Tersedia online di www.sciencedirect.

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

Sistem Elektronik Tertanam berdasarkan DSP Hardware Dedicated

Electronic Pelaksanaan Kulit
Ali Ibrahima, b *, Luca Nolia, Paolo Gastaldoa, Hussein Chibleb, Maurizio Vallea
aDepartment dari Listrik, Elektronik dan Teknik Telekomunikasi dan arsitektur Naval (DITEN) - Universitas Genoa, melalui
Opera Pia 11-16.145 Genoa, Italia bMicroelectronics Research Lab, PhD Sekolah Ilmu dan Teknologi (EDST) - Lebanon
University, AL Hadath, Lebanon
Abstrak
upaya untuk mengembangkan kulit elektronik sangat termotivasi oleh banyak aplikasi domain yaitu robotika, instrumentasi
biomedis, dan penggantian perangkat palsu. Beberapa sistem e-kulit telah diusulkan baru-baru dan telah menunjukkan kebutuhan
sistem elektronik tertanam untuk pengolahan data taktil baik untuk meniru kulit manusia atau untuk menanggapi tuntutan
aplikasi. Mengolah data taktil membutuhkan metode yang efisien untuk mengekstrak informasi yang berarti dari data sensor
mentah.
Dalam kerangka ini, tujuan kami adalah pengembangan tertanam sistem elektronik yang didedikasikan untuk kulit elektronik.
Sistem elektronik tertanam memiliki untuk memperoleh data taktil, proses dan ekstrak informasi yang terstruktur. Mesin Belajar
(ML) merupakan metode yang efektif untuk analisis data dalam banyak domain: baru-baru ini telah menunjukkan efektivitas
dalam mengolah data sensor taktil. Makalah ini menyajikan sebuah sistem elektronik tertanam berdasarkan implementasi
perangkat keras yang didedikasikan untuk sistem kulit elektronik. Ini menyediakan implementasi fungsi kernel tensorial untuk
pembelajaran mesin berdasarkan pendekatan kernel tensorial. Hasil menilai waktu latency dan kompleksitas perangkat keras
untuk fungsi real time. Hasil pelaksanaan menyoroti tingginya jumlah konsumsi daya yang dibutuhkan untuk input sentuhan
tugas modalitas klasifikasi. Kesimpulan dan perspektif masa depan juga disajikan.
© (http://creativecommons.org/licenses/by-nc-nd/4.0/). Peer-review © peer-review 2016 2016 The Authors. di bawah Penulis. di
bawah tanggung jawab Terbit Diterbitkan oleh dari oleh Elsevier yang dari Elsevier pengorganisasian penyelenggaraan Ltd Ltd
Komite ini komite terbuka dari SysInt akses dari artikel SysInt 2016
2016.
CC BY-NC-ND lisensi
Keywords: Electronic Skin System; Didedikasikan Tertanam Implementasi Perangkat Keras; Pemrosesan sinyal digital; Real
Time Fungsi;
* Penulis yang sesuai. Tel .: +39 (010) 353 2288;
Alamat E-mail: ali.ibrahim@edu.unige.it
Procedia Teknologi 26 (2016) 43-50
44 Ali Ibrahim dkk. / Procedia Teknologi 26 (2016) 43-50
1.Pendahuluan
KulitManusia adalah penghalang fisik melalui mana kita berinteraksi dengan lingkungan kita, memungkinkan kita untuk
melihat berbagai bentuk dan tekstur, perubahan suhu, dan berbagai tingkat tekanan kontak. Untuk mencapai kemampuan
penginderaan tinggi, beberapa jenis reseptor rasa yang sangat khusus yang tertanam di dalam kulit kita. Reseptor ini pertama
transduce informasi yang dihasilkan oleh rangsangan mekanik menjadi sinyal listrik dan kemudian mengirimkan ke sistem saraf
pusat untuk diproses lebih kompleks. Sinyal yang dikumpulkan akhirnya ditafsirkan oleh korteks somatosensori, [1]
memungkinkan kita untuk melihat indera peraba dan mudah berinteraksi dengan dunia fisik kita.
