About / Advertise 
Finska Kovilta har implementerat ett bildsensorchip som analyserar mönster och rörelser. Det är baserat på händelsebaserad teknik från det europeiska forskningsprojektet Misel. Nästa steg är att testa chipet inom robotik och fordonsteknik.
Forskningsprojektet heter Multispectral Intelligent Vision System with Embedded Low-Power Neural Computing och leds av finska forskningsinstitutet VTT.
Idén är att efterlikna samspelet mellan öga och nervsystem hos djur där näthinna, synbark och prefrontalloben deltar i perception och tolkning. Det betyder att beräkningarna är massivt parallella, att de triggas av att sensordata anländer, att det är förändringar, rörelser, som analyseras, att data bearbetas steg för steg, och att hela processen är energisnål.
– Neuromorf beräkning kan vara hundratals eller till och med tusentals gånger mer energieffektiv än konventionell digital bearbetning”, säger Jacek Flak, forskningsledare på VTT och projektkoordinator.
– I framtiden kan dessa resultat användas i autonoma enheter som ser, bearbetar och agerar lika självständigt och energieffektivt som en bananfluga.
Arkitekturen är lämpad för edge, som kameror som övervakar självständigt eller mobila robotar som fattar egna beslut
– Vårt mål är att bygga verkligt smart utrustning som kan göra egna observationer och fatta beslut utan att skicka data till superdatorer eller molnet.
Misel startade 2021 och närmar sig slutfasen. Andra deltagare är universiteten i Łódź, Lund, Santiago de Compostela och Wuppertal, Fraunhofer-institutet, Frankrikes nationella forskningsinstitut LNE samt AMO GmbH (Tyskland). De bidrar med kompetenser inom bland annat materialvetenskap, elektronik och algoritmutveckling.
Koviltas sensorchip har ett dynamiskt omfång över 120 dB, hanterar över 1000 bilder per sekund.
– Till skillnad från en konventionell videokamera som fångar statiska bildrutor upptäcker denna sensor rörelse och förändringar i tid och rum. Det ger en mycket effektivt komprimerad dataström utan sämre noggrannhet.
Misel har samdesignat sensorer, minnen, algoritmer och elektroniska komponenter. Projektet har även utvecklat egna energisnåla AI-processorkärnor.
Sverige – Lunds universitet – har bidragit med icke-flyktiga minnen baserade på ferroelektriska material.
