Studie nízkonákladových embedded systémů pro reálně časové aplikace strojového učení

Abstract

Cílem a výstupem této práce je studie dostupných nízkonákladových HW řešení s open-source SW nástroji pro výkonné výpočty se strojovým učením v reálném čase a vlastní implementace řešení problematiky detekce anomálií na jedné zvolené platformě. Zvolenou platformou je pro účely této práce vývojová deska PYNQ-Z1 s čipem FPGA. Tato deska poskytuje široké možnosti budoucích aplikací a díky dnes již podstatně usnadněnému HW programování jí bylo vhodné otestovat i z pohledu náročnosti implementace pro strojní inženýry. Práce se tak zabývá návrhem a vývojem vlastního HW návrhu výpočetního akcelerátoru pro čip FPGA, jehož výkon je zde poté otestován ve zde též vyvinutém detekčním SW v jazyce Python. V závěru práce je vyhodnocena vhodnost užití zvolené platformy a jsou zde shrnuty možnosti vhodných využití pro reálné aplikace.

The aim and output of this thesis is a research of available low-cost HW solutions with open-source SW tools for real-time machine learning computations and the actual implementation of the solution to the anomaly detection problem on one selected platform. The chosen platform for purposes of this work is a PYNQ-Z1 development board with a FPGA chip. This board provides a wide range of possibilities for future applications and due to the now substantially easier HW programming, it was also suitable to test it in terms of implementation complexity for mechanical engineers. The thesis thus deals with the development of a custom HW design of a computational accelerator for the FPGA chip, whose performance is then tested in the original detection software written in Python. The thesis concludes with an evaluation of possible use-cases of the chosen platform and summarizes the possibilities of suitable uses for real applications.