com ScienceDirect
2212-0173 © 2016 The Authors. Diterbitkan oleh Elsevier Ltd Ini adalah artikel akses terbuka di bawah CC BY-NC-ND lisensi
(http://creativecommons.org/licenses/by-nc-nd/4.0/). Peer-review di bawah tanggung jawab panitia SysInt 2016 doi: 10,1016 /
j.protcy.2016.08.007
3rd International Conference Produksi pada Sistem terintegrasi Teknik, Intelijen: SysInt 2016
Tantangan Baru untuk Produk dan
P
e
n
a
m
b
a
h
a
n
P
e
48 Ali Ibrahim dkk. / Procedia Teknologi 26 (2016) 43-50
TABEL 3. KERNEL FUNGSI PELAKSANAAN HASIL UNTUK VIRTEX 5 XC5VLX330T
ukuran Matrix 160 × 8 Waktu Latency (ms) 1,59
Persentase Pendudukan Lokasi (%) 74 Nb. Slice Register 97.761 Nb. 70.529Iris Lut ini
KonsumsiDaya Dinamis(W) 2,709
4. Klasifikasi Studi berdasarkan Implementasi Perangkat Keras
Dua paradigma pembelajaran mapan di kelas metode kernel regularized, yaitu, Support Vector Machines (SVM) dan kernel
berbasis Ekstrim Mesin Belajar (K -ELMs) telah dihitung untuk penilaian pendekatan kernel tensorial di [19]. Dalam rangka
untuk menghitung fungsi klasifikasi, diperlukan pertama yang menghitung fungsi kernel sesuai dengan tensor masukan
sehubungan dengan tensor pelatihan hafal. Data jumlah pelatihan untuk pendekatan kernel tensorial bervariasi kira-kira antara
minimal Nt = 100 dan maksimal Nt = 1000 tensor pelatihan [17]. Menurut hasil pelaksanaan hardware khusus, dua kasus studi
telah dinilai: 1) Klasifikasi tiga modalitas input sentuhan dengan minimal jumlah data training (Nc = 3 dan Nt = 100) yang
merupakan studi kasus yang disajikan dalam bagian 3.1; dan 2) Klasifikasi lima modalitas input sentuhan dengan jumlah rata-rata
data pelatihan (Nc = 5 dan Nt = 500).
• Kasus 1: Nc = 3 dan Nt = 100
Mari kita mendefinisikan fungsi real time sebagai waktu latency kurang dari 1 detik sehingga sistem harus mencari tahu salah
satu klasifikasi per detik. Kasus ini berkaitan dengan total 300 tensor pelatihan, sehingga 300 fungsi kernel harus dihitung dengan
latency waktu kurang dari 1 detik. Namun, SVD untuk tensor masukan dihitung hanya untuk fungsi kernel pertama, kemudian
hafal dan digunakan untuk perhitungan fungsi kernel yang tersisa fakta yang mengurangi waktu latency dari sistem secara
keseluruhan. Menurut Tabel 2, dan 3 perhitungan ini dilakukan dalam waktu latency sama dengan 1,59 + (1,59-0,42) × 299 = 351
ms <1 s. Jadi, menggunakan arsitektur komputasi disajikan pada Gambar 3 menjamin fungsi real time selama 3 modalitas input
sentuhan dengan jumlah minimum tensor pelatihan. Selain itu, kompleksitas hardware dan konsumsi daya tetap tidak berubah.
Dengan demikian, kompleksitas hardware dan konsumsi daya yang disajikan pada Tabel 3 dibutuhkan untuk mengklasifikasikan
3 modalitas input sentuhan yang berbeda dengan 100 tensor pelatihan.
• Kasus 2: Nc = 5 dan Nt = 500
Sebanyak 2500 fungsi kernel perlu dihitung dalam kasus ini. Waktu latency yang sesuai adalah sama dengan 1,59 + (1,59-
0,42) × 2499 = 2900 ms> 1 s. Jadi, persyaratan komputasi yang disajikan dalam kasus ini tidak memenuhi fungsi real time.
Waktu latency harus tiga kali dikurangi menjadi kurang dari 1 s. Masalah ini dapat diatasi dengan menerapkan arsitektur
hardware paralel menyediakan 3 tingkat paralelisme. . Gambar 3 menunjukkan arsitektur perangkat keras dari fungsi kernel
perhitungan menyediakan 3 tingkat paralelisme dari langkah-langkah komputasi yang disajikan oleh Gambar 2. Menggunakan
arsitektur ini waktu latency akan diberikan oleh 1,59 + (1,59-0,42). × 2499/3 = 976 ms <1 s, dan fungsi real time terjamin.
Namun, meskipun arsitektur paralel menjamin klasifikasi real time, meningkatkan kompleksitas hardware dan konsumsi daya.
Tabel 4 menunjukkan persyaratan untuk klasifikasi input sentuhan modalitas untuk dua kasus yang diteliti.
