Optimisation de la consommation énergétique sous contrainte de QoS pour des lunettes connectées intelligentes

Autor: Arcaya Jordan, Alexis
Přispěvatelé: Laboratoire d'Electronique, Antennes et Télécommunications (LEAT), Université Nice Sophia Antipolis (... - 2019) (UNS), COMUE Université Côte d'Azur (2015-2019) (COMUE UCA)-COMUE Université Côte d'Azur (2015-2019) (COMUE UCA)-Centre National de la Recherche Scientifique (CNRS)-Université Côte d'Azur (UCA), Université Côte d'Azur, Alain Pegatoquet
Jazyk: angličtina
Rok vydání: 2021
Předmět:
Zdroj: Electronics. Université Côte d'Azur, 2021. English. ⟨NNT : 2021COAZ4027⟩
Popis: A growing number of physical objects are being connected to the Internet at an unprecedented rate realizing the idea of the Internet of Things (IoT). Wearables are a class of IoT devices worn on the body that can detect and process physiological signals. A wearable can then give bio-feedback to the wearer or send information to the cloud for further analysis. In this context, the Ellcie-Healthy start-up is developing an intelligent and connected eyewear solution with the aim at improving the user’s quality of life and to prevent risks for their health and safety. To do so, several sensors are integrated into the wearable eyeglass to collect and send physical, physiological and environmental information towards a gateway, typically a smartphone. Designing wearable devices deals with numerous challenges such as the energy consumption, the quality of service (QoS) and the scalability, to cite only a few. Several design constraints, such as the autonomy and QoS, must be addressed early in the design flow to ensure the wearable device will meet the user requirements. In this PhD thesis, we propose a simulation flow based on a system-level modeling approach to help designers making the best choices of hardware/software settings early in the design phase. To do so, we have first developed analytical power models for the Ellcie Healthy smart glasses. These models, built from data measured on the real platform, allow estimating the average power consumption of the system, and so the battery lifetime, for different application scenarios. Then, performance constraints have also been considered in our system-level approach. The drowsiness detection application, developed at Ellcie Healthy, has been profiled to identify the hardware and software configurations impacting the most the energy consumption and the application QoS, i.e. the detection performance. A solution based on a Convolutional Neural Network (CNN) has been proposed to further improve the drowsiness detection QoS. We have also demonstrated that it is possible to execute this CNN at the edge (i.e. on a micro-controller). A battery testbench has also been developed to evaluate battery safety conditions as well as the aging phenomenon. Using this experimental platform, a significant amount of information on the battery charge/discharge process has been collected. A data-driven battery model has been proposed and validated. All these models have been integrated into a simulation framework which allows modeling and simulating existing or future versions of the smart connected glasses. Using this framework, designers can rapidly investigate trade-offs between hardware and/or software settings, as well as study system autonomy and application QoS. In addition, this simulation flow can be used to evaluate power management strategies from a high-level point of view.; De nos jours, de plus en plus d’objets se connectent à Internet formant l’Internet des Objets (IoT). Les wearables, une classe de dispositifs constituant l’IoT, sont des équipements portés par un utilisateur qui permettent de détecter et traiter des signaux physiologiques. Le porteur de l’équipements peut ainsi recevoir directement des informations qualitatives sur son état de santé par exemple. Les données collectées pouvant par ailleurs être transmises sur le cloud pour une analyse plus approfondie. C’est dans ce contexte que la start-up Ellcie-Healthy développe des lunettes connectées intelligentes. L’objectif est d’améliorer la qualité de vie des utilisateurs et d‘éviter certains risques pour leur santé et leur sécurité (e.g. la détection des chutes). Pour cela, de nombreux capteurs ont été intégrés dans ces lunettes connectées afin de collecter et envoyer des données physiques, physiologiques et environnementales vers une passerelle, typiquement un smartphone. Or, concevoir des dispositifs wearables comporte de nombreux challenges tels que la consommation énergétique, la qualité de service (QoS) ou leur miniaturisation. Ces contraintes de conception, telles que l’autonomie ou la QoS, doivent être adressées tôt dans la phase de conception afin de garantir un respect des contraintes et des besoins utilisateurs. Dans cette thèse, nous proposons ainsi une méthodologie basée sur une approche de modélisation de haut niveau. L’objectif est d’aider les concepteurs, tôt dans le flot de conception, à effectuer les meilleurs choix des configurations matérielles et logicielles. Dans ce but, nous avons tout d’abord proposé des modèles analytiques de consommation de puissance pour les différents modules composant les lunettes connectées. Ces modèles, élaborés à partir de données mesurées directement sur des prototypes matériels, permettent pour différents scénarios applicatifs d’estimer la puissance consommée moyenne du système, et donc son autonomie. Les contraintes de performances (ou QoS) ont également été considérées dans notre approche de niveau système. L’application de détection de l’endormissement au volant, développée par Ellcie-Healthy, a été étudiée afin d’identifier les configurations matérielles et logicielles impactant le plus la consommation énergétique et la performance (i.e. la QoS liée à la détection des clignements des yeux). Une solution, basée sur un algorithme de réseaux de neurones convolutifs (CNN), a été proposée afin d’améliorer les performances de l’application. Bien que plus contraignantes en termes de temps d’exécution et d’empreinte mémoire, nous avons montré qu’il est possible d’exécuter ce type d’algorithme CNN at the edge (i.e. sur un microcontrôleur). Durant cette thèse, un banc de test a également été développé afin d’évaluer les conditions de sécurité et le phénomène de vieillissement des batteries. L’utilisation de cette plateforme expérimentale a permis de collecter de nombreuses informations liées au processus de charge/décharge de diverses batteries utilisées par l’entreprise. Différents modèles de batterie data-driven ont ainsi été proposés et validés pour différents cas d’usage. L’ensemble de ces modèles ont été intégrés dans un environnement de simulation, permettant ainsi de modéliser et simuler les versions actuelles ou futures des lunettes connectées intelligentes. Les concepteurs peuvent alors rapidement évaluer l’impact de différentes configurations matérielles et logicielles ou de politiques de gestion de l’énergie sur l’autonomie et les performances du système. Cette méthodologie générique de modélisation et simulation permet également de considérer d’autres types de dispositifs wearables.
Databáze: OpenAIRE
Externí odkaz: