Utilizing embedded machine learning as a conversion algorithm for converting sensor readings into sensor values on a bare metal embedded device

Abstract

Even though artificial intelligence (AI) has been frequently used for decades, the number of applications utilizing AI are rapidly increasing. The technology is advancing fast, and its use is spreading to different and new fields. In this thesis, the goal is to further expand the use and value of AI, by utilizing machine learning (ML) as a conversion algorithm for converting raw sensor readings, into the intended measured component (e.g. CO concentrations from a gas sensor). Using machine learning for this purpose is not new, however previous research on this topic have not produced machine learning models designed for use on the edge where the sensor resides. Thus, in this thesis, the main focus is placed on developing a model that can be implemented on a bare metal embedded device.

Selv om kunstig intelligens (AI) har blitt mye brukt i flere tiår, øker antallet applikasjoner som bruker AI raskt. Teknologien går fort fremover, og bruken sprer seg stadig til forskjellige og nye felt. I denne oppgaven er målet å utvide bruken og verdien av AI ytterligere, ved å benytte maskinlæring (ML) som en konverteringsalgoritme for å konvertere ubehandlet sensoravlesninger, til den tiltenkte målte komponenten (for eksempel CO-konsentrasjoner fra en gassensor). Å bruke maskinlæring for dette formålet er ikke nytt, men tidligere forskning på dette emnet har ikke produsert maskinlæringsmodeller designet for bruk ytters i nettverket, der sensoren befinner seg. Dermed er hovedfokuset i denne oppgaven å utvikle en maskinlæringsmodell som kan implementeres på en mikrokontroller.