Mit bloßem Auge ist der Chip nicht von denen zu unterscheiden, die man in jedem elektronischen Gerät findet. Doch die vom Massachusetts Institute of Technology (MIT) entwickelten Chips namens Eyeriss und Navion haben es in sich. Sie könnten der Schlüssel zur Zukunft der Künstlichen Intelligenz sein. Denn mit ihnen lassen sich selbst kleinste IoT-Geräte mit leistungsfähigen intelligenten Fähigkeiten ausstatten. So wie sie bisher nur von riesigen Rechenzentren zur Verfügung gestellt werden können.

Energieeffizienz ist entscheidend

Wie Vivienne Sze, Professorin am MIT Department of Electrical Engineering and Computer Science (EECS) und Mitglied im Entwicklerteam, betont, bestehe die wirkliche Chance dieser Chips nicht in besonders leistungsfähigen Deep-Learning-Fähigkeiten. Sondern vielmehr in deren Energieeffizienz. Die Chips müssen die rechenintensiven Algorithmen beherrschen und dabei allein mit der auf IoT-Geräten selbst verfügbaren Energie auskommen. Nur so kann die KI in der „Edge“ breiten Einsatz finden. Der Eyeriss-Chip schafft eine Leistung, die 10 oder sogar 1.000 Mal effizienter ist als die aktuelle Hardware.

Symbiose aus Software und Hardware

Im Labor von Professorin Sze wird auch erforscht, wie Software gestaltet werden muss, um die Leistung von Computerchips bestmöglich auszunutzen. Dazu wurde am MIT ein Low-Power-Chip namens Navion entwickelt. Mit ihm kann zum Beispiel eine winzige Drohne anhand von 3D-Karten mit bisher unerreichter Effizienz navigieren. Eine solche Nanodrohne ist nicht größer als eine Biene.

Entscheidend dafür war die gemeinsame Entwicklung von KI-Software und Hardware. So gelang es, mit dem Navion einen Chip zu bauen, der nur 20 Quadratmillimeter groß ist. Etwa so groß wie der Fußabdruck einer LEGO-Minifigur und nur 24 Milliwatt Leistung benötigt. Das ist etwa ein Tausendstel der Energie, die eine Glühbirne verbraucht. Mit dieser winzigen Energiemenge kann der Chip in Echtzeit Kamerabilder mit bis zu 171 Bildern pro Sekunde sowie Trägheitsmessungen verarbeiten. Daraus errechnet er seine Position im Raum. Die Forscher stellen sich vor, den Chip in Nanodrohnen zu integrieren, die gerade mal so groß sind wie ein Fingernagel. Denkbar wäre auch ein Einsatz des Chips in einer kleinen Pille. Diese müsste einmal geschluckt werden und kann dann Daten im Inneren des menschlichen Körpers sammeln und auswerten.

Diese Effizienz erreicht der Chip durch verschiedene Maßnahmen. Zum einen minimiert er die Datenmenge in Form von Kamerabildern und Trägheitsmessungen. Diese sind zu einem bestimmten Zeitpunkt auf dem Chip gespeichert. Auch konnte das Entwicklerteam den Engpass zwischen dem Speicherort der Daten und dem Ort ihrer Analyse physisch reduzieren. Somit konnten sie clevere Schemata für die Wiederverwendung von Daten realisieren. Optimiert wurde auch, wie diese Daten über den Chip fließen. Zudem werden bestimmte Rechenschritte übersprungen, wie zum Beispiel die Berechnung von Nullen, die zu einer Null führen.

Basis für selbstlernende Kleinstelektroniken

Auch an anderen Forschungseinrichtungen wird intensiv daran geforscht, wie sich KI besser in Edge Geräte integrieren lässt. So hat ein Forscherteam am Fraunhofer-Institut für Mikroelektronische Schaltungen und Systeme IMS eine Künstliche Intelligenz für Mikrocontroller und Sensoren entwickelt. Diese umfasst ein voll konfigurierbares künstliches neuronales Netz.

Bei der AIfES genannten Lösung handelt es sich um eine plattformunabhängige Machine-Learning-Bibliothek. Mit dieser lassen sich selbstlernende Kleinstelektroniken realisieren, die keine Anbindung an eine Cloud oder leistungsfähige Computer erfordern. Die Bibliothek umfasst ein voll konfigurierbares künstliches neuronales Netz, das bei Bedarf auch tiefe Netze für das Deep Learning erzeugen kann. Der Quellcode wurde auf ein Minimum reduziert, so lässt sich die KI sogar direkt auf dem Mikrocontroller trainieren. Jedoch ist diese Trainingsphase bisher nur in Rechenzentren möglich. AIfES fokussiert sich nicht auf die Verarbeitung großer Datenmengen. Vielmehr erfolgt nur eine Übertragung der erforderlichen Daten, um sehr kleine neuronale Netze aufzubauen.