Upaya untuk membuat kulit elektronik dengan kemampuan sensorik seperti manusia dimotivasi oleh kemungkinan menjadi
sangat berlaku untuk kecerdasan otonom buatan (misalnya, robot), instrumentasi biomedis, dan penggantian perangkat prostetik
mampu memberikan tingkat yang sama persepsi sensorik dari setara organik. Endowing peralatan dengan kemampuan
penginderaan dan pengolahan sentuh memungkinkan interaksi taktil antara perangkat elektronik dan lingkungan.
Mengikuti definisi yang diberikan oleh Dahiya et al. [2], penginderaan taktil melibatkan deteksi dan pengukuran parameter
kontak di daerah kontak yang telah ditetapkan dan pengolahan selanjutnya dari sinyal untuk mengekstrak informasi yang
terstruktur dan bermakna yang kemudian ditransmisikan ke tingkat sistem yang lebih tinggi untuk interpretasi persepsi.
Perkembangan kulit elektronik mulai dari mendefinisikan spesifikasi sistem, merancang dan fabrikasi susunan mekanis dari kulit
itu sendiri (yaitu lembut atau kaku dukungan mekanik, struktural dan fungsional lapisan material, dll) bersama-sama dengan
sistem tertanam elektronik untuk pengolahan data taktil. Tugas e-kulit yang berbeda jauh dari yang benar-benar diperhatikan dan
masih dalam tahap awal mereka bahkan jika banyak kelompok penelitian yang membahas topik dengan berbagai pendekatan
yang berbeda pada setiap tingkat dari masalah [3-9].
Kemajuan yang signifikan dalam pengembangan e-kulit telah dicapai dalam beberapa tahun terakhir oleh konsentrasi pada
meniru sifat-sifat yang sangat sensitif mekanis compliant kulit manusia. Untuk bahan penginderaan, elektroda merenggang untuk
e-kulit telah dikembangkan di [10], dan transformasi bahan biasanya rapuh, Si, dalam elektronik fleksibel, performa tinggi
dengan menggunakan ultrathin (100 nm) film dihubungkan oleh interkoneksi merenggang adalah disajikan dalam [11]. Someya
et al. telah dibuat fleksibel berbasis pentacene organik transistor efek medan (OFETs) untuk besar-kawasan terpadu lembar
tekanan-sensitif dengan matriks pembacaan aktif [12]. Untuk implementasi sistem Namun, desain patch sensor taktil untuk
menutupi area yang luas dari robot dan mesin yang berinteraksi dengan manusia dilaporkan dalam [13]. Realisasi sebagian besar
custom-built dan sensor diimplementasikan dengan sensor kekuatan komersial. Ini memiliki manfaat dari respon yang lebih
mendatang dari sensor jika perilakunya dipahami sebagai agregasi dari bacaan dari semua sensor gaya individu dalam array. [14]
memperkenalkan murah, terukur, sel kekuatan diskrit dan terintegrasi, bersama dengan (diskrit) perangkat lain sensor, menjadi
kulit buatan multi-modal, berdasarkan dari berbentuk heksagonal, sel satuan cerdas (yaitu PCB). Namun, sejumlah besar data,
kompleksitas algoritma pengolahan data dan jumlah yang relevan energi dan daerah membatasi implementasi saat ini sistem e-
kulit untuk sistem PCB jaringan.
Dalam tulisan ini, kami menyajikan sebuah arsitektur sistem elektronik tertanam dan implementasi untuk sistem kulit
elektronik. Desain didasarkan pada pembelajaran mesin berdasarkan pendekatan kernel tensorial. Hasil menjamin kelayakan
pendekatan meskipun kompleksitas hardware ketika fungsi real time ditujukan. Selain itu, makalah ini menyoroti tingginya
jumlah konsumsi daya yang dibutuhkan untuk input sentuhan tugas modalitas klasifikasi.
Sisa kertas ini disusun sebagai berikut: Bagian 2 menjelaskan sistem e-kulit mendefinisikan komponen struktural yang
berbeda untuk pengembangan sistem. Bagian 3 menyajikan arsitektur komputasi untuk pendekatan kernel tensorial. Ini analisis
beban komputasi dari pendekatan yang diusulkan dan menyediakan hasil implementasi hardware khusus. Sebuah studi klasifikasi
berdasarkan hasil implementasi hardware dijabarkan pada bagian 4, dan akhirnya kesimpulan dan perspektif masa depan
dilaporkan dalam bagian 5.
