estimate daytime

Autore: Paolo Veronesi, software engineer di Paradox Engineering

 

In un mondo sempre più complesso e interconnesso, il Machine Learning sta dimostrando di essere molto vantaggioso per le Smart City e qualsiasi applicazione IoT dove grandi volumi di dati grandi devono essere elaborati, correlati e gestiti.

In Paradox Engineering stiamo sperimentando le reti neurali in casi d'uso specifici come la raccolta dei rifiuti solidi urbani oppure il monitoraggio del paziente in ospedale e nelle cliniche, due applicazioni che richiedono capacità computazionali medio-alte. Le reti neurali sono generalmente impiegate dove è possibile sfruttare grandi risorse di calcolo (come workstation o server), ma ora stiamo esplorando come utilizzare queste tecnologie in una situazione diametralmente opposta - ovvero con risorse estremamente limitate (come poche centinaia di KB di ram, e processori standard a 32 bit con meno di cento MHz).

Sfruttare le reti neurali sui dispositivi IoT embedded è una applicazione emergente. Il nostro obiettivo è quello di elaborare i dati localmente, sul dispositivo embedded, senza inviare informazioni in rete: questo permette ai dispositivi di funzionare correttamente anche in caso di guasti di rete, migliora la scalabilità del sistema e la sua sicurezza complessiva, in quanto i dati sensibili vengono elaborati a livello locale.

Il caso d'uso su cui ci stiamo concentrando è lo Smart Lighting. In una tipica installazione urbana all'aperto, i lampioni sono collegati a una rete mesh e gestiti da gateway, che operano come router, coordinatori di rete e concentratori di dati. Il software di gestione centrale permette la gestione e il controllo remoto della rete, così come dei dispositivi singoli o raggruppati.

Ci si aspetta che i lampioni funzionino senza problemi anche quando la connettività al gateway più vicino o al CMS non è disponibile. Per permettere questo, i dispositivi sono configurati per eseguire le loro routine in base alla data e all'ora correnti, supponendo sia il gateway a fornire queste informazioni. Questo è vitale per i lampioni per ricavare le effemeridi e calcolare l'alba e il tramonto quotidiani - in base a questi dati, le lampade possono accendersi, spegnersi e regolare l'intensità rispettando gli orari programmati.

Cosa succede se un nodo è isolato e non può connettersi a un gateway, per esempio a causa di condizioni ambientali avverse o della topologia della rete? O se il gateway non è affatto installato? In questi casi, il dispositivo dovrebbe trovare un nuovo modo per calcolare l'ora corrente. Abbiamo deciso di sfruttare l'analisi dei dati e le capacità di Machine Learning per permettere ai lampioni di derivare l'ora esatta del giorno dai dati raccolti da sensori ambientali integrati.

Stimare l'orario da parametri come la luminosità, la temperatura o la pressione non è un compito semplice. Le condizioni ambientali variano molto di giorno in giorno, di stagione in stagione, con un livello di complessità che non sarebbe possibile risolvere con un approccio di programmazione tradizionale.

Le reti neurali possono gestire in modo efficiente le serie temporali e, se addestrate con un'adeguata quantità e varietà di dati, possono fornire una risposta accurata alla nostra domanda. Nel nostro esperimento, abbiamo addestrato il sistema usando dati generati da un insieme di sensori ambientali nel corso di un anno.

I risultati sono molto promettenti: i lampioni isolati sono stati in grado di elaborare i dati localmente e stimare il giusto orario con una precisione media di circa 16 minuti - ed eseguire perfettamente i loro programmi. Senza il Machine Learning, questa continuità operativa non sarebbe stata possibile.

 

Per saperne di più sulla nostra soluzione Smart Lighting , scaricate il nostro ultimo white paper (registrazione gratuita richiesta), e contattate i nostri esperti di Machine Learning!