Was ist AlfES?

Das Forscherteam realisierte bereits mehrere Demonstratoren. So zum Beispiel eine Erkennung von handgeschriebenen Ziffern auf einem günstigen 8-bit Mikrocontroller. Ein weiterer Demonstrator kann komplexe Gesten erkennen, die in die Luft geschrieben werden. Die Wissenschaftler des IMS haben hierfür ein System, bestehend aus einem Mikrocontroller und einem absoluten Orientierungssensor entwickelt. Das System erkennt in die Luft geschriebene Zahlen. Hierzu mussten anfangs verschiedene Personen mehrfach die Ziffern von null bis neun schreiben. Das neuronale Netz erfasst diese Schreibmuster, lernt sie und identifiziert sie im nächsten Schritt selbstständig.

Die Arbeiten an den Forschungsinstituten geben einen Ausblick, wie sich KI-Software und Hardware in Zukunft in einer Symbiose gemeinsam entwickeln werden. Somit auch komplexe KI-Funktionen in IoT- und Edge-Geräten ermöglicht werden können.

The post Was ist AlfES? appeared first on Future Markets Magazine.

Maximale Verfügbarkeit und Flexibilität stehen ganz oben auf der Anforderungsliste bei der Intralogistik. Vor diesem Hintergrund hat das Unternehmen Krups Fördersysteme ein intelligentes Fördersystem entwickelt, das komplett neue Wege geht – oder fährt. Ein solches e-Cart Transportsystem besteht aus selbstfahrenden intelligenten Werkstückträgern, die auf einer passiven Förderstrecke fahren.

Das e-Cart besitzt eine eigene Hinderniserkennung und stoppt bei Kontakt mit aktiver Bremse. Über eine Selbstdiagnosefunktion erkennt jedes e-Cart eine erforderliche Wartung oder eine mögliche Störung und kann bei Bedarf automatisch auf einen separaten Wartungsplatz ausgeschleust werden. Ein integriertes „Smart-Modul“, das auf einer Blocksteuerung von Turck basiert, steuert alle Bewegungen und Abfragen. Es gibt nur das von der übergeordneten Kundensteuerung gewünschte Ziel über einen Datenbus wieder. Die wartungsfreie Laufschiene mit ihren intelligenten, angetriebenen Laufwagen, gebündelt mit dezentral standardisiert gesteuerten Systemkomponenten, sorgt für flexible und sichere Montageautomationen. Das erhöht die Verfügbarkeit und ermöglicht flexible Prozesse mit minimalen Losgrößen.

Genaue Ortung für fahrerlose Transportsysteme

Fester Bestandteil vieler Industrie 4.0-Logistik-Konzepte sind fahrerlose Fahrzeuge, die automatisch Waren durch die Fabrik transportieren. Sie benötigen für das reibungslose Funktionieren detaillierte Positions- und Statusdaten. Bis dato nutzten Navigationssysteme dafür Bodenmarker, wie Linien oder Magnetstreifen. Bodenverschmutzungen, störende Lichteinstrahlung, Staub oder Dämpfe erschweren es dem fahrerlosen Transportsystem (FTS) dabei allerdings, seinen Weg zu erkennen.

Kinexon Industries wählte für ihre FTS-Navigationssoftware Kinexon Brain daher einen neuen Ansatz. Sie nutzt eine sensorbasierte Ortung und fusioniert dazu mehrere Positionssensoren, was eine deutlich genauere Eigenortung ermöglicht. Zum einen sind das Daten des inertialen Navigationssystems, also von Beschleunigungs- und Drehratensensoren, die im Fahrzeug verbaut sind. Zum anderen sind es Laserdaten. Beide Systeme ergänzen sich durch Positionsinformationen eines drahtlosen Lokalisierungssystems. Das System ermittelt über die Ortung via UWB (Ultrabreitband) Lage und Zustand von Objekten. Die Navigationssoftware wählt automatisch in jeder Situation die jeweils besten Lokalisierungsinformationen aus und kombiniert diese für eine genaue Positionsschätzung. So ist in beinahe allen industriellen Umgebungen eine Positionierungsgenauigkeit von 5 cm und Kursabweichung von unter 2 Grad zu erreichen.

