TIAN-6G: TinyML för intelligenta Ambient-IoT-noder i 6G
| Diarienummer | |
| Koordinator | Emickers AB |
| Bidrag från Vinnova | 99 616 kronor |
| Projektets löptid | februari 2026 - augusti 2026 |
| Status | Avslutat |
| Utlysning | 6G - Kompetensförsörjning |
| Ansökningsomgång | 6G - Handledning av examensarbete |
Viktiga resultat som projektet gav
Projektets mål uppnåddes genom att visa hur TinyML-modeller kan minskas i storlek och energiförbrukning med bibehållen prestanda. Kvantisering, pruning och Pareto-baserat modellval utvärderades, och en INT8-encoder implementerades på en mikrokontroller. Projektet uppnådde även cirka 68 % lägre överföringstid och energiförbrukning jämfört med råbilder.
Långsiktiga effekter som förväntas
Projektet förväntas bidra till mer energieffektiva och hållbara IoT-lösningar som kan fungera med begränsad, batterilös eller energiskördad energi. Lokal databehandling och kompakta TinyML-modeller kan minska kommunikationsenergi, bandbredd och driftkostnader samt möjliggöra mer autonoma och skalbara system. Resultaten kan även stödja framtida adaptiva system som väljer modell utifrån tillgänglig energi och önskad prestanda.
Upplägg och genomförande
Projektet genomfördes stegvis med inledande utveckling och utvärdering av olika lättviktiga autoencoder-modeller för bildkomprimering. Modellerna optimerades därefter med metoder som kvantisering och pruning och jämfördes utifrån energiförbrukning och prestanda. Slutligen användes Pareto-analys för att identifiera lämpliga modeller utifrån olika energibudgetar. En vald INT8-encoder implementerades och testades på en Apollo3BP-mikrokontroller, vilket möjliggjorde praktisk verifiering på hårdvara.