49 Ali Ibrahim dkk. / Procedia Teknologi 26 (2016) 43 50
-.Gambar 3. arsitektur paralel untuk fungsi kernel implementasi perangkat keras tensorial untuk Nc = 5 dan Nt = 500.
5. Kesimpulan dan Perspektif Masa Depan
Ketika mengolah data sensor taktil, sistem elektronik tertanam ke e -Kulit harus mematuhi batasan berat yang dikenakan oleh
aplikasi, misalnya respon real time, konsumsi daya yang rendah dan ukuran kecil. Dalam tulisan ini kami mempresentasikan
sistem elektronik tertanam berdasarkan implementasi perangkat keras yang didedikasikan untuk sistem kulit elektronik. Ini
memberikan implementasi fungsi kernel tensorial untuk pembelajaran mesin berdasarkan pendekatan kernel tensorial. Waktu
latency, konsumsi daya, dan kompleksitas perangkat keras untuk fungsi real time telah dinilai. Hasil pelaksanaan menyoroti
kompleksitas hardware dan tingginya jumlah konsumsi daya yang dibutuhkan yang mewakili isu-isu utama untuk pengembangan
sistem.
Persyaratan yang terkait dengan pengembangan unit pengolahan data tertanam untuk e-kulit masih jauh dari yang dicapai
dengan metode saat ini. Metode dan teknik untuk mengurangi kompleksitas hardware dan konsumsi daya dari sistem elektronik
tertanam harus diselidiki. Komputasi perkiraan baru-baru ini muncul sebagai pendekatan yang menjanjikan untuk desain hemat
energi dari sistem digital. Dengan menggunakan metode tersebut dapat memberikan solusi untuk mengurangi kompleksitas
hardware dan konsumsi daya dari sistem elektronik yang diinginkan tertanam. Solusi lain yang mungkin bisa dengan merancang
sistem elektronik tertanam dengan fitur reconfigurability yaitu sehingga memungkinkan untuk memodifikasi komponen sistem
pada saat run-time yang dapat digunakan untuk mengurangi konsumsi daya dari sistem secara keseluruhan.
TABEL 4. PERSYARATAN MODALITAS INPUT SENTUHAN KLASIFIKASI
Nc = 3 dan Nt = 100 Nc = 5 dan Nt = 500
Waktu Latency (s) 0,35 0,97
Dynamic Power Konsumsi (W) 2,7 6,2 Nb. Slice Register 97761 150604 (diperkirakan) Nb. Slice LUT ini 70529 108652
(diperkirakan)
50 Ali Ibrahim dkk. / Procedia Teknologi 26 (2016) 43-50
Referensi
[1] ML Hammock, A. Chortos, BC-K. Tee, JB-H. Tok, dan Z. Bao, 25th Anniversary Artikel: Evolusi Electronic Skin (E-Kulit):
Sejarah Singkat, Pertimbangan Desain, dan Kemajuan Terbaru, Adv.Mater, Vol.. 25, pp 5997-6038, 2013. [2] Dahiya
Ravinder S, Metta G, Valle M, Sandini G. Perabaan penginderaan -. Dari manusia ke humanoids. IEEE Trans Rob, 1552-3098
2010.
http://dx.doi.org/10.1109/TRO.2009.2033627. [3] Silvera-Tawil D, Rye D, Velonaki M. kulit buatan dan penginderaan taktil
untuk robot interaktif sosial: tinjauan. Robot Auton Syst
2015; 63 (3): 230-43. http://dx.doi.org/10.1016/j.robot.2014.09.008. [4] Hammock ML, Chortos A, Tee SM-K, Tok JB-H,
Bao Z. 25th anniversary artikel: evolusi kulit elektronik (e-kulit): sejarah singkat,
pertimbangan desain, dan kemajuan baru-baru ini. Adv. Mater. 2013; 25: 5997-6038 [Diundang Review]. [5] Someya Takao.
Membangun kulit bionik: bagaimana elektronik fleksibel dapat memberikan eskins bagi manusia. IEEE Spectr 2013: 50-6. [6]
Chortos Alex, Bao Zhenan. Kulit yang terinspirasi perangkat elektronik. Mater Hari ini, 1369-7021 2014; 17 (7): 321-31.
http://dx.doi.org/10.1016/
j.mattod.2014.05.006. [7] Tiwana MI, Redmond SJ, Lovell NH. Sebuah tinjauan dari teknologi penginderaan taktil dengan
aplikasi dalam teknik biomedis. Sens Aktuator A,
0924-4247 2012; 179 (Juni): 17-31. http://dx.doi.org/10.1016/j.sna.2012.02.051. [8] Kampmann, Kirchner F. Sebuah sistem
penginderaan taktil untuk manipulasi bawah air. Dalam: Prosiding workshop: kemajuan dalam penginderaan taktil dan sentuhan
berbasis interaksi manusia-robot yang akan diselenggarakan bersamaan dengan ACM / konferensi internasional IEEE 7 pada
interaksi manusia-robot (HRI 2012), 05-08 Maret, Boston (Massachussets ), USA; 2012. [9] Fondahl K, Kuehn D, Beinersdorf F,
Bernhard F, Grimminger F, Schilling M, Stark T, Kirchner F. Sebuah kaki sensor adaptif untuk sebuah robot bipedal dan berkaki
empat. Dalam: Prosiding konferensi internasional IEEE pada robotika biomedis dan biomechatronics, (BioRob-12), 24-27 Juni,
Roma, Italia; 2012. [10] M. Park, J. Im, M. Shin, Y. Min, J. Park, H. Cho, S. Park, M.-B. Shim, S. Jeon, D.-Y. Chung, J. Bae, J.
