estimate daytime

El autor: Paolo Veronesi, software engineer en Paradox Engineering

 

En un mundo cada vez más complejo e interconectado, El aprendizaje automático está demostrando ser muy beneficioso para las ciudades inteligentes y cualquier aplicación del IoT donde es necesario procesar, correlacionar y actuar sobre grandes volúmenes de datos de gran dimensión.

En Paradox Engineering estamos pilotando redes neuronales en casos de uso específicos como recogida de residuos sólidos urbanos o seguimiento de pacientes en hospitales y clínicas, ambas requieren potencias computacionales de medias a altas. Las redes neuronales se aplican generalmente cuando es posible explotar grandes recursos informáticos (como estaciones de trabajo o servidores), pero ahora estamos explorando cómo utilizar estas tecnologías en un caso diametralmente opuesto, es decir, con recursos extremadamente limitados (como unos pocos cientos de KB de ram y procesadores estándar de 32 bits con menos de cien MHz).

El aprovechamiento de las redes neuronales en los dispositivos IoT integrados es una aplicación nueva y emergente. Nuestro objetivo es procesar los datos localmente, en el dispositivo integrado, sin enviar la información por la red: esto permite que los dispositivos funcionen correctamente incluso en caso de fallos de la red, mejora la escalabilidad del sistema y su seguridad general, ya que los datos sensibles se procesan a nivel local.

El caso de uso en el que nos centramos es Smart Lighting. En una instalación urbana exterior típica, las farolas están conectadas a una red de malla y gestionadas por pasarelas, que funcionan como routers de frontera, coordinadores de red y concentradores de datos. A software de gestión centralizada permite la gestión y el control remotos de la red, así como de dispositivos individuales o agrupados.

Se espera que el alumbrado público funcione sin problemas incluso cuando la conectividad con la pasarela más cercana o el CMS no esté disponible. Para permitirlo, los dispositivos están configurados para ejecutar sus rutinas en función de la fecha y la hora actuales, suponiendo que la pasarela proporcione esta información. Esto es vital para que las farolas obtengan las efemérides y calculen la salida y la puesta del sol diarias, según estos datos, Las lámparas pueden encenderse/apagarse y atenuarse según los horarios programados.

¿Qué ocurre si un nodo está aislado? y no puede conectarse a una pasarela, por ejemplo, debido a condiciones ambientales adversas o a la topología de la red? ¿O si la pasarela no está instalada? En estos casos, el dispositivo debe encontrar una nueva forma de calcular la hora actual. Decidimos aprovechar el análisis de datos y las capacidades de aprendizaje automático para que las farolas puedan obtener la hora exacta del día a partir de los datos recogidos por los sensores ambientales integrados.

Estimar el tiempo a partir de parámetros como la luminosidad, la temperatura o la presión no es una tarea sencilla. Las condiciones ambientales varían mucho de un día a otro, de una estación a otra, con un nivel de complejidad que no sería posible resolver con un enfoque de programación tradicional.

Las redes neuronales pueden gestionar eficazmente las series temporales y, si se entrenan con una cantidad y variedad de datos adecuada, pueden dar una respuesta precisa a nuestra pregunta. En nuestro experimento, entrenamos el sistema utilizando datos generados por un conjunto de sensores ambientales a lo largo de un año.

Los resultados fueron realmente prometedores: farolas aisladas fueron capaces de procesar los datos localmente y estimar el día adecuado con una precisión media de unos 16 minutos - y ejecutar perfectamente sus horarios. Sin el aprendizaje automático, esta continuidad operativa no habría sido posible.

 

Más información sobre nuestro Smart Lighting aplicación: descargar nuestro último libro blanco (es necesario registrarse gratuitamente), y contacte con nuestros expertos en aprendizaje automático!