Startseite > Automotive > Assistenzsysteme > Autonom mithilfe von KI im Edge

Adaptive Computing

Autonom mithilfe von KI im Edge

6. April 2022, 8:24 Uhr | Rehan Tahir, Senior Product Line Manager und Ehab Mohsen, Product Marketing Manager, AMD

Adaptive Computing, das sich in Cloud-KI-Anwendungen bewährt hat, bietet auch ein für das Edge optimiertes maschinelles Lernen, bei gleichzeitiger Beschleunigung der gesamten Anwendungen – genau die richtige Mischung für die kommende Generationen autonomer Systeme.

▶ Diesen Artikel anhören

Beschleuniger, die auf programmierbaren, adaptiven Komponenten basieren, kommen in der Cloud zum Einsatz, um KI-Algorithmen effizient und mit hoher Geschwindigkeit auszuführen. Geht es um autonome Systeme, die in Echtzeit reagieren und deterministisch sein müssen, ist die Bereitstellung von Intelligenz über eine Cloud-Anbindung kaum noch praktikabel. Also wird die Intelligenz ins Edge, sprich ins autonome System, verlegt und damit die Latenzzeiten reduziert, die Zuverlässigkeit erhöht und der Datenschutz verbessert.

Aufwendige Edge-KI-Anwendungen haben aber ihre eigenen Herausforderungen. Oft ist der Stromverbrauch problematisch, es gibt Beschränkungen in Bezug auf die Wärmeentwicklung, und die Sicherheit der Menschen muss garantiert sein. Darüber hinaus muss ein Industrieroboter oder ein autonomes Fahrzeug nicht nur die KI-Anwendung lokal durchführen, sondern auch die Kommunikation und Sicherheitsmechanismen verwalten, Eingabedatenströme von mehreren Sensorkanälen wie Kameras, Trägheitssensoren und Näherungs-/Entfernungssensoren verarbeiten und die Interaktion mit anderen Peripheriegeräten wie beispielsweise einem Display steuern. Dies erfordert Hardware-Architekturen, die eine Beschleunigung der gesamten Anwendung ermöglichen.

Anforderungen in der Automobilbranche und der Industrie

Applikationen wie Einparkhilfe und Autopilot für die Autobahn sind bereits sehr komplex. Die Fahrzeuge sind mit zahlreichen Sensoren ausgestattet, u. a. LiDAR, Radar, externe Kameras (vorne, hinten, Rundumsicht) und manchmal auch mit zusätzlichen Kameras und ToF-Sensoren (Time of Flight) für den Innenraum, beispielsweise für die Überwachung des Fahrers. Die nächsten Generationen von Fahrerassistenzsystemen und schließlich selbstfahrende Fahrzeuge machen die Integration von noch mehr Sensorkanälen für die Kontexterkennung erforderlich und benötigen gleichzeitig mehr Rechenleistung, eine niedrigere Leistungsaufnahme, einen geringeren Platzbedarf und niedrige Kosten.

In der Industrierobotik ermöglicht KI-Anwendungen wie Mustererkennung für eine schnelle und genaue Kommissionierung, Platzierung und Inspektion. Damit sich die Roboter von morgen in unstrukturierten Umgebungen problemlos und sicher bewegen können, müssen sie Bewegungen von Menschen in der Nähe analysieren und antizipieren können, um einerseits die Sicherheit zu garantieren und andererseits die Produktivität zu maximieren. Echtzeitreaktion und -determinismus, die Verwaltung von Sensoren für Kontextbewusstsein, Bewegungssteuerung, Positionierung und Bildverarbeitung werden nicht nur sicherheits-, sondern auch unternehmenskritisch sein. Und all dies bei gleichzeitiger Erfassung zahlreicher Daten für die Rückverfolgbarkeit und die Analyse langfristiger Trends.

Eine Kategorie von mobilen Robotern sind unbemannte Drohnen (UAVs), die eine große Wachstumschance in kommerziellen Anwendungen sowie im Verteidigungssegment aufweisen. Generell lässt sich sagen: bildgestützte KI ist der Schlüssel für einen autonomen Betrieb, denn dieser Betrieb ist von der Bilderkennung in Echtzeit und der Objektklassifizierung zur Optimierung der Navigationswege abhängig. Anwendungen im Verteidigungsbereich nutzen KI um mit Techniken wie »Human-in-the-Loop«-basiertes maschinelles Lernen die Entscheidungsfindung zu unterstützen. Diese Anwendungen, aber auch Drohnen für Rettungsdienste werden auch »cognitive RF« (eine adaptive, spektrumserkennende HF-Technologie) nutzen, um sich selbständig für jedes Frequenzband, jede Modulation und jeden Zugangsstandard neu zu konfigurieren, wobei KI zur Anpassung und zum Lernen eingesetzt wird.

Mehr noch als die KI-Verarbeitung an sich stellt der Umgang mit den verschiedenen Erfassungsmodalitäten, wie Funk, Radar, Bildverarbeitung etc., die für ein detailliertes Situationsbewusstsein erforderlich sind, den potenziell größten Engpass in Hinblick auf die Leistungsfähigkeit dar. Eine anpassungsfähige Recheneinheit kann diese Anforderungen erfüllen und das gesamte System hosten, was zu einer geringeren Größe, einem geringeren Gewicht und einer geringeren Leistungsaufnahme führt.