Park, U. Jeong, K. Kim,”Sangat
merenggang sirkuit listrik dari bahan komposit nanopartikel perak dan serat elastomer”, Nat. Nanotechnol. 2012, 7, 803. [11] L.
Hu, M. Pasta, F. La Mantia, L. Cui, S. Jeong, HD Deshazer, JW Choi, SM Han, Y. Cui, “elastis, berpori, dan konduktif
Energi Tekstil”, Nano Lett . 2010, 10, 708. [12] C. Reese, W.-J. Chung, M.-M. Ling, M. Roberts, Z. Bao, “Kinerja tinggi
mikro transistor kristal tunggal dengan litografi pada
dielectric elastomer”, Appl. Phys. Lett. 200, 89, 20, 2108. [13] Van F. Vidal-Verdu, MJ Barquero, J. Castellanos-Ramos, R.
Navas-Gonzalez, JA Sanchez, J. Seron, A. Garcia-Cerezo, “A Lokasi Besar
tactile Sensor patch Berdasarkan Komersial Angkatan Sensor,”Sensor, Vol. 11, No 5, pp. 5489-5507, 2011. [14] Mittendorfer,
P .; Yoshida E .; Cheng, G., "Menyadari seluruh tubuh interaksi taktil dengan mengorganisir diri, multi-modal kulit buatan pada
robot humanoid," Advanced Robotika, Vol. 29, No. 1, 51-6, 2015. [15] Dahiya, RS; Mittendorfer, P .; Valle, M .; Cheng, G .;
Lumelsky, VJ, "Arah Menuju Pemanfaatan Efektif Tactile Kulit: Sebuah Tinjauan," di
Sensor Journal, IEEE, vol.13, no.11, pp.4121-4138, November 2013. doi: 10,1109 / JSEN.2013.2279056. [16] Seminara, L .;
Pinna, L .; Valle, M .; Basirico, L .; Loi, A .; Cosseddu, P .; Bonfiglio, A .; Ascia, A .; Biso, M .; Ansaldo, A .; Ricci, D .; Metta,
G.,
"piezoelectric array polimer transduser untuk sensor taktil fleksibel," di Sensor 2012 IEEE, vol., Tidak ada., Pp.1-4, 28-31
Oktober 2012. [17] L. Seminara, L. pinna, A. Ibrahim, L. Noli, S. Caviglia, P. Gastaldo, M. Valle, “Menuju mengintegrasikan
intelijen di kulit elektronik”,Khusus
Edisitentang Sistem-Integrated intelijen, Mekatronika, Tersedia online 29 April 2015. [18] Ibrahim A., “Arsitektur dan
Implementasi Hardware Sistem Elektronik Tertanam untuk Tactile Pengolahan Informasi,” Ph.D. Tesis
Universitas Genova, Italia, Februari 2016. [19] Gastaldo P, Pinna L, Seminara L, Valle M, Zunino R. Sebuah kerangka
pengenalan pola berbasis tensor untuk interpretasi sentuhan modalitas
dalam sistem kulit buatan. IEEE Sens 2014; 14 (7): 2216-25. [20] P. Gastaldo, L. Pinna, L. Seminara, M. Valle, R. Zunino,
Pendekatan berbasis tensor untuk menyentuh klasifikasi modalitas dengan menggunakan pembelajaran mesin, Robotika dan
Sistem Otonomi, Volume 63, Part 3, Januari 2015 , Pages 268-278, ISSN 0921- 8890.http:
//dx.doi.org/10.1016/j.robot.2014.09.022. [21] De Lathauwer L, De Moor B, Vandewalle J. A Multilinear dekomposisi nilai
singular. SIAM J Matrix Anal Appl 2006; 21 (4): 1253-78. [22] Ibrahim A., Valle M., Noli L., Chible H.,”Singular Implementasi
Dekomposisi Nilai FPGA untuk Tactile Pengolahan Data”. IEEE NEWCAS
Juni 2015. DOI: 10,1109 / NEWCAS.2015.7182094. [23] D. Schneider, "Bisa superkomputer beralih ke sinyal prosesor (lagi)
?," di Spectrum, IEEE, vol.49, no.10, pp.13-14, 2012. [24] http: // www. arm.com/products/processors/cortex-r/index.php. [25]
Ibrahim A., Valle M., Noli L., Chible H., “Penilaian FPGA Implementasi Satu Algoritma Jacobi Sided untukNilai
DekomposisiSingular”.IEEE ISVLSI 2015, Juli 2015.