Integración de Sensores y Estimación Eficiente de Parámetros Ambientales mediante Algoritmos Básicos de Machine Learning sobre una Arquitectura Edge-IoT basada en GPU

Torres Fernández, Raúl (2022). Integración de Sensores y Estimación Eficiente de Parámetros Ambientales mediante Algoritmos Básicos de Machine Learning sobre una Arquitectura Edge-IoT basada en GPU. Proyecto Fin de Carrera / Trabajo Fin de Grado, E.T.S.I. de Sistemas Informáticos (UPM), Madrid.

Description

Title: Integración de Sensores y Estimación Eficiente de Parámetros Ambientales mediante Algoritmos Básicos de Machine Learning sobre una Arquitectura Edge-IoT basada en GPU
Author/s:
  • Torres Fernández, Raúl
Contributor/s:
  • Gamazo Real, José Carlos
Item Type: Final Project
Degree: Grado en Ingeniería de Computadores
Date: July 2022
Subjects:
Freetext Keywords: Sistemas IoT Edge; Machine learning; Valores ambientales
Faculty: E.T.S.I. de Sistemas Informáticos (UPM)
Department: Sistemas Informáticos
Creative Commons Licenses: Recognition - No derivative works - Non commercial

Full text

[img] PDF - Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (6MB)

Abstract

La era del Internet de las cosas (IoT) ya forma parte de la sociedad actual y, a medida que pasa el tiempo, la cantidad de dispositivos conectados a internet crece exponencialmente. Debido a este exceso de información producida se puede llegar a alcanzar un problema de limitación en el almacenamiento y procesamiento de datos en algún momento. En este proyecto se presenta sistema de estimación de parámetros ambientales basado en una arquitectura Edge-IoT con aplicación de técnicas de inteligencia artificial para gestionar eficientemente los recursos de procesamiento. Los objetivos principales del sistema son predecir valores ambientales mediante algoritmos de Machine Learning, así como, comprobar y gestionar un procesamiento eficiente de datos procedentes de sensores con un consumo energético equilibrado de la arquitectura. Como componentes hardware, se han utilizado tres tarjetas Raspberry Pi 3 Model B que han sido desarrolladas en la ETSI de Sistemas Informáticos (ETSISI) y posteriormente rediseñadas para encajar en este proyecto las cuales han sido nombradas como RASPEX y que integran los distintos sensores de obtención de valores ambientales. La arquitectura también consta de una GPU NVIDIA Jetson Xavier NX como componente de procesamiento de los algoritmos, y un Router WiFi AMPER ASL-26555 para desplegar la red local que soporta la arquitectura. Para el desarrollo del software se ha utilizado el lenguaje C para implementar las distintas librerías de obtención de datos, encapsulado de los mismos y protocolo de comunicación entre componentes. En este mismo lenguaje se ha desarrollado el algoritmo de comunicación basado en el protocolo MQTT, y la conexión a la base de datos del sistema MySQL. En Python se han desarrollado tanto un algoritmo de regresión lineal múltiple como una red neuronal de tipo Perceptrón Multicapa. Para verificar el cumplimiento de los objetivos planteados se han llevado a cabo experimentos distribuyendo las distintas tarjetas RASPEX y las tarjetas Raspberry en un laboratorio de la ETSISI para realizar tests con alguna de las variables ambientales. Finalmente se han obtenido las métricas de estimación de los algoritmos y los consumos energéticos de los componentes de la arquitectura para valorar la eficiencia de la arquitectura propuesta. Las métricas obtenidas permiten concluir que la regresión lineal múltiple ha sido óptima para la estimación de valores de temperatura y la red neuronal con topología 3, 2, 2, 1 ha sido la óptima para la predicción de luminosidad. Abstract: The Internet of Things (IoT) era is already part of today's society and, as time goes by, the number of devices connected to the Internet is growing exponentially. Due to this excess of information produced, a problem of limitation in data storage and processing can be reached at some point. This project presents an environmental parameter estimation system based on an Edge-IoT architecture with application of artificial intelligence techniques to efficiently manage processing resources. The main objectives of the system are to predict environmental values by means of Machine Learning algorithms, as well as to test and manage an efficient processing of sensor data with a balanced energy consumption of the architecture. As hardware components, three Raspberry Pi 3 Model B boards have been used, three boards that have been developed at ETSI of Information Systems (ETSISI) and later redesigned to fit in this project, which have been named RASPEX and which integrate the different sensors to obtain environmental values. The architecture also consists of an NVIDIA Jetson Xavier NX GPU as a processing component of the algorithms, and an AMPER ASL-26555 WiFi Router to deploy the local network on which the architecture is built. For the development of the software, the C language has been used to implement the different libraries for data acquisition, data encapsulation and communication protocol between components. The communication algorithm based on the MQTT protocol and the connection to the MySQL system database have been developed in this same language. A multiple linear regression algorithm and a Multilayer Perceptron neural network have been developed in Python. In order to verify the fulfillment of the proposed objectives, experiments have been carried out by distributing the different RASPEX cards and Raspberry boards in a laboratory of the ETSISI in order to develop tests with some of the environmental variables. Finally, the metrics for estimating the algorithms and the energy consumption of the architecture components have been obtained to evaluate the efficiency of the proposed architecture. The obtained metrics allow concluding that the multiple linear regression has been optimal for the estimation of temperature values and the neural network with topology 3, 2, 2, 1 has been optimal for the prediction of luminosity.

More information

Item ID: 71614
DC Identifier: https://oa.upm.es/71614/
OAI Identifier: oai:oa.upm.es:71614
Deposited by: Biblioteca Universitaria Campus Sur
Deposited on: 08 Sep 2022 05:33
Last Modified: 07 Nov 2022 23:30
  • Logo InvestigaM (UPM)
  • Logo GEOUP4
  • Logo Open Access
  • Open Access
  • Logo Sherpa/Romeo
    Check whether the anglo-saxon journal in which you have published an article allows you to also publish it under open access.
  • Logo Dulcinea
    Check whether the spanish journal in which you have published an article allows you to also publish it under open access.
  • Logo de Recolecta
  • Logo del Observatorio I+D+i UPM
  • Logo de OpenCourseWare UPM