음성 활성화 엣지 장치와 초소형 머신러닝 지원 마이크로컨트롤러

기술이 지속적으로 발전하는 환경에서, 지능적이고 반응적인 장치의 통합은 우리의 일상 생활에서 보편화되었습니다. 스마트 홈에서 산업 환경에 이르기까지, 네트워크의 엣지에서 효율적이고 실시간 처리를 위한 수요가 소형이며 강력한 솔루션의 개발을 촉진했습니다. 연구에 따르면, 이러한 패러다임 전환 발전 중 하나는 초소형 머신러닝(Tiny Machine Learning, TinyML)의 출현으로, 이는 엣지 장치가 제약된 하드웨어에서 머신러닝(ML) 알고리즘을 실행할 수 있는 능력을 부여합니다. 본 연구는 음성 지원 엣지 장치에서 계산 능력과 에너지 소비의 균형을 맞추는 도전과제를 다룹니다. 이 논문은 또한 음성으로 제어되는 엣지 장치를 위한 저전력 마이크로컨트롤러와의 통합을 포함하여 TinyML, 특히 합성곱 신경망(CNN)의 통합을 탐구합니다. 스마트 팬을 사례 연구로 활용하여, 방법론은 데이터 수집, CNN 모델 설계 및 훈련, 모델 최적화, 및 Arduino Nano 33 BLE Sense 마이크로컨트롤러에 배포를 포함합니다. 실험 결과는 스마트 팬을 제어하는 동안 음성 명령을 인식하는 데 95%의 정확도를 나타내며, 효율적이고 반응적인 엣지 컴퓨팅 응용 프로그램을 위한 TinyML의 잠재력을 보여줍니다.