Fuente: MIT.
El Grupo de Diseño en Electrónica Digital de la Universidad del País Vasco/EHU ha conseguido implementar todo un sistema de inteligencia computacional en un único chip para su integración en entornos inteligentes.
El sistema ha sido probado en dos entornos: iDorm, dormitorio desarrollado en la Universidad de Essex (Reino Unido), y el entorno de un automóvil, gracias a la Universidad Sabanci de Estambul (Turquía). Usando los datos que provee el propio coche, el sistema es capaz de identificar al conductor basándose en su forma de conducir.
Raúl Finker, investigador del Departamento de Electricidad y Electrónica de la UPV, ha conseguido implementar una red neuronal artificial y sus algoritmos de aprendizaje en un circuito integrado de pequeño tamaño. Las redes neuronales son una de las técnicas más utilizadas en la inteligencia computacional: se inspiran en los cerebros de los seres vivos, y tienen la capacidad de aprender y adaptarse a cambios en el entorno gracias al uso de distintos algoritmos de aprendizaje.
Para ello, ha utilizado dispositivos de lógica programable que permiten la implementación de todo el sistema necesario en un único chip, haciendo uso de una arquitectura hardware/software: se ha implementado la red neuronal en hardware y los algoritmos de aprendizaje en software.
Así, se consigue un procesamiento de datos mucho más rápido de lo habitual, y su implantación en entornos de inteligencia ambiental —modelo de interacción en el cual las personas están rodeadas de un entorno electrónico que advierte su presencia, que es sensible al contexto y que responde de forma adaptativa y no intrusiva a las necesidades y hábitos de los usuarios— resulta ser rápida y no ocupa gran tamaño, explica la nota de prensa de la UPV, de la que se hace eco el Instituto de la Ingeniería de España.
Aplicaciones
Para demostrar que la arquitectura hardware/software propuesta puede ser utilizada en los entornos de inteligencia ambiental para los cuales ha sido diseñado, los investigadores han desarrollado dos aplicaciones en entornos inteligentes.
La primera de ellas es un entorno habitado llamado iDorm. Este entorno es un dormitorio desarrollado por el Grupo de Entornos Inteligentes de la Universidad de Essex. Usando el sistema desarrollado es posible entrenar la red neuronal para que se adapte a las necesidades del usuario del entorno y sea capaz de controlar las respuestas basándose en dichas necesidades.
"Vimos que el sistema era capaz de adaptarse perfectamente al comportamiento de un usuario, para controlar los distintos elementos que había en ese dormitorio, y que se adaptaba a los cambios que el comportamiento de dicho usuario podía tener en diferentes estaciones del año", explica Finker.
La segunda aplicación es el desarrollo de un identificador de conductores en tiempo real para inteligencia ambiental aplicada al entorno de un automóvil. Para la realización de esta aplicación, los datos usados han sido suministrados por el Drive-Safe Consortium, más en concreto los datos obtenidos por la Universidad Sabanci de Estambul usando un coche tipo sedán llamado Uyanik. Usando los datos que provee el propio coche, se ha diseñado un sistema capaz de identificar al conductor basándose en su forma de conducir.
El sistema ha sido probado en dos entornos: iDorm, dormitorio desarrollado en la Universidad de Essex (Reino Unido), y el entorno de un automóvil, gracias a la Universidad Sabanci de Estambul (Turquía). Usando los datos que provee el propio coche, el sistema es capaz de identificar al conductor basándose en su forma de conducir.
Raúl Finker, investigador del Departamento de Electricidad y Electrónica de la UPV, ha conseguido implementar una red neuronal artificial y sus algoritmos de aprendizaje en un circuito integrado de pequeño tamaño. Las redes neuronales son una de las técnicas más utilizadas en la inteligencia computacional: se inspiran en los cerebros de los seres vivos, y tienen la capacidad de aprender y adaptarse a cambios en el entorno gracias al uso de distintos algoritmos de aprendizaje.