Damit solch ein komplexes Navigationssystem funktioniert, werden große Datenmengen benötigt. Diese müssen auch unter erschwerten Umweltbedingungen schnell und effizient verarbeitet werden können. Dafür sind kleine, leistungsstarke aber auch robuste Hochleistungsrechner notwendig.

Kinexon setzt eine KBox der A-Serie von Kontron ein. Kontron ist einer der weltweit führenden Anbieter von Embedded Computer Technologie. Durch die kompakte Bauweise eignet sich der IoT-fähige Box-PC besonders für die Integration in flache, autonome Flurförderfahrzeuge. Eine Besonderheit der KBox ist der lüfterlose Betrieb.

Da sich flache, autonome Flurförderzeuge nahe am Boden bewegen, müssen sie viel Staub verkraften. Ein Industrie-PC mit Lüfter ist daher nicht optimal für diesen Einsatz. Die KBox von Kontron kann hingegen dank der guten passiven Lüftung bei Umgebungstemperaturen von bis zu 60 Grad Celsius eingesetzt werden. Auch ohne, dass der Staub sie beeinträchtigt.

Unfallfreies Fahren für Gabelstapler

Leistungsstarke Edge-Computer werden jedoch nicht nur bei fahrerlosen, autonomen Intralogistik-Systemen eingesetzt. Sie helfen auch Fahrern von „konventionellen“ Flurförderzeugen. Wie das Beispiel des von Via Technologie entwickelte Sicherheits-Kit für Gabelstapler zeigt. Das System wurde für die Xingchen Hongye Technology Development Company in China entwickelt. Das Unternehmen wollte mit der Via Mobile360 genannten Lösung die Sicherheit der existierenden Gabelstapler-Flotte verbessern.

Ein wesentlicher Ansatz war dabei die Realisierung eines Fahrerüberwachungssystems. Es stellt sicher, dass Personen hinter dem Lenkrad ihre volle Aufmerksamkeit der Bedienung des Fahrzeugs widmen. Dazu überwacht eine Kamera die Fahrerkabine und leitet einen Echtzeit-Videostream zu einem On-Board-Computer. Es erkennt mit entsprechenden Algorithmen, ob der Fahrer telefoniert, abgelenkt oder müde ist. Notfalls warnt das System den Fahrer sowohl visuell als auch akustisch.

Eine integrierte Fahrer-Authentifizierung stellt sicher, dass der Stapler nur von ausgebildeten Fahrern genutzt wird. Dazu wurde das Überwachungssystem durch Gesichtserkennungsalgorithmen ergänzt. Nur wenn die Kamera das Gesicht des Fahrers als autorisierten Bediener erkennt, kann er seine Schicht beginnen. Ein Surround-View-System mit vier Kameras ermöglicht dem Fahrer eine 360°-Übersicht über das Umfeld und vermeidet so Unfälle mit anderen Mitarbeitern oder Fahrzeugen. Das System nutzt hochentwickelte 3D-Algorithmen, um eine scharfe Darstellung des Panoramabildes auf einem Display im Cockpit sicherzustellen.

Der letzte Baustein der Safety-Lösung ist die Erweiterung des Fahrzeugsystems um ADAS (Advanced Driver Assistance System). Zusätzliche drei Kameras machen den Fahrer auf Situationen aufmerksam, in denen der Gabelstapler Objekten gefährlich nahekommt. Sie fungieren im Wesentlichen als Sensoren, die mögliche Kollisionen erkennen und Warnungen direkt an die Cockpitanzeige senden. Dazu gehört auch die dynamische Erkennung von sich bewegenden Objekten, so dass das System den Fahrer warnen kann, wenn sich ein Objekt oder eine Person in die Richtung des Staplers bewegt. Sämtliche Algorithmen laufen auf einem leistungsfähigen und skalierbaren Onboard-Computersystem. Dieses Beispiel zeigt, wie Edge-Computing-Systeme für eine sichere, leistungsfähigere und hoch verfügbare Intralogistik sorgen.

The post Anforderungen an die Intralogistik steigen appeared first on Future Markets Magazine.

