabweichung: Indikator für Flackern
   • Min / Max: Extremwerte zur Absicherung
6. Supervisor / Master:
   Die zentrale Einheit empfängt die verdichteten Informationen, nutzt sie für:
   • Anzeige: z. B. auf OLED oder TFT
   • Logging: Speicherung über Zeit für Analyse oder Trendbeobachtung
   • Alarmierung: Benachrichtigung bei Flackern oder extremen Helligkeiten

Vorteile dieses Konzepts

• Robustheit: Kurzzeitige Schwankungen werden lokal gefiltert, der Zustand bleibt stabil.
• Energie- und Speicherersparnis: Nur interpretierte Daten werden übertragen.
• Skalierbarkeit: Mehrere Sensorknoten können parallel arbeiten, ohne die zentrale Einheit zu überlasten.
• Nachvollziehbarkeit: Die einfache Entscheidungslogik ermöglicht deterministische und erklärbare Ergebnisse.

Zusammenfassung
Der ATtiny3216 übernimmt die lokale Intelligenz: Er misst die Rohwerte, berechnet Features, bewertet das Verhalten und liefert einen interpretierten Zustand. Der Supervisor arbeitet ausschließlich mit diesen verdichteten Informationen, zeigt sie an, speichert sie oder löst Alarme aus.

Dieses Vorgehen bildet den Kern von TinyML:

Intelligenz nahe am Sensor, reduzierte Datenmengen, effiziente und robuste Systeme.

Wie ist eure Meinung zu dem Thema?
achim

 

[Pirx]

Hallo Achim,

wenn ich nach Tiny ML suche, finde ich das hier -> LINK

Ist es das, worum dir geht? Falls nicht, wäre ein Link hilfreich.

Gruß
Pirx

 

[achim S.]

Das ist das einzigste was ich dazu gefunden habe:

TinyML: KI auf Mikrocontrollern – Einstieg & Anwendungen

Tiny Machine Learning erklärt: Vorteile, Use Cases, Herausforderungen und wie du mit Sensoren & Mikrocontrollern sofort startest – kompakt und praxisnah.

de.elv.com

 

[Pirx]

Auswertung auf den Sensoren ist nicht neu. Das geht schon länger mit Algorithmen z.B. auf Shellys (Stichwort: EventHandler).

Überwachungsanwendungen sind auch mit Algorithmen machbar. Ich sehe da keinen Vorteil durch KI - eher den Nachteil der in der Regel Undurchschauberkeit des KI-Entscheidungsprozesses.
Automatisierte, strukturelle Optimierungen dürften mit KI schneller realisierbar sein. Ob auch mit besseren Ergebnissen, hängt stark vom Modell ab.

KI würde ich nur einsetzen, wo es mir auch einen Vorteil bringt.

 

[achim S.]

Habe nach dem Begriff "EventHandler" gesucht. Es gibt scheinbat unterschiedliche Angaben dazu. In wie weit es bei Shellys genutzt wird kann ich nicht beurteilen. Mir geht es eigentlich um die Anwendung in kleinen Systhemen und beim I2C Bus.
Habe das gefunden bzw angepasst:

TinyML und Künstliche Intelligenz im Sensorsystem
Der Begriff Künstliche Intelligenz wird heute häufig mit leistungsstarken Servern, Cloud-Anwendungen und großen Datenmengen assoziiert. Technisch betrachtet beschreibt KI jedoch etwas Grundlegenderes: Ein System trifft Entscheidungen nicht ausschließlich auf Basis fest programmierter Regeln, sondern anhand gelernter Muster aus Beispieldaten. Genau an diesem Punkt setzt TinyML an.
TinyML bezeichnet den Einsatz von maschinellen Lernverfahren auf sehr ressourcenbeschränkten Mikrocontrollern. Die Modelle sind bewusst klein gehalten, arbeiten mit wenigen Parametern und benötigen nur geringe Rechenleistung sowie minimalen Speicher. Trotz dieser Einschränkungen folgen sie denselben Prinzipien wie größere KI-Systeme: Klassifikation, Regression und Mustererkennung auf Basis statistischer Modelle.
Im Unterschied zu klassischen, regelbasierten Ansätzen verwendet TinyML keine festen Schwellenwerte. Während ein konventionelles System beispielsweise eine gemessene Spannung am ADC mit einem definierten Grenzwert vergleicht, bewertet ein TinyML-Modell mehrere Merkmale gleichzeitig. Dazu können Mittelwerte, Streuungen, zeitliche Verläufe oder Kombinationen mehrerer Sensorsignale gehören. Die Entscheidung entsteht aus dem erlernten Zusammenhang dieser Merkmale, nicht aus einer einzelnen Zahl.
Gerade im Sensorumfeld ist dieser Ansatz besonders wirkungsvoll. Analoge Messwerte liefern zunächst nur Spannungen, deren Bedeutung stark vom Sensor, von Umgebungsbedingungen und von Alterungseffekten abhängt. Die Interpretation dieser Werte muss bei klassischen Systemen vollständig durch den Entwickler erfolgen. Ein TinyML-basiertes Sensorsystem verschiebt diese Interpretation in das Modell selbst: Die Bedeutung eines Messwertes ergibt sich aus dem zuvor gelernten Verhalten.
Damit wird der Sensor zu einem intelligenten Sensor. Er liefert nicht mehr nur Rohdaten, sondern bereits verdichtete, semantisch interpretierte Zustände. Über den I²C-Bus werden beispielsweise Klassifikationen oder Zustandskennungen übertragen, statt kontinuierlich ADC-Werte zu senden. Das reduziert Buslast, vereinfacht die Auswertung auf der Master-Seite und erhöht gleichzeitig die Robustheit des Gesamtsystems.
TinyML ist damit keine vereinfachte oder „abgespeckte“ Form von KI, sondern eine konsequent angepasste Umsetzung für eingebettete Systeme. Sie ermöglicht lernfähige, adaptive Sensorik direkt am Entstehungsort der Daten – energieeffizient, deterministisch im Betrieb und ohne Abhängigkeit von Cloud-Diensten. In Kombination mit dem I²C-Bus entsteht so eine klare Trennung zwischen intelligenter Datenerfassung und zentraler Systemlogik, die moderne Embedded-Architekturen nachhaltig prägt.