Para ello, ha utilizado dispositivos de lógica programable que permiten la implementación de todo el sistema necesario en un único chip, haciendo uso de una arquitectura hardware/software: se ha implementado la red neuronal en hardware y los algoritmos de aprendizaje en software.
Así, se consigue un procesamiento de datos mucho más rápido de lo habitual, y su implantación en entornos de inteligencia ambiental —modelo de interacción en el cual las personas están rodeadas de un entorno electrónico que advierte su presencia, que es sensible al contexto y que responde de forma adaptativa y no intrusiva a las necesidades y hábitos de los usuarios— resulta ser rápida y no ocupa gran tamaño, explica la nota de prensa de la UPV, de la que se hace eco el Instituto de la Ingeniería de España.
Aplicaciones
Para demostrar que la arquitectura hardware/software propuesta puede ser utilizada en los entornos de inteligencia ambiental para los cuales ha sido diseñado, los investigadores han desarrollado dos aplicaciones en entornos inteligentes.
La primera de ellas es un entorno habitado llamado iDorm. Este entorno es un dormitorio desarrollado por el Grupo de Entornos Inteligentes de la Universidad de Essex. Usando el sistema desarrollado es posible entrenar la red neuronal para que se adapte a las necesidades del usuario del entorno y sea capaz de controlar las respuestas basándose en dichas necesidades.
"Vimos que el sistema era capaz de adaptarse perfectamente al comportamiento de un usuario, para controlar los distintos elementos que había en ese dormitorio, y que se adaptaba a los cambios que el comportamiento de dicho usuario podía tener en diferentes estaciones del año", explica Finker.
La segunda aplicación es el desarrollo de un identificador de conductores en tiempo real para inteligencia ambiental aplicada al entorno de un automóvil. Para la realización de esta aplicación, los datos usados han sido suministrados por el Drive-Safe Consortium, más en concreto los datos obtenidos por la Universidad Sabanci de Estambul usando un coche tipo sedán llamado Uyanik. Usando los datos que provee el propio coche, se ha diseñado un sistema capaz de identificar al conductor basándose en su forma de conducir.
Raúl Finker. Fuente: UPV-EHU.
Sistema de seguridad
La gran diferencia con otros sistemas de identificación es que éste no requiere del uso de otros elementos ajenos al coche como pueden ser cámaras o lectores de huellas dactilares, entre otros.
"Usando los datos de los acelerómetros del coche o mediante el uso de las presiones que se ejercen en los pedales del acelerador o del freno, es posible identificar a los conductores obteniendo muy buenos resultados", resume el investigador.
La aplicación en automóvil podría servir como sistema de seguridad para el conductor, ya que "podría llegar a detectar que el conductor por alguna razón no está conduciendo como habitualmente lo hace", y, por otra, como sistema de seguridad del coche, ya que "podría detectar que la persona que va conduciendo no es una de las que habitualmente utiliza ese vehículo", explica Finker.
El chip se "podría implementar en multitud de aplicaciones, en función de las necesidades y del tamaño de la red que hiciera falta", apunta Finker, que ha estudiado Ingeniería Técnica Industrial (Electrónica Industrial) e Ingeniería en Telecomunicación en la Universidad de Deusto, y ha hecho un máster en Investigación en Sistemas Electrónicos Avanzados en la UPV/EHU.
Actitud
La velocidad y la aceleración de un coche permiten también detectar comportamientos agresivos del conductor, según una investigación de la Universidad Politécnica de Madrid (UPM).
El modelo se corroboró empíricamente bajo condiciones de conducción real, probando su validez y generalidad para diferentes señales de conducción, distintos conductores y diversos tipos de carretera. Los resultados arrojaron tasas de éxito superiores al 92% en la detección de comportamiento agresivo al volante a partir de señales de conducción.
Los métodos intrusivos utilizados habitualmente monitorizan señales fisiológicas como el ritmo cardíaco, la respiración o el nivel de estrés. Estos métodos, aunque efectivos, son poco deseables porque generan molestias al conductor y representan una causa adicional de distracción, señalan los investigadores.
