Stochastic Bayesian Machines for HMM Gesture Recognition on a FPGA Board

Abstract

Ao tomar decisões baseadas em dados incompletos em determinado ambiente, a aplicação de inteligência artificial enfrenta muitas dificuldades. Abordagens probabilísticas podem ser usadas para colmatar esta lacuna como uma alternativa ao raciocínio sob incerteza. No entanto, a aplicação destas abordagens é limitada em arquitecturas tradicionais devido a um elevado peso computacional. A solução pode passar pelo desenvolvimento de novas arquitecturas, que foi o que o projecto BAMBI (Bottom-up Approaches to Machines dedicated to Bayesian Inference) criou ao explorar novos paradigmas de computação inspirados em sinalização celular bioquímica. Como resultado, surgiram as Bayesian Machines, que utilizam computação estocástica para efectuar computações aproximadas com a) menos hardware, b) tolerância a falhas e c) circuitos de baixa energia. Dispositivos de lógica reconfigurável como Field Programmable Gate Arrays (FPGA) foram escolhidos para testar estas máquinas, uma vez que o seu design dirigido para aplicações específicas poderia provocar um aumento do tempo e custos do seu desenvolvimento em chips reais. Uma forma conveniente de validar estas máquinas seria através de reconhecimento de gestos, sendo que estes constituem uma forma intuitiva de interacção e fornecem várias aplicações possíveis. Um inconveniente é que os gestos podem ser demasiado ambíguos para que soluções determinísticas sejam aplicadas ao seu reconhecimento. Estudo têm demonstrado resultados notáveis ao lidar com este problema aplicando uma abordagem probabilística como Hidden Markov Models (HMM). Adicionalmente, a computação HMM é apropriada para paralelização maciça e por esse motivo propomos associar BM para computação com este modelo.Neste trabalho, uma BM Multi-Classifier Toolchain foi desenvolvida para permitir que uma arquitectura reconheça múltiplas classes de sequências temporais. Ademais, estas novas arquitecturas foram validadas utilizando um Accelerometer-Based Hand-Gesture Recognition Problem com 6 gestos. Este trabalho apresenta benchmarks para diversas configurações das Bayesian Machines, relacionadas com a computação exata obtida com ProBT.Esta arquitectura foi implementada com sucesso no FPGA com resultados que a validam, embora mais afinações sejam necessárias para que seja possível uma aplicação final.

When making decisions based on incomplete data in a certain environment, artificial intelligence applications face many difficulties. Probabilistic approaches may be used to bridge this gap, as an alternative to reasoning under uncertainty. However, their application is very limited on standard architectures due to a heavy computational burden. The solution might then lie in the development of new architectures, and that’s what the BAMBI project (Bottom-up Approaches to Machines dedicated to Bayesian Inference) created, by exploring new computational paradigms inspired by biochemical cell signaling. The result was the Bayesian Machines, architectures that use stochastic computing to perform approximate computations with (a) less hardware, (b) fault tolerance and (c) low power circuits. Reconfigurable logic devices such as Field Programmable Gate Arrays (FPGA) were chosen to test these machines, since their specific application-driven design could increase the time and cost of their development in real chips.A fitting way of validating these machines would be through gesture recognition, since gestures provide an intuitive way of interaction and have a wide range of possible applications. However, gestures can be too ambiguous for deterministic solutions to be applied to their recognition. Studies have shown notable results when dealing with this gesture ambiguity problem by applying a statistical approach such as Hidden Markov Models (HMM). Additionally, since HMM computation is well suited to be massive parallelized, we propose a solution with BM to compute this model. In this work, a BM Multi-Classifier Toolchain was developed to enable an architecture to recognize multiple classes of temporal sequences. Moreover, these new architectures were validated using an Accelerometer-Based Hand-Gesture Recognition problem with 6 gestures. This work introduces benchmarks for diverse configurations of the Bayesian Machines related to the exact computation obtained with ProBT.This architecture was successfully implemented on the FPGA with promising results, though further tuning is needed in order to make a final application possible.