FastKAN-DDD:一个新的快速Kolmogorov-Arnold基于网络的方法来检测驾驶员的昏昏欲睡,优化为TinyML部署

科学领域:

• 嵌入式系统 嵌入式系统
• 机器学习用于汽车安全
• 微型ML应用程序

背景情况:

• 司机昏昏欲睡是交通事故的主要原因,需要实时疲劳检测系统.
• 现有的机器学习 (ML) 和深度学习 (DL) 模型通常对资源有限的嵌入式系统来说过于计算密集.
• 对于基于TinyML的车辆驾驶员昏昏欲睡的检测,需要轻量级,可解释和高性能模型.

研究的目的:

• 介绍FastKAN-DDD,这是一个使用Fast Kolmogorov-Arnold网络 (FastKAN) 架构的新型驾驶员昏昏欲睡检测模型.
• 通过培训后的量化技术优化TinyML部署的模型.
• 用于嵌入式汽车应用的现实世界驾驶员昏昏欲睡数据集来评估模型的性能.

主要方法:

• 开发了FastKAN-DDD,结合了基于可学习的辐射基函数 (RBF) 的非线性激活函数,以实现高效的函数近似.
• 应用后训练量化 (动态范围,浮动-16,仅重量) 以提高适用于TinyML部署的适度.
• 在UTA-RLDD数据集上进行实验,评估不同输入分辨率和量子化方案的性能.

主要成果:

• 在UTA-RLDD数据集上实现了99.94%的测试准确性.
• 演示了极低的推理延迟 (0.04 ms) 和最小的内存足迹 (35 KB).
• 在准确性,计算效率和模型大小方面超过了几种最先进的TinyML模型.

结论:

• 在基于微控制器的系统上,FastKAN-DDD非常适合实时检测驾驶员的昏昏欲睡.
• 该型号的轻量级和高效设计解决了TinyML在汽车安全中的应用的缺口.
• 公开可用的代码有助于在这个关键领域进行进一步的研究和开发.