Hands-on embedded world 2017: Messehighlights im Praxisbericht #02

Der Setup-Assistent integriert den Raspberry Pi reibungslos in die Matlab-Umgebung.
Der Setup-Assistent integriert den Raspberry Pi reibungslos in die Matlab-Umgebung.

Der MathWorks-Stand (H4/110) zeigt die FPGA- und Einplatinenrechner-Programmierung mit Matlab&Simulink.

BigData ist für einen Raspberry Pi definitiv ein paar Nummern zu groß. Einen Python-basierten Test seiner Rechenleistung zeigt hilpisch.com: Modell 3 B schafft Schreibvorgänge mit Ca. 10 Mb/s, für numerische Anwendungen ist das bereits eine gute Hausnummer. 

Matlab&Simulink bietet wohl eines der umfangreichsten Ökosysteme zur Erfassung und Weiterverarbeitung von Datensätzen mit mathematischem Bezug. Das schließt insbesondere die Hardwareprogrammierung der Messsysteme mit ein.

Wegen der großartigen Rechenfähigkeiten, besonders bei großen Datensätzen, interessieren sich immer mehr BigData-Analysten für die FPGA-Programmierung: Der MathWorks-Stand auf der embedded world 2017 H4/110 stößt in eben dieses Horn.

Zur Vorabinformation empfiehlt sich die Matlab-Designflow-Dokumentation für

  und Intel-SoC-Plattformen.

Für leichtgewichtige Analytik-Anwendungen wie elementare Sensorauswertung bietet sich die Integration eines Raspberry Pi in das Matlab-Framework an.

Befinden sich Pi und Matlab-Rechner im selben LAN, kann die Integration mit dem Hardware-AddOn-Assistenten erfolgen: Dieser installiert die notwendigen Matlab-Treiber und schreibt ein Raspbian-Jessie-Abbild mit der richtigen Client-Konfiguration auf SD-Karte.

Danach wird er in der Matlab-Umgebung als Objekt mit raspi-Funktion mittels IP-Adresse, Name und Passwort aufgerufen. Das Pinout kann dann in Matlab zur reibungslosen Verdrahtung angezeigt werden.

Mit dem system-Kommando wird der Pi aus der Matlab-Umgebung wie in der Linux-Konsole genutzt: Nur dass er nun mit der gesamten Matlab-Peripherie und -Funktionalität verbunden ist.

Alle Demonstrationen am MathWorks-Stand:

Bhai Tech: Interactive Rescaled Reality

Virtual-Reality-Test von Funktionen für das Autonome Fahren in Embedded Controllern.

Speedgoat: FPGA Motor Control

PMSM Control Design und Rapid Controls Prototyping mit Simulink Real-Time und Speedgoat Real-Time Target Rechnern. Ausführung einzelner Modellteile auf der x86 basierten CPU des Rechners oder auf einem integrierten FPGA-Modul.

Xilinx Zynq SoC: Vision HDL

Prototypenentwicklung mit dem Xilinx Zynq-7000 SoC Evaluation Kit und den FMC-IMAGEON und Erweiterungsboard zur Implementierung von Vision-Algorithmen auf heterogenen SoC FPGAs.

Altera SoC: Software Defined Radio

Prototypenentwicklung mit dem Arrow CycloneV SoCKit und dem Terasic ARRADIO Erweiterungsboard zur Implementierung von Signalverarbeitungs-Algorithmen auf heterogenen SoC FPGAs.

NXP: Motor Control

Sensorlose Motorregelung mit Matlab und Simulink mittels automatischer Implementierung auf NXP Kinetis MCU mit dem Embedded Coder und der NXP Motor Development Toolbox.

Sensor Fusion Demo auf ARM Plattform

Kombination von Daten zur Verkehrserkennung durch Fusion von Kameradaten und Infrarotsignalen zur Steigerung der Zuverlässigkeit für Advanced Driver Assistance Systems.

Polyspace Pod: Codeverifizierung

Reduzierter Aufwand für die Codeverifizierung mit Polyspace-Produkten durch die Automatisierung von Code Reviews, das Entdecken von Softwarefehlern und die Zertifizierungsunterstützung.

TI LaunchPadXL: Sensorless Motor Control

TI HW-Support und External Mode mit sensorloser PMSM.

Bilder: 13

Hands-on embedded world 2017

Messehighlights im Praxisbericht