Schon heute ist Künstliche Intelligenz eine Technologie, die in vielen verschiedenen Anwendungen eingesetzt wird und neue Möglichkeiten der Wertschöpfung schafft. Mittels KI wird das Verhalten von Nutzern sozialer Netzwerke analysiert und so Werbung eingeblendet, die den Bedarf trifft. Auch die Gesichts- und Spracherkennung in Smartphones funktioniert nicht ohne Künstliche Intelligenz. In der Industrie helfen KI-Anwendungen die Wartung effektiver zu gestalten. Sie sagen einen Ausfall von Maschinen voraus, bevor er überhaupt erst eintritt. Noch im Jahr 2017 wurden laut einem Whitepaper der Investmentbank Bryan, Garnier & Co 99 Prozent der KI-bezogenen Halbleiterhardware in der Cloud zentralisiert.

Unterschied zwischen Training und Inferenz

Eine der wichtigsten Funktionen Künstlicher Intelligenz ist das Machine Learning. Mit dem IT-Systeme auf Basis vorhandener Datenbestände Algorithmen, Muster und Gesetzmäßigkeiten erkennen und Lösungen entwickeln können.

Dieses maschinelle Lernen ist ein zweistufiger Prozess. Zunächst wird in der Trainingsphase dem System „beigebracht“, Muster in einem großen Datensatz zu finden. Die Trainingsphase ist eine Langzeitaufgabe, die eine hohe Rechenleistung erfordert. Nach dieser Phase kann das Machine Learning-System das endgültige, trainierte Modell anwenden. Um dadurch neue Daten zu analysieren, zu kategorisieren und ein Ergebnis abzuleiten. Dieser Schritt, der als Inferenz bekannt ist, benötigt viel weniger Rechenleistung.

Cloud-Infrastruktur bewältigt KI-Anforderungen nicht alleine

Die meisten der Inferenz- und Trainingsschritte werden heute in der Cloud durchgeführt. Im Falle eines Sprachassistenten wird beispielsweise der Befehl des Benutzers an ein Rechenzentrum gesendet. Anschließend dort mit den entsprechenden Algorithmen analysiert und mit der entsprechenden Antwort an das Gerät zurückgesendet. Bislang war die Cloud der effizienteste Weg, um die Vorteile leistungsfähiger und aktueller Hard- und Software zu nutzen. Doch die steigende Zahl von KI-Anwendungen droht die heutige Cloud-Infrastruktur zu sprengen.

Wenn zum Beispiel jedes Android-Gerät der Welt jeden Tag drei Minuten Spracherkennung durchführen würde, müsste Google doppelt so viel Rechenleistung zur Verfügung stellen wie heute. „Die größte Computerinfrastruktur der Welt müsste also doppelt so groß sein“, so Jem Davies, Vize-Präsident, Fellow und Leiter der ARM-Gruppe für maschinelles Lernen. „Darüber hinaus bedeutet die Forderung nach nahtlosen Benutzererfahrungen, dass die Menschen die Latenzzeit, die mit der Durchführung von Machine Learning in der Cloud verbunden ist, nicht akzeptieren werden.“

Anzahl von KI-Edge Geräten wird explodieren

Daher werden Inferenzaufgaben zunehmend in die Edge verlagert. Die Daten können so direkt vor Ort verarbeitet werden, ohne dass sie erst übertragen werden müssen. „In geschäftskritischen Anwendungsfällen, wo Latenz und Genauigkeit im Vordergrund steht und ständige Konnektivität nicht garantiert ist, sind Anwendungen nicht durchführbar. Durch die KI-Inferenzverarbeitung in der Edge müssen Unternehmen zudem keine privaten oder sensiblen Daten mit Cloud-Anbietern teilen. Was zum Beispiel im Gesundheits- und Konsumsektor problematisch wäre“, erklärt Jack Vernon, Industrie Analyst bei ABI Research.

Laut den Marktforschern von Tractica steigen so die Auslieferungen von Edge Geräten mit integrierter KI von jährlich 161,4 Millionen in 2018 auf 2,6 Milliarden in 2025. Die größte Stückzahl erreichen dabei Smartphones, gefolgt von smarten Lautsprechern und Laptops.

Smartphone geht voran

Smartphones sind ein gutes Beispiel, um die Bandbreite möglicher Anwendungen für KI bei Edge Geräten zu zeigen. So erkennt die Kamera des Huawei P smart 2019 mit Hilfe der KI in Echtzeit 22 verschiedene Motive und 500 Szenarien. Dadurch lassen sich Aufnahmen optimieren, um das perfekte Foto zu schießen. Im Samsung Galaxy S10 5G passt KI dagegen auf der Grundlage des Nutzerverhaltens automatisch Akku, Prozessorleistung, Speichernutzung und Gerätetemperatur an.

