利用基于CNN的人员检测与关键词识别的TinyML实现无接触电梯

说明

我一直使用Google Schloar订阅最新的论文消息，今天看到一篇论文的标题是《Towards Contactless Elevators with TinyML using CNN-based Person Detection and Keyword Spotting》，由Anway S. Pimpalkar和Deeplaxmi V. Niture撰写，来自印度浦那的COEP科技大学电子与通信系。论文提出了一种概念验证，旨在通过使用tinyML（微型机器学习）技术，实现一种无需接触即可操作的电梯系统，以减少人际交互，同时提高电梯系统的安全性、智能化和用户体验效率。由于我前面在测试聆思产品时做过一个语音控制电梯的演示，在测试K510时做过一个手势控制电梯的演示，所以对这篇论文非常感兴趣，就用Kimi生成了论文的摘要信息。

论文概述

以下是论文的主要内容概述，由Kimi自动生成：

摘要

- 目的：介绍一种无需接触即可操作的电梯系统概念验证，以最小化人际交互，增强安全性、智能化和用户体验。
- 设计/方法/途径：开发了一种基于微控制器的边缘设备，能够执行tinyML推理，用于电梯操作。
- 发现：实证结果显示，系统实现了83.34%的人员检测准确率和80.5%的关键词识别效率，整体延迟在5秒以下。
- 创新性：与现有高部署成本、有限可行性和不一致性能的非接触式电梯技术相比，提出的系统利用tinyML技术，为电梯行业带来了重大的范式转变。
- 研究限制/影响：尽管研究显示出有希望的结果，但可扩展性和与现有电梯系统的集成需要进一步探索。
- 实际应用：展示的能效、操作简便性和增强的安全性表明，tinyML在电梯系统中的应用可能会彻底改变该行业。

引言

- 电梯的发展对全球城市景观的形成起到了关键作用，电梯行业的研究和开发集中在提高速度、改进操作算法和加强安全协议上。
- 非接触式使用场景的出现提供了与用户交互的快速方式，减少了公共空间中设备的物理接触，具有卫生优势。

现有非接触式电梯解决方案

- 探索了多种创新技术，如红外传感器、被动RFID标签、手势控制、二维码、蓝牙连接和智能手机应用程序，以实现电梯的非接触式操作。

新解决方案的需求

- 现有的电梯系统通常配备有专用计算资源，将这些资源改造以适应新的非接触式技术可能对标准住宅和办公空间来说成本过高。
- 需要成本低廉的解决方案，这些解决方案需要对现有基础设施进行最小的改动。

tinyML实施

- tinyML提供了一种在低功耗、资源受限设备上有效运行机器学习模型的可行解决方案。
- 该研究介绍了一种新颖的非接触式电梯系统，利用tinyML技术，通过边缘微控制器创建与传统系统相比经济的解决方案。

系统构建和算法管道

- 描述了系统的硬件组件和接口，包括微控制器、摄像头和麦克风。
- 详细介绍了人员检测和关键词检测管道的步骤。

CNN和TinyML实现

- 讨论了如何在微控制器上使用卷积神经网络（CNN）进行系统两个管道的推理。
- 人员检测模型使用MobileNetV1架构，并在训练后进行量化，以优化有限资源。
- 关键词检测模型使用tiny_conv架构，针对嵌入式微控制器进行了预优化设计。

结果与讨论

- 测试了Arduino Nano 33 BLE Sense和OV7675模块的系统有效性，展示了在相机帧内外站立的主体的推理过程。
- 讨论了模型的准确性和延迟，并提供了一些实验数据。

结论

- 概念验证展示了可接受的准确性和延迟水平，但这些方面可能需要进一步改进才能在工业环境中部署。
- 未来的工作可能涉及将系统与现有电梯系统的CAN总线集成，以及探索与不同电梯型号和品牌的兼容性。

视频演示和代码可用性

- 提供了演示系统使用的视频，并在GitHub上提供了项目的源代码。

论文还包括了参考文献列表，提供了相关研究和技术的来源。

一点感想

这篇论文的思想并不是很高大上，做的内容还是比较细致扎实的，比我的简单测试肯定强不少。它的内容实际上是我非常感兴趣的，就是通过人工智能技术来感知用户的意图，从而改进人机交互的方式。这肯定是未来的一个重要的应用方向。

论文中提到的GitHub链接是：https://github.com/anwaypimpalkar/smartElevatorSystem。从这个链接可以看到作者这个作品经过多年的打磨，2021获得5th IEEE National Level Project Competition的最佳项目奖。