Effektivt neuronnät kräver sin fysiker I grundskolan var sambandet linjärt mellan stimuli och respons, y = kx + m löd ekvationen. Ändrades indata x så ändrades utdata y proportionellt. I den suddiga verkligheten kan sambandet mellan in- och utdata se ut hur som helst. En reglering kan följa en viss kurva vid ett givet varvtal, och en helt annan kurva vid ett annat varvtal. Artificiella neuronnät (ANN) är en klass av algoritmer som används för att approximera olinjära funktioner. ANN är inspirerat av idéer om hur hjärnceller fungerar. Statistiker och numeriker har egna metoder, med mindre dramatiska namn, som matematiskt fungerar likadant. Ett ANN delar upp reglerområdet i delar. Olika delar av funktionskurvan ritas upp av olika neuroner, motsvarande olika varvtal, ljusförhållanden, et cetera, beroende på uppgiften. AI-systemet "tränas" genom att det förevisas exempel på korrekta reglersvar inom de olika reglerområdena. Olika AI-system, som Kohonennät och RBF-nät, använder olika strategier för att generalisera träningsexemplen så att hela reglerområdet täcks upp. Antagandet är att regleringen åtminstone lokalt runt exemplen är ganska linjär. En fysikalisk modell av problemets dynamik behövs ofta för att resultatet ska bli bra. Det duger sällan att behandla ANN-nätet som en svart låda och trycka in alla upptänkliga sensordata i ena änden och hoppas att ANN-nätet upptäcker ett samband. Vettiga sensorvärden måste väljas och sensordata måste transformeras, till exempel med FFT. Du behöver alltså ofta både en fysiker och en matematiker för att bygga ett bra ANN-nät för reglering eller analys.

Kameran riktas mot en man i publiken. Mannen flyttar sig, men kameran panorerar och håller siktet låst vid hans näsa.

Så ser det ut när svenska konsultföretaget Proventek reser ut och missionerar artificiell intelligens.

För tio år sedan skulle målföljningen krävt ett rack av processorer. Nu räcker ett litet kort byggt runt en asic, kallad Zisc, från amerikanska Silicon Recognition. Zisc-processorn implementerar ett så kallat artificiellt neuronnät (ANN).

ANN och annan teknik för artificiell intelligens (AI) fick ett dåligt rykte när den lanserades under 80-talet.

- Många brände sig när de tog fram system som de sedan inte kunde klämma in i något som var mindre än ett processorrack, än mindre bärbart, säger Albert Nagy, som konstruerat demonstratorn.

Men nu hinner hårdvaran ikapp allt fler av algoritmerna. AI får andra chans. De potentiella användarna är många. Och ofta är de inte medvetna om möjligheten, enligt Proventek. ANN-tekniken som används i Zisc heter RBF (radial basis functions). I Proventeks verktygslåda finns också processorn Vindax från Skotska Axeon. Den implementerar så kallade Kohonen-nät.

AI fick dåligt rykte

Albert Nagys kollega Nicholas Högasten har implementerat bildbehandlingen i en kamera som används som nattsikte i ett luftvärnssystem.

En enda bildpunkt avslöjar ett flygplan vid horisonten. Pricken drunknar i brus och låg kontrast, osynlig för blotta ögat, även efter klassiska linjära filter. Men Nicholas Högastens olinjära signalbehandling - som är den generella termen för system som ANN - lyfter fram den svävande pricken.

I nattsiktet används ingen specialsydd asic. Beräkningen utförs 60 gånger i sekunden på en välprogrammerad FPGA. På en 2,8 GHz PC skulle det ta 600 gånger längre tid. Kameran heter Lirc och tillverkas av svenska Flir Systems.

En tredje tillämpning från Proventek analyserar terrängen i ett videobild, till exempel från satellitkamera eller en sonar, och lokaliserar den på kartan. Tekniken skulle kunna svara på frågan "var låg minan?", till exempel. Och priset ligger på en nivå rimlig för konsumentprodukter.

Intelligent signalbehandling i en FPGA, kan ofta ge bättre resultat än att köpa nya sensorer eller optik. Och till en bråkdel av kostnaden.

- Olinjär signalanalys är intressant i alla projekt där tolkning av mätdata inte är elementär. Den kan upptäcka komplexa samband mellan en eller flera sensorer, säger Nicholas Högasten.

Han räknar upp möjliga tillämpningar.

o För kameraövervakning som kan skilja mellan ett rådjur och en person med bultsax.

o För att förstärka detaljer i bilder eller ta bort brus

o För att sammanställa information från IR, radar och synligt ljus till en enda bild.

o För att söka i stora databaser av olinjär information, kanske ansikten, ljud eller radarsignaturer.

o För att bygga intelligenta stötdämpare.

Fordonsindustrin är en viktig användare av bildanalys i realtid. Den som kör en Daimler-Chrisler och byter fil utan att blinka, kan få höra högtalarna brumma. Systemet bygger på att sidolinjen filmas och bilden analyseras i realtid. Funktionen kallas Lane Departure.

- Om man hamnar i en situation som inte kan detekteras får föraren en varningssignal att sensorn är ur funktion, berättar Mikael Söderberg, chef för inbyggda system på svenska Sjöland och Thyselius (S & T), som levererar bildanalysen i systemet.

Bilar av årsmodell 2006 klarar enligt planerna även Blindspot Detection, att varna för fordon som närmar sig bakifrån när du vill köra om.

Lane Departure och Blindspot Detection måste klara olika ljusförhållanden, de ska fungera under dag och natt och i regn och snö. Det är en uppgift som i allmänhet är betydligt svårare än att tolka bilder av produkter som passerar på ett löpande band, där ljus, avstånd och perspektiv kan hållas konstant.

Bilelektronik lyder under bivillkoret att hårdvaran måste vara billig. Kring en halv tusenlapp kan riktlinjen ligga.

Beräkningarna för Lane Departure sköts i specialversioner av standard-DSP:er som S & T tagit fram tillsammans med halvledartillverkaren. Algoritmen accelereras i extra hårdvara.

Hårdvaran avgörande

Radarsystem för att bilda fordonståg finns och fungerar men kostar ännu åtta gånger för mycket. Ett annat exempel på hur hårdvaran sätter gränser är att det går att mäta avstånd med en enda cmos-kamera som tar flera bilder i följd. Men i hårdvara med rimligt pris skulle analysen ta tio sekunder.

- Det räcker inte för att man ska hinna trycka på bromspedalen, säger Mikael Söderberg i en underdrift.

Näst-nästa generation av bilar, spekulerar han, har 8 videokameror runt bilen som utvidgar förarens synfält för manövrering. Återigen krävs bättre hårdvara, här bland annat snabbare realtidsnät i bilen, som Flexray, för att distribuera videosignalerna.

Jan Tångring