Sistem 2. E-kulit
Dari perspektif sistem, e-kulit biasanya didefinisikan sebagai satu set beberapa komponen penginderaan termasuk bahan
struktural dan fungsional, pengkondisian sinyal dan akuisisi, terintegrasi dengan informasi sensor khusus pengolahan tertanam
sistem elektronik [15]. Gambar 1 menunjukkan diagram blok umum dari sistem e-kulit.
45 Ali Ibrahim dkk. / Procedia Teknologi 26 (2016) 43-50
Gambar 1. blok Umum diagram dari sistem e-kulit..
Taktil sensor array komponen pertama yang akan dibahas dalam proses pembangunan e-kulit. Bahan fungsional yang
memadai memungkinkan kemampuan penginderaan tertentu harus diidentifikasi. Sebagai persyaratan kulit fungsional bisa
diperdebatkan dan tergantung aplikasi, film polimer piezoelektrik dari polyvinylidene Fluoride (PVDF) [16] telah terpilih sebagai
memenuhi persyaratan target fleksibilitas mekanik, sensitivitas tinggi, pendeteksian dari sentuhan dinamis (1Hz-1kHz rentang
frekuensi) dan ketahanan. Sistem ini terdiri dari 8 × 8 sensor taktil array berdasarkan transduser piezoelektrik [17].
Blok kedua terdiri atas elektronik antarmuka yang bertanggung jawab atas pengkondisian sinyal dan akuisisi termasuk
konversi analog ke digital. Elektronik antarmuka membutuhkan biaya amplifier untuk mengumpulkan biaya yang dihasilkan oleh
tunggal taxel PVDF ketika ditekankan oleh rangsangan taktil. Biaya amplifier transfer biaya untuk kapasitor referensi dan
menghasilkan tegangan output yang sebanding dengan muatan pada kapasitor referensi dan, masing-masing, dengan muatan
masukan; maka sirkuit bertindak sebagai konverter biaya-ke-tegangan. Biaya amplifier dapat memperkuat rangsangan taktil pada
pita frekuensi yang menarik, yang untuk kasus kami adalah berkisar dari 1Hz ke 1 kHz. Analog ke digital scan array 8 × 8 sensor
di tingkat 2 × kHz (OSR) di mana 2 kHz adalah sinyal input Nyquist frekuensi dan OSR adalah faktor Ratio Selama Sampling
yang harus lebih besar dari 2 (OSR telah ditetapkan untuk 3 di setup saat ini) [18]. Tingkat sampel pada output dari blok
Antarmuka Electronics adalah akibatnya dari 3k matriks A (8 × 8) / s dengan resolusi data nominal (yang ditetapkan oleh Analog
to Digital Converter) setara dengan 16 bit. Data sensor taktil telah diproses dan informasi terstruktur perlu diekstrak dan
ditransmisikan.
Digital Signal Processing (DSP) blok menguraikan sinyal sensor taktil menggunakan sistem elektronik tertanam terintegrasi
bersama dengan bahan penginderaan. Kekhawatiran pengolahan data taktil berbagai jenis informasi yang dapat dibagi menjadi
dua kategori: 1) informasi tingkat rendah seperti lokasi kontak, daerah dan durasi, intensitas gaya kontak, arah dan distribusi, dan
suhu; 2) informasi tingkat tinggi untuk diskriminasi dari modalitas sentuh atau klasifikasi atribut menghubungi benda misalnya
kekasaran, tekstur, pola, dll Dalam setup ini, sistem e-kulit penawaran dengan blok DSP dengan tingkat tinggi pengolahan
informasi yaitu masukan menyentuh klasifikasi modalitas. Klasifikasi menggunakan Machine Learning berdasarkan pendekatan
kernel tensorial yang baru-baru telah terbukti efektivitasnya dalam mengolah sensor taktil Data [19].
