Saved in:
| Main Authors: | , |
|---|---|
| Format: | Recurso digital |
| Language: | |
| Published: |
Zenodo
2025
|
| Online Access: | https://doi.org/10.5281/zenodo.17363199 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
Table of Contents:
- <p>A aplicação de Machine Learning (ML) em Edge AI consiste em processar dados diretamente no próprio dispositivo de borda em vez de enviá-los para a nuvem e tem se popularizado por oferecer respostas mais rápidas, maior privacidade e eficiência energética. No entanto, implementar modelos de ML em microcontroladores (MCUs), os cérebros computacionais de baixo custo presentes em inúmeros aparelhos cotidianos, continua sendo um desafio devido às suas limitações de memória e processamento. O campo emergente do Tiny Machine Learning (TinyML) busca resolver essa questão, focando em executar modelos de inteligência artificial com um consumo de energia extremamente baixo, o que permite criar aplicações inteligentes em dispositivos que operam por longos períodos com bateria. A Robotics Language (RL), desenvolvida na Universidade Federal de Jataí, foi criada para simplificar a programação desses microcontroladores, permitindo que um único código funcione em diferentes tipos de hardware. Apesar de seus avanços, a RL ainda não possui suporte para as funcionalidades de TinyML. O objetivo deste trabalho é, portanto, integrar o framework TensorFlow Lite Micro (TFLM), um conjunto de ferramentas da Google para inferência de modelos de IA, à linguagem RL. Isso permitirá a execução de modelos de ML diretamente nos microcontroladores suportados pela linguagem. A metodologia envolve a modificação direta do compilador da RL, o programa que traduz o código para a linguagem da máquina, para que ele reconheça novos comandos específicos para ML. Além disso, será desenvolvida uma camada de software que funcionará como uma ponte tradutora entre a RL e o TFLM, garantindo que os dois sistemas consigam se comunicar. Espera-se consolidar uma versão da RL capaz de executar tarefas de IA, permitindo aos desenvolvedores criar soluções de edge computing de forma mais simples e segura. A eficiência da solução será avaliada com análise comparativa entre uma implementação de referência em C++ e o código equivalente em RL, avaliando a latência de inferência, manutenibilidade do código e o tamanho final do firmware.</p> <p>Palavras-chave: Edge AI; Microcontroladores; Robotics Language; TensorFlow Lite Micro; Tiny Machine Learning.</p>