Gartner nennt noch weitere mögliche Applikationen. Darunter zum Beispiel die Authentifizierung des Nutzers. Smartphones könnten in Zukunft das Verhalten eines Benutzers erfassen und erlernen. Wie zum Beispiel Muster beim Gehen oder beim Scrollen und Tippen auf dem Touchscreen. Und all das, ohne dass Passwörter oder aktive Authentifizierungen erforderlich sind.

Emotionssensorik und affektives Computing ermöglichen Smartphones, emotionale Zustände und Stimmungen der Menschen zu erkennen, analysieren, verarbeiten und darauf zu reagieren.

Automobilhersteller könnten beispielsweise die Frontkamera eines Smartphones verwenden, um die physische Verfassung eines Fahrers zu verstehen oder Ermüdungserscheinungen zu messen. Dadurch wird die Sicherheit des Fahrers erhöht. Sprachsteuerung oder Augmented Reality sind weitere mögliche Applikationen für KI in Smartphones.

CK Lu, Senior Director Analyst bei Gartner, ist sich sicher: „Zukünftige KI-Funktionen werden es Smartphones ermöglichen, Probleme für die Nutzer zu lernen, zu planen und zu lösen. Dabei geht es nicht nur darum, das Smartphone intelligenter zu machen, sondern auch darum, die Menschen durch die Reduzierung ihrer kognitiven Belastung zu stärken. Die KI-Fähigkeiten auf Smartphones befinden sich jedoch noch in einem sehr frühen Stadium.“

The post Edge Computing beflügelt die KI appeared first on Future Markets Magazine.

Embedded Systeme und Edge Computing sind nur aus einem Grund realisierbar. Und zwar weil heutzutage Mikroprozessoren mit immer mehr Rechenleistung zu immer geringeren Kosten zur Verfügung stehen.

Seit über 50 Jahren gilt bereits das Mooresche Gesetz. Es besagt, dass sich alle 12 bis 24 Monate die Leistungsfähigkeit von Computer- und Speicherchips verdoppelt. Ende der 1960er kamen die ersten 4-Bit-Prozessoren auf den Markt. Diese hatten 2.250 Transistoren „on board“ und eine Taktfrequenz von 740 Kilohertz. Das heißt, sie konnten 60.000 4-Bit-Instruktionen pro Sekunde verarbeiten. Seitdem kamen im regelmäßigen Rhythmus Prozessoren auf den Markt, die die Zahl der verarbeiteten Informationen in der gleichen Takt-Periode verdoppelt. Erst 8 Bit, dann 16 Bit und anschließend 32 Bit.

Mit Beginn des aktuellen Jahrtausends stand die 64-Bit-Architektur auch für Computer zur Verfügung. Deren aktuell leistungsstärkste Prozessoren verfügen über rund 20 Milliarden (!) Transistoren und Taktfrequenzen von mehr als 4,5 Gigahertz. Diese Entwicklung ging einher mit einer drastischen Reduktion der Kosten. Während 1961 – inflationsbereinigt – noch 145,5 Milliarden US-Dollar pro GFlop gezahlt wurden, liegen die Kosten heute nur noch bei wenigen Cent. Ein GFlop entspricht einer Milliarde Rechenoperationen pro Sekunde.

Das bedeutet, dass sich heute problemlos auch billige Massenprodukte mit Chips ausrüsten lassen. Somit steht genug günstige Rechenpower für das Edge Computing zur Verfügung.

Weniger Energieverbrauch bei immer mehr Leistung

Allerdings geht es beim Edge Computing nicht nur um die Leistung der Chips, sondern auch um Energieeffizienz. Denn viele der smarten Geräte sind batteriebetrieben. Benutzerdefinierte Schaltkreise, sogenannte ASICs (Application Specific Integrated Circuits), bieten die höchste Effizienz. Jedoch ist bei einer Änderung der Anforderungen eine Neukonfiguration nicht möglich.