Otro sistema, ideado en la Universidad de Cornell (EE.UU.) es capaz de predecir, con 3,5 segundos de anticipación, y un 77% de éxito, las decisiones que va a tomar un conductor. Para ello, observa por ejemplo sus movimientos de cabeza, que en muchos casos le permiten adivinar si va a tomar un giro, y los compara con el entorno de la carretera y con las señales del GPS. La idea es que advierta al conductor si va a hacer algo erróneo o peligroso.
La gran diferencia con otros sistemas de identificación es que éste no requiere del uso de otros elementos ajenos al coche como pueden ser cámaras o lectores de huellas dactilares, entre otros.
"Usando los datos de los acelerómetros del coche o mediante el uso de las presiones que se ejercen en los pedales del acelerador o del freno, es posible identificar a los conductores obteniendo muy buenos resultados", resume el investigador.
La aplicación en automóvil podría servir como sistema de seguridad para el conductor, ya que "podría llegar a detectar que el conductor por alguna razón no está conduciendo como habitualmente lo hace", y, por otra, como sistema de seguridad del coche, ya que "podría detectar que la persona que va conduciendo no es una de las que habitualmente utiliza ese vehículo", explica Finker.
El chip se "podría implementar en multitud de aplicaciones, en función de las necesidades y del tamaño de la red que hiciera falta", apunta Finker, que ha estudiado Ingeniería Técnica Industrial (Electrónica Industrial) e Ingeniería en Telecomunicación en la Universidad de Deusto, y ha hecho un máster en Investigación en Sistemas Electrónicos Avanzados en la UPV/EHU.
Actitud
La velocidad y la aceleración de un coche permiten también detectar comportamientos agresivos del conductor, según una investigación de la Universidad Politécnica de Madrid (UPM).
El modelo se corroboró empíricamente bajo condiciones de conducción real, probando su validez y generalidad para diferentes señales de conducción, distintos conductores y diversos tipos de carretera. Los resultados arrojaron tasas de éxito superiores al 92% en la detección de comportamiento agresivo al volante a partir de señales de conducción.
Los métodos intrusivos utilizados habitualmente monitorizan señales fisiológicas como el ritmo cardíaco, la respiración o el nivel de estrés. Estos métodos, aunque efectivos, son poco deseables porque generan molestias al conductor y representan una causa adicional de distracción, señalan los investigadores.
Otro sistema, ideado en la Universidad de Cornell (EE.UU.) es capaz de predecir, con 3,5 segundos de anticipación, y un 77% de éxito, las decisiones que va a tomar un conductor. Para ello, observa por ejemplo sus movimientos de cabeza, que en muchos casos le permiten adivinar si va a tomar un giro, y los compara con el entorno de la carretera y con las señales del GPS. La idea es que advierta al conductor si va a hacer algo erróneo o peligroso.
Referencias bibliográficas:
Echanobe, J.; Finker, R.; del Campo, I.: A Divide-and-Conquer Strategy for FPGA Implementations of Large Neural Network-based Classifiers. The 2015 International Joint Conference on Neural Networks (IJCNN), Killarney, Irlanda (2015). DOI: 10.1109/IJCNN.2015.7280547
Del Campo, I.; Echanobe, J.; Asua, E.; Finker, R.: Controlled-Accuracy Approximation of Nonlinear Functions for Soft Computing Applications. A high performance co-proccessor for intelligent embedded systems IEEE Symposium Series on Computational Intelligence. Cape Town, Sudáfrica (2015).
Echanobe, J.; Finker, R.; del Campo, I.: A Divide-and-Conquer Strategy for FPGA Implementations of Large Neural Network-based Classifiers. The 2015 International Joint Conference on Neural Networks (IJCNN), Killarney, Irlanda (2015). DOI: 10.1109/IJCNN.2015.7280547
Del Campo, I.; Echanobe, J.; Asua, E.; Finker, R.: Controlled-Accuracy Approximation of Nonlinear Functions for Soft Computing Applications. A high performance co-proccessor for intelligent embedded systems IEEE Symposium Series on Computational Intelligence. Cape Town, Sudáfrica (2015).