KI für Embedded Systeme
Drei Trends, eine Herausforderung
Der Einsatz von KI auf Embedded Systemen wird noch weiter zunehmen. Drei Trends bestimmen die weitere Entwicklung und für Embedded-Ingenieure bleibt eine Herausforderung.
Fortsetzung des Artikels von Teil 1
Herausforderung: Integration von KI-Modellen auf Embedded Systeme
Wann immer Ingenieure und Wissenschaftler nach innovativen Lösungen für Probleme suchen oder neue Applikationen erstellen, wird KI eines der ersten Tools sein, das sie für die Umsetzung erwägen. KI auf Embedded-Systemen wird dabei eine zentrale Rolle spielen. Für Ingenieure bedeutet dies die Herausforderung, KI-Modelle in Embedded-Systemen zu integrieren. Tools wie MATLAB und Simulink können den Entwicklungsprozess vereinfachen und helfen, Digitalisierungsprojekte zum Erfolg zu führen.
Der Autor
Dr. Frank Graeber
ist Manager Application Engineering bei MathWorks. Nachdem er über die Geophysik mit Matlab vertraut geworden war, arbeitet er seit 2007 zunächst mit den Schwerpunkten Signalverarbeitung und Parallel Computing bei dem Unternehmen.
Demos am MathWorks Messetand
Auf der diesjährigen embedded world zeigt MathWorks an seinem Stand in Halle 4, Stand 110 mehrere Demos mit hilfreichen Informationen und Neuigkeiten für Embedded Ingenieure:
- End-to-End-Workflow für Deep-Learning-based Wireless Design in MATLAB
MathWorks zeigt, wie sich Funkkommunikation und Deep Learning in MATLAB durch eine Anwendung zur Positionsbestimmung und Lokalisierung miteinander verbinden lassen. Sie erzeugen standardkonforme Signale nach IEEE 802.11az und verwenden Kanal-Impulsantworten (CIRs) als Fingerabdruck an mehreren Standorten, um Deep-Learning-Modelle zur Vorhersage der genauen Position einer Wi-Fi-Basisstation zu trainieren und zu testen. - Klassifizierung von EKG-Signalen mit einem DAG-Netzwerk auf einem FPGA
Mithilfe der Deep Learning HDL Toolbox zeigen die MathWorks-Experten, wie menschliche Elektrokardiogrammsignale (EKG) mit einem trainierten gerichteten azyklischen Graph (DAG, Directed Acyclic Graph) klassifiziert werden können. - Aufnahme und Platzierung von Objekten mit einem Kinova-Gen3-Roboterarm
Die Demo zeigt, wie Algorithmen für Bildsensoren eingesetzt werden, um Objekte mit einem Roboterarm autonom aufzunehmen und zu platzieren. Der Algorithmus wird in Simulink entwickelt und als eigenständiger ROS-Knoten (Robot Operating System) auf einem Nvidia Jetson Compute Board ausgeführt. Der Gen3-Roboterarm von Kinova erhält die wichtigsten Parameter des Bildsensors, den aktuellen Zustand des Roboters sowie die Position und Ausrichtung des Objekts im aufgenommenen Bild.
Vorträge auf der Embedded World Conference 2022 zum Thema
| Datum | Uhrzeit | Session | Titel | Sprecher |
|---|---|---|---|---|
| 21.6. | 14:45–15:15 | Session 8.2 Autonomous and Intelligent Systems – Embedded AI Use Cases | An End-to-end Workflow for Deep Learning Based Indoor Positioning Using IEEE 802.11az | Dr. Ahmad Saad, MathWorks |
| 22.6. | 13:45–14:15 | Session 4.6 Safety & Security – Software 2 | How to Quickly Create Simulations for Early Testing of Autonomous Systems | Marco Roggero, MathWorks |
| 22.6. | 14:15–14:45 | Session 6.8 Systems & Software Engineering – DevOps | Continuous Integration for Model-Based Design | Pablo Romero Cumbreras und Tjorben Gross, beide MathWorks |
| 22.6. | 14:45–15:15 | Session 3.2 Embedded OS – Automotive OS 1 | Development and Integration of AUTOSAR Classic and Adaptive Applications Based on SOME/IP | Aastha Kanwar, MathWorks |
- Drei Trends, eine Herausforderung
- Herausforderung: Integration von KI-Modellen auf Embedded Systeme