Knowhow in Embedded Systemen implementieren
Embedded Intelligence – dieses Thema steht bei der nächsten Embedded World für MathWorks im Fokus. Erfahren Sie, wie die algorithmische Expertise und domänenspezifisches Fachwissen von Forschern und Ingenieuren im Entwicklungsprozess auf Embedded-Systemen implementiert werden kann. In Halle 4, Stand 110 zeigt MathWorks auf 100 Quadratmetern Beispiele aus verschiedenen entwicklungsrelevanten Anwendungsbereichen, wie z.B. die Erkennung und Klassifizierung von Objekten für autonome Systeme.
(Bild: MathWorks GmbH)
„Die Embedded World ist eine der zentralen Plattformen im Messejahr“, erklärt Philipp Diebenbusch, Manager Central European Marketing bei MathWorks. „Denn Embedded Systems zählen zu einem der Kern-Anwendungsbereiche für die Matlab- und Simulink-Produktfamilie. Die Herausforderung, vor der viele Ingenieure derzeit stehen, ist Embedded Intelligence – also die Integration von KI-Algorithmen in Embedded Systemen. Zu diesem und weiteren Embedded-Themen zeigen wir an unserem Stand konkrete Ansätze und Lösungen für aktuelle Projekte und Aufgabenstellungen.“
(Bild: MathWorks GmbH)
Keynote-Highlight von MathWorks – ‚Developing Game-Changing Embedded Intelligence‘
Das derzeit dominierende technische Thema heißt künstliche Intelligenz. Prognosen und Einschätzungen verdeutlichen die Tragweite der Technologie für die Industrie, aber auch für das Privatleben. Entwicklungsteams müssen die verschiedensten Schwerpunkte – einerseits domänenspezifisches Fachwissen, andererseits die Umsetzung von Unternehmenszielen – vereinen. Bis es allerdings soweit ist, müssen sie diverse Entscheidungen treffen: von der Wahl der richtigen Algorithmen und Prozessoren bis zur Frage wo Ressourcen liegen und wie sie zugeordnet werden. Dabei dürfen sie die Anwendung nicht aus dem Blick verlieren, die den entscheidenden Mehrwert für ihr Unternehmen schaffen soll. In seiner Keynote ‚Developing Game-Changing Embedded Intelligence‘ am 26. Februar 2019, wird Jim Tung, MathWorks Fellow, schildern, warum eine ganzheitliche Herangehensweise essentiell ist, um diese Herausforderungen zu meistern. Zusätzlich beleuchtet Jim Tung die vielversprechenden Möglichkeiten und praktischen Herausforderungen der Integration von KI in Systemen und Dienstleistungen.
Deep-Learning-Modelle, Model-Based-Design und SoC Hardware/Software Co-Design
In drei weiteren Vorträgen am 27. Februar 2019 widmet sich MathWorks Themen rund um Embedded Intelligence und die effiziente Entwicklung und Implementierung. Marco Roggero, Senior Application Engineer bei MathWorks, spricht über die komplexe und anspruchsvolle Entwicklung von drahtlosen Netzwerken. Er erklärt einen modellbasierten Designansatz in Simulink für drahtlose Multi-Node Netzwerke, der die Analyse und Implementierung erheblich erleichtert. In einem zweiten Vortrag am Nachmittag beschreibt Marco Roggero, was einen effizienten Workflow für das Design, Training und die Anwendung von Deep-Learning-Modellen ausmacht. Zusätzlich geht er darauf ein, wie das sogenannte Transferlernen, bei dem vortrainierte Netzwerke direkt in Matlab importiert werden, die Trainingszeit und die benötigten Daten stark reduzieren kann. Doch wie kommen die Algorithmen am besten auf die Hardware? Diesem Thema nimmt sich Baruch Mitsengendler, Senior Application Engineer bei MathWorks, in seinem Vortrag an. Auf SoCs können Deep-Learning-Algorithmen implementiert werden, dabei bietet eine Entwicklungsumgebung, die die gegenseitige Simulation, Verifikation und Validierung von Hardware, Software und AMS-Komponenten, eine enorme Steigerung der Effizienz.
Die Demonstrationen am MathWorks-Messestand im Einzelnen:
Verifikation und Validierung in Simulink:
Die Demo zeigt den kompletten Workflow von der Erstellung und Verwaltung von Anforderungen in Simulink bis hin zum automatisierten Testen sowie typische Qualitätsmessungen.
Source Code Verifikation mit formalen Beweismethoden:
Die Demo zeigt, wie Polyspace als formales statisches Codeanalyseprodukt für handgeschriebenen und generierten Code Softwareentwicklern hilft, Laufzeitfehlerquellen zu identifizieren, Anforderungen aus Safety- und Security-Standards zu erfüllen und den Testaufwand zu reduzieren.
Modellierung, Simulation und Test eines Spurhalteassistenten:
Die Simulation des Regelkreises eines Spurhalteassistenten ermöglicht automatisiertes Testen von Sprint-Intervallen innerhalb eines agilen Entwicklungsprozesses sowie die Verifikation und Validierung verschiedener Verkehrsszenarien und Parametrierungen der Sensoren und der Fahrzeugdynamik.
Data Capture und Verifikation für SoC FPGAs:
Verifikation und Debug von komplexen SoC-Designs durch Analyse von in Echtzeit aufgenommenen SoC-FPGA-Signalen in Matlab und Simulink.
PMSM Motorsteuerung und Leistungselektronik
Diese Demo zeigt, wie Abtastraten bis in den MHz-Bereich erreicht werden können sowie die Unterstützung für die PWM-Generierung mit einer Zeitauflösung von nur 5ns.
Echtzeit-Spurerkennung durch direkte Videoaufnahme:
Automatisierte Identifizierung von Spuren und Objekten, einschließlich Videoerfassung und algorithmischer Verarbeitung mittels der Computer Vision System Toolbox und der Vision HDL Toolbox.
Virtual Commissioning Demonstrator:
Gestaltung eines Regelalgorithmus mit Simulink und automatische Generierung von strukturiertem Text mit dem Simulink PLC Coder. Der Regelalgorithmus wird in Echtzeit getestet.
GPU Coder für beschleunigte Bild- und Signalverarbeitung und Deep Learning:
Die Demo zeigt, wie neuronale Netze auf einem Embedded Device für Objekterkennungs- und Klassifizierungsaufgaben verwendet werden können.
Automatische Generierung von C Code für Eingebettete Systeme:
Automatische Implementierung von Regelalgorithmen in funktionaler Software, die durch Closed-Loop-Simulation entwickelt und getestet wurde. @Normal:
