Startseite > Embedded > Software > »Es bedarf einer durchgängigen Entwicklungs-Methodik«

Entwurf KI-basierter Embedded-Software

»Es bedarf einer durchgängigen Entwicklungs-Methodik«

10. März 2025, 16:30 Uhr | Andreas Knoll

Frank Graeber, MathWorks: »Embedded Software setzt zunehmend auf KI.«

Mittels Embedded-KI können Ingenieure die zunehmende Komplexität technischer Systeme leichter bewältigen. Doch wie lässt sich KI-gestützte Embedded-Software entwickeln, verifizieren und debuggen? Frank Graeber, Manager Application Engineering bei MathWorks, gibt Auskunft.

▶ Diesen Artikel anhören

Markt&Technik: Welche Rolle spielt KI heutzutage bei Embedded-Software, etwa für Steuerungs-, Regelungs- und Predictive-Maintenance-Anwendungen?

Frank Graeber: Embedded Software setzt zunehmend auf künstliche Intelligenz (KI), die es Ingenieuren ermöglicht, die Komplexität und Vielseitigkeit moderner technischer Systeme effizient zu bewältigen. Der Einsatz von KI ermöglicht es Systemen, dynamische Anforderungen besser zu erfüllen: KI-Modelle können sich an veränderte Bedingungen anpassen und häufig präzisere Vorhersagen treffen, als es mit klassischen Methoden erreichbar wäre. Beispiele hierfür sind Reinforcement-Learning-Agenten für Regelungsaufgaben in der Hardware, etwa für die Gangwahl in einem Getriebe. Eine weitere populäre Anwendung sind KI-basierte virtuelle Sensoren (auch »Soft-Sensoren« genannt), die Sensordaten einer Anlage analysieren, um potenzielle Ausfälle vorherzusagen, Wartungspläne zu optimieren und so Ausfallzeiten und Kosten zu reduzieren.

Wie lässt sich entsprechende KI-basierte Embedded-Software entwickeln?

Bei der Entwicklung von KI für Embedded-Systeme ist von entscheidender Bedeutung, möglichst von Beginn an die Eigenschaften der Zielplattform zu berücksichtigen: Wieviel Speicher kann ich im Embedded-System nutzen? Welche Anforderungen gibt es an die Geschwindigkeit der Vorhersagen? Zudem wird eine Methodik benötigt, die sicherstellt, dass sich die Modelle in der Hardware möglichst identisch zur Trainingsumgebung verhalten und leicht in die restliche Software integrierbar sind, etwa über einen Hardware-in-the-Loop-Test (HIL). Schließlich ist KI häufig »nur« eine Komponente in einem komplexeren Softwarepaket. Zusammengefasst benötigen Ingenieure Softwareumgebungen, die all diese Anforderungen erfüllen, um möglichst effizient Embedded-KI entwickeln zu können. Dies lässt sich mit Model-Based Design realisieren.

Was bedeutet Model-Based Design (MBD) in diesem Zusammenhang?

Model-Based Design ist ein methodischer Ansatz, der den gesamten Entwicklungsprozess von Embedded-Systemen strukturiert und optimiert. MBD integriert Anforderungen, die eigentliche Implementierung sowie Testartefakte in einem einheitlichen digitalen Faden, was einen durchgängigen und nachprüfbaren Entwicklungsprozess ermöglicht. Dieser Ansatz umfasst den frühen Entwurf von Systemmodellen, das Prototyping, die Validierung durch Hardware-in-the-Loop-Tests sowie die automatische Generierung von C/C++-Quelltext – Aspekte, die auch bei der Entwicklung von KI-Modellen sehr relevant sind. MBD vereinfacht so die Entwicklung robuster KI-unterstützter Systeme: Es ermöglicht Ingenieuren, ihre Designs in einer virtuellen Umgebung zu testen und zu optimieren, bevor physische Prototypen erstellt werden. Während des gesamten Entwicklungsprozesses können Ingenieure die KI-Modelle in ihren Designs einem Benchmarking unterziehen, um sicherzustellen, dass sie die Anforderungen an Speichernutzung und Inferenzgeschwindigkeit erfüllen. Das führt zu einem effizienteren Entwicklungs-Workflow und einer höheren Qualität der Endprodukte.

Wie lassen sich Verifizierung und Debugging KI-basierter Embedded-Software bewerkstelligen?

Verifizierung und Debugging erfordern rigorose Test- und Verifizierungsprozesse, um eine hohe Produktqualität sicherzustellen. Tools wie »Polyspace« von MathWorks bieten robuste statische und dynamische Tests für C/C++-Code innerhalb von Continuous-Integration-Pipelines. Das ermöglicht es Entwicklern, Fehler frühzeitig zu erkennen und effizient zusammenzuarbeiten. Unter Verwendung von automatisch generiertem C/C++-Code können Ingenieure das Debugging im Rahmen von SIL (Software-in-the-Loop) oder PIL (Processor-in-the-Loop) genauso auch für die Vorhersagen von KI-Modellen umsetzen, wenn sie einen geeigneten Debugger für die Host- bzw. Zielplattform verwenden.

Welche Beispiele dafür lassen sich auf dem MathWorks-Stand auf der embedded world 2025 besichtigen?

Auf der embedded world 2025 präsentiert MathWorks eine ganze Reihe von Demos, die die Anwendung von KI und Embedded-Software in verschiedenen Szenarien veranschaulichen. Eine der Demos zeigt einen Workflow zur KI-gestützten Fehlerklassifizierung in Edge-Geräten, bei dem physikbasierte Modelle verwendet werden, um Datensätze für fehlerfreie und fehlerhafte Zustände zu generieren. Eine weitere Demo zeigt die Umsetzung eines Battery-Management-Systems (BMS) für Elektrofahrzeuge. Das BMS besteht aus mehreren Komponenten und umfasst ein KI-Modell zur Schätzung des Ladezustands – ein virtueller Sensor. Dieser läuft als Embedded-KI-Modell in einer NXP-Hardware. Bei wiederum einer anderen Demo schätzt ein neuronales Netzwerk die Rotorposition eines Motors in Echtzeit, auf Basis von Daten eines virtuellen KI-Sensors. Der virtuelle Sensor läuft in der Parallel Processing Unit (PPU) eines Infineon-Aurix-Mikrocontrollers der TC4x-Reihe.