Nhận dạng mệnh lệnh ngắn tiếng việt trên vi điều khiển ứng dụng trong điều khiển UGV
DOI:
https://doi.org/10.54939/1859-1043.j.mst.CSCE9.2025.142-150Từ khóa:
Điện toán biên; Arduino Nano Ble 33; Kiến trúc ARM Cortex-M; Nhận dạng mệnh lệnh ngắn; Thiết bị không người lái.Tóm tắt
Học sâu trên thiết bị điện toán biên là một cách khả thi để vừa đáp ứng yêu cầu về hiệu quả tính toán, độ trễ đồng thời còn mang lại các lợi ích về bảo mật, hiệu quả băng thông và khả năng mở rộng. Nội dung bài báo trình bày về quy trình triển khai và thực thi bài toán nhận dạng mệnh lệnh ngắn tiếng Việt trên vi điều khiển ARM Cotex-M hướng ứng dụng triển khai trong bài toán điều khiển thiết bị tự hành UGV. Kết quả thực thi mô hình CNN đã được lượng tử hóa int-8 nhận dạng mệnh lệnh ngắn đạt 94.7% trên phần cứng vi điều khiển ARM Cotex-M4 với thời gian thực thi chỉ 15ms. Chứng minh tính khả thi của việc nhận dạng lệnh tiếng Việt theo thời gian thực để điều khiển UGV. Kết quả mở ra hướng ứng dụng các mô hình học sâu trên các thiết bị biên (EDGE-AI) siêu tiết kiệm tài nguyên cho các ứng dụng thực tế trong tương lai.
Tài liệu tham khảo
[1]. Dutta, L.; Bharali, S., “TinyML meets IoT: A comprehensive survey”, Internet of Things, Vol. 16, Article 100461, (2021).
[2]. Viswanatha, V.; A. C., R.; Prasanna, R.; Kakarla, P. C.; VivekaSimha, P.; Mohan, N., “Implementation of tiny machine learning models on Arduino 33 BLE for gesture and speech recognition”, arXiv, Article abs/2207.12866, (2022).
[3]. Moin, A.; Challenger, M.; Badii, A.; Gunnemann, S., “Supporting AI engineering on the IoT edge through model-driven TinyML”, Proceedings of the IEEE Annual Computers, Software, and Applications Conference (COMPSAC), pp. 884–893, (2022).
[4]. Patel, P.; Gupta, N.; Gajjar, S., “Real-time voice recognition system using TinyML on Arduino Nano 33 BLE”, Proceedings of the IEEE International Symposium on Smart Electronic Systems (iSES), pp. 385–388, (2023).
[5]. Waqar, D. M.; Gunawan, T. S.; Morshidi, M. A.; Kartiwi, M., “Design of a speech anger recognition system on Arduino Nano 33 BLE Sense”, Proceedings of the IEEE International Conference on Smart Instrumentation, Measurement and Applications (ICSIMA), pp. 64–69, (2021).
[6]. Pham, D. A., “Implementation of a speech-command-interface on microcontroller with TinyML”, Thesis, Hochschule für Angewandte Wissenschaften Hamburg, (2024).
[7]. Barovic, A.; Moin, A., “TinyML for speech recognition”, arXiv, arXiv:2504.16213, (2025).
[8]. Toma, C.; Popa, M.; Doinea, M., “AI neural networks inference into IoT embedded devices using TinyML for pattern detection within a security system”, Proceedings of the International Conference on Informatics in Economy Education, Research and Business Technologies, pp. 14–22, (2020).
[9]. Liu, Y.-Y.; Zheng, H.-S.; Hu, Y. F.; Hsu, C.-F.; Yeh, T. T., “TinyTS: Memory-efficient TinyML model compiler framework on microcontrollers”, Proceedings of the IEEE International Symposium on High-Performance Computer Architecture (HPCA), pp. 848–860, (2024).
[10]. Cioflan, C.; Cavigelli, L.; Rusci, M.; de Prado, M.; Benini, L., “On-device domain learning for keyword spotting on low-power extreme edge embedded systems”, arXiv, arXiv:2403.10549, (2024).
[11]. Pavan, M.; Mombelli, G.; Sinacori, F.; Roveri, M., “TinySV: Speaker verification in TinyML with on-device learning”, arXiv, arXiv:2406.01655, (2024).
[12]. Hymel, S.; Banbury, C.; Situnayake, D.; Elium, A.; Ward, C.; Kelcey, M.; Baaijens, M.; Majchrzycki, M.; Plunkett, J.; Tischler, D.; Grande, A.; Moreau, L.; Maslov, D.; Beavis, A.; Jongboom, J.; Reddi, V. J., “Edge Impulse: An MLOps platform for tiny machine learning”, arXiv, arXiv:2212.03332, (2023).
[13]. Kiranyaz, S.; Avci, O.; Abdeljaber, O.; Ince, T.; Gabbouj, M.; Inman, D. J., “1D convolutional neural networks and applications: A survey”, Mechanical Systems and Signal Processing, Vol. 151, Article 107398, (2021).
[14]. Wang, X.; Magno, M.; Cavigelli, L.; Benini, L., “FANN-on-MCU: An open-source toolkit for energy-efficient neural network inference at the edge of the Internet of Things”, (năm không ghi rõ).
[15]. Lin, J.; Chen, W.-M.; Lin, Y.; Cohn, J.; Gan, C.; Han, S., “MCUNet: Tiny deep learning on IoT devices”, (2020).
[16]. Lai, L.; Suda, N.; Chandra, V., “CMSIS-NN: Efficient neural network kernels for Arm Cortex-M CPUs”, (2018).
[17]. Davis, S. B.; Mermelstein, P., “Comparison of parametric representations for monosyllabic word recognition in continuously spoken sentences”, IEEE Transactions on Acoustics, Speech, and Signal Processing, (1980).
[18]. “Edge Impulse”, https://edgeimpulse.com.
