TinyAIoT: Ressource-efficient AI Models for IoT Sensors

Modern IoT applications often rely on sensors that run on microcontroller units and communicate via network protocols such as LoRaWAN or Bluetooth Low Energy. To operate autonomously for extended periods of time, application resource requirements must be minimized.

This master’s thesis investigates the development of resource-efficient IoT applications through the utilization of AI models. These models aim to save energy by reducing the computational load, camera resolution or data transmission, while maintaining the ability to perform specific tasks. You will develop, implement and compare different resource-efficient AI models with sensors such as cameras, distance sensors, vibration sensors and test your implementation in different application scenarios.

Ressourceneffiziente KI für IoT Anwendungen

Moderne IoT Anwendungen greifen häufig auf Sensoren zurück, die auf Mikrocontrollern laufen und über Netzwerkprotokolle wie LoRaWAN oder Bluetooth Low Energy kommunizieren. Damit die Sensoren über eine längere Zeit autark betrieben werden können, muss der Ressourcenbedarf der Anwendungen minimiert werden.

Die Bachelorarbeit beschäftigt sich mit der Frage, wie weit Ressourcen wie Rechnenleistung, Kameraauflösung, Datenübertragung minimiert werden können, um dennoch bestimmte Aufgaben wahrnehmen zu können. Es werden ressourceneffiziente KI-Modelle mit Sensoren (Kameras, Abstandssensoren, Vibrationssensoren) implementiert und in verschiedenen Anwendungsszenarien getestet.