3. tensorial Kernel Komputasi Arsitektur
Machine Learning (ML) metode telah semakin digunakan untuk analisis data dalam banyak domain dan telah menekankan
kebutuhan untuk mengambil struktur data asli menjadi pertimbangan. Dalam [19], sebuah ML berdasarkan pendekatan tensorial
Kernel telah diusulkan untuk menafsirkan sentuhan modalitas dalam sistem e-kulit. Pentingnya pendekatan ini adalah bahwa hal
itu mempertahankan struktur tensorial melekat dari sinyal yang diberikan oleh perangkat penginderaan. Dalam konteks ini, tujuan
kami adalah untuk menerapkan real time tertanam sistem elektronik berbasis DSP hardware khusus dari pendekatan tensorial
Kernel untuk sistem e-kulit.
Seperti ditunjukkan dalam diagram blok dari Gambar. 1, masukan dari blok Digital Signal Processing adalah matriks 3k A (8
× 8) / s yang merupakan susunan data dalam hal aliran waktu array yaitu sebagai urutan tensor ketiga £ (8 × 8 × 3000) di mana
dua dimensi pertama didefinisikan oleh geometri array sensor (8 × 8), sementara waktu mendefinisikan dimensi tensor ketiga.
Gastaldo et. al mengusulkan metode untuk mengurangi tingginya jumlah data yang terdapat dalam £ tensor (8 × 8 × 3000) untuk
mengurangi kompleksitas perhitungan [20]. Menerapkan metode ini untuk tensor masukan hasil sebuah tensor φ berkurang (8 × 8
× 20) seperti yang dijelaskan dalam [17].
46 Ali Ibrahim dkk. / Procedia Teknologi 26 (2016) 43-50
Gambar 2. Indikatif blok diagram untuk implementasi kernel tunggal tensorial..
Gambar 2 mengilustrasikan langkah-langkah perhitungan yang berbeda diperlukan untuk bekerja di luar fungsi kernel
tensorial. Langkah pertama terdiri atas tensor berlangsung yaitu representasi matriks φ (8 × 8 × 20) di mana semua kolom (baris)
vektor ditumpuk satu demi satu [21]. Tiga matriks (X
1
(8 × 160), X
2
(8 × 160), X
3
(20 × 64)) diperoleh dengan terungkapnya
menerapkan. SVD blok menghitung dekomposisi nilai singular yang mengubah matriks dilipat ke dalam produk dari tiga matriks
misalnya X
1
=U
1
S
1
V
1
T di mana U
1
adalah matriks ortogonal yang berisi vektor Eigen dari X
1
X
1
T, dan V
1
adalah matriks ortogonal yang berisi vektor Eigen dari X
1
TX
1.
The S
1
adalah matriks diag diagonal (σ
0,
......., σ
n-1),
di mana
σi adalah nilai-nilai singular dari X
1
(yaitu akar kuadrat dari Nilai Eigen), yang diatur dalam urutan.
Perhitungan faktor kernel mulai berlaku setelah perhitungan SVD. Faktor kernel dihitung dengan menggunakan vektor
singular (V
i)
dari tensor input dan vektor tunggal dari tensor pelatihan untuk kelas yang berbeda. Dalam
rangka untuk mengurangi perhitungan online, vektor tunggal dari tensor pelatihan dihitung secara offline dan hafal di Mem blok.
Akhirnya, fungsi kernel diperoleh dengan mengalikan faktor kernel mengakibatkan untuk tiga matriks dilipat.
3.1 Analisis Beban Komputasi
Selain sejumlah besar data taktil untuk diproses secara real time, kompleksitas perhitungan menimbulkan tantangan berat dalam
pengembangan sistem elektronik tertanam. Kebutuhan komputasi tergantung pada operasi keseluruhan jumlah (terutama
aritmatika) bahwa pendekatan kernel tensorial harus melakukan dan pada operasi real-time. Dalam rangka untuk menilai beban
komputasi, studi kasus [17] telah dianggap: tugas yang diberikan adalah untuk mengklasifikasikan interaksi sentuhan antara Nc
modalitas = 3 sentuh (yaitu kuas menyikat; jari geser; mesin cuci bergulir) dalam 1 detik; disini Nc adalah jumlah kelas
klasifikasi dan jumlah Nt data pelatihan diatur 100.
Seperti dijelaskan dalam Gambar. 2 pendekatan terdiri pertama pada menghitung dekomposisi nilai singular (SVD) [22] dari
matriks dilipat. Analisis kebutuhan komputasi untuk SVD didasarkan pada Satu sisi algoritma Jacobi yang menyediakan akurasi
tinggi dan konvergensi di sekitar K = 05:10 iterasi. Berikut langkah adalah perhitungan faktor kernel selama beberapa SVD, yang
pertama sesuai dengan masukan tensor dan yang kedua untuk
47 Ali Ibrahim dkk. / Procedia Teknologi 26 (2016) 43-50
tensor mewakili kelas yang telah ditetapkan diekstraksi dari data pelatihan. Tabel 1 menunjukkan jumlah operasi dan jepit per
detik yang diperlukan untuk melaksanakan pendekatan tensorial Kernel. Konsumsi daya dari total jumlah FLOPS mengakibatkan
telah diperkirakan menurut [23].
Berikut estimasi disajikan pada Tabel 1, sekitar 31 GFLOPS (Giga Floating Point Operations per Second) diperlukan untuk
real-time klasifikasi satu sentuhan. Persyaratan ini untuk unit pengolahan data yang sangat menantang: unit pengolahan data yang
tepat harus dipilih dengan hati-hati untuk memenuhi persyaratan sasaran.
Tertanam mikroprosesor DSP misalnya, melakukan operasi aritmatika mereka melalui perangkat lunak; ini dapat memberikan
fleksibilitas dalam desain, yang memungkinkan perubahan desain akhir. Sebagai contoh, mari kita pertimbangkan ARM prosesor
Cortex keluarga sangat terkenal [24]: Cortex-R7 dapat mencapai 6 GFLOPS, yang lebih rendah dari persyaratan target yang
disorot oleh Tabel 1. Selain itu, konsumsi daya tidak kompatibel dengan aplikasi target Persyaratan.
Sebuah pendekatan yang mungkin untuk mengatasi masalah ini bisa untuk merancang aplikasi khusus sirkuit terpadu spesifik
(ASIC) pada teknologi sel standar; Untuk tujuan ini, pendekatan kami adalah menggunakan bidang programmable gate array
(FPGA) yang merupakan solusi yang efisien menggabungkan kekuatan dari hardware dan software. Selain itu, prototipe desain
ASIC di FPGA merupakan metode yang efektif dan ekonomis verifikasi.
3,2 Dedicated Implementasi Perangkat Keras Hasil
Penelitian beban komputasi hasil SVD sebagai algoritma mahal paling komputasi dari pendekatan kernel tensorial: itu
mewakili sekitar 70% dari kompleksitas komputasi dari pendekatan keseluruhan [17]. Untuk alasan ini, metode dan arsitektur
untuk implementasi hardware dari SVD harus dipelajari dengan baik dan dinilai dalam rangka untuk memilih arsitektur yang
tepat yang cocok untuk aplikasi yang ditargetkan. Dalam perspektif ini, tiga implementasi hardware yang berbeda untuk SVD
telah disajikan dan dinilai [25], dan implementasi cocok untuk embedded pemrosesan real time telah dipilih. Hasil SVD
perhitungan berdasarkan implementasi perangkat keras yang dipilih menggunakan Virtex-5 perangkat XC5VLX330T FPGA
ditunjukkan pada Tabel 2.
Perhitungan fungsi kernel yang disajikan di sini telah ditempuh menggunakan implementasi SVD yang dipilih. Tabel 3
menunjukkan hasil pelaksanaan fungsi kernel menggunakan Virtex-5 perangkat XC5VLX330T FPGA. Hasil ini sesuai dengan
salah satu fungsi kernel dihitung untuk tensor masukan dibandingkan dengan hanya satu tensor pelatihan milik satu kelas.
TABEL 1: FLOATING POINT OPERASI PER SECOND (FLOPS)
J
u
TABLE 2. SVD IMPLEMENTASI HASIL UNTUK VIRTEX 5 XC5VLX330T
m
ukuran
l Matrix 160 × 8 Waktu Latency (ms) 0.42
aPersentase Pendudukan Lokasi (%) 18 Nb. Slice Register 28.101 Nb. 22.076Iris Lut ini
h
KonsumsiDaya Dinamis(W) 0,948
o
p
e
r
a
s
i

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.