Daher ersetzen zunehmend sogenannte FPGAs die Allzweck-Prozessoren beim Edge Computing. Bei diesen Field Programmable Gate Arrays handelt es sich um integrierte Schaltkreise. Damit kann nach der Herstellung eine logische Schaltung geladen werden. Im Unterschied zu Prozessoren verarbeiten FPGAs mit ihren programmierbaren Basisblöcken Daten parallel. Jeder einzelne Verarbeitungstask wird dabei einem dedizierten Bereich auf dem Chip zugewiesen und autonom ausgeführt. Dabei verbrauchen sie deutlich weniger Energie als CPUs. Dadurch vereinen FPGAs die Flexibilität und Programmierbarkeit von Software, die auf einem Allzweck-Prozessor läuft. Und das, mit der Geschwindigkeit und Energieeffizienz eines ASIC.

Die Eigenschaft, viele Aufgaben parallel abzuarbeiten, prädestinieren FPGAs zudem für KI-Anwendungen. Sprachsteuerung, Bildverarbeitung oder Augmented Reality sind nur einige Beispiele für KI-Anwendungen. Sie alle erfordern eine hohe Rechenleistung und einen geringen Stromverbrauch. Vor allem aber eine geringe Latenzzeit, um das Erlebnis reaktionsschnell und natürlich zu gestalten.

Daher geht der Trend dahin, immer mehr KI-Anwendungen aus der Cloud in das Edge Computing zu verlagern. Grafikprozessoren, finden sich aufgrund ihrer Fähigkeit der parallelen Datenverarbeitung häufig in Rechenzentren wieder. Diese benötigen für Edge Anwendungen jedoch zu viel Energie. Die Analysten von McKinsey erwarten, dass der Markt für KI-Hardware in Edge Anwendungen von rund 100 Millionen US-Dollar in 2017 auf 5,5 Milliarden US-Dollar in 2025 steigen wird. Dabei bekommen die großen Chip-Hersteller, die im Cloud-Bereich den Markt dominieren, zunehmend Konkurrenz von anderen etablierten Unternehmen.

ACAPs als Weiterentwicklung der FPGAs

Als Weiterentwicklung der FPGAs zeichnen sich zudem sogenannte ACAPs ab. Diese „Adaptive Compute Acceleration Platformen“ sind hochintegrierte, heterogene Multi-Core-Rechenplattformen. Sie erweitern deutlich die Möglichkeiten von FPGAs und arbeiten im Vergleich zu CPU- und GPU-basierten Plattformen deutlich schneller und energieeffizienter. ACAPs lassen sich auf der Hardwareebene modifizieren und sich an ein breites Spektrum von Applikationen und Rechenlasten anpassen. Auch dynamisch während des Betriebes.

Bei FPGAs kann nur eine einzige logische Schaltung geladen werden. Dahingegen eignet sich eine ACAP zur Beschleunigung einer breiten Palette von Anwendungen, auch aus dem KI-Bereich.

Xilinx stellte die ersten ACAP-Chips her, die erstmals im Sommer 2019 ausgeliefert wurden. Sie basieren auf der 7-Nanometer-Prozesstechnologie und verfügen über 50 Milliarden Transistoren.

The post ACAPs – Adaptive Compute Acceleration Platforms appeared first on Future Markets Magazine.

Auch wenn es dank der rasanten Entwicklung der Halbleitertechnologie theoretisch möglich wäre, jedes einzelne vernetzte Gerät mit eigener Intelligenz und ausreichend Rechenkapazitäten auszustatten – sinnvoll ist es nicht. Zum einen sprechen die Kosten dagegen, zum anderen benötigen viele Applikationen Daten von mehr als nur einer Quelle. Zum Beispiel bei der vorausschauenden Wartung in der Industrie. Erst wenn möglichst viele, an verschiedenen Stellen einer Maschine platzierte Sensoren, Informationen liefern, kann ein Analyseprogramm daraus den Ausfall eines Bauteils vorhersagen.

Daher werden die Daten in einem Knoten, oder wenn man so will, in einem Minirechenzentrum, gesammelt und verarbeitet. Vielfach wird eine derartige Netzwerk-Architektur bereits als Fog Computing bezeichnet. Andere sehen dies noch als Edge Computing an. Gleich ob es sich um Edge oder Fog Computing handelt – viele der hier stattfindenden Applikationen erfordern leistungsstarke Kommunikationssysteme. Über die die Daten von den Sensoren, Aktoren oder Geräten in Echtzeit zum Minirechenzentrum und zurück übertragen werden können.

Highspeed-Kommunikation mit Ethernet

Dabei hat sich in den letzten Jahren ein Kommunikationssystem in vielen Bereichen durchsetzen können. Sei es in der Fabrik, im Auto oder im Gebäude: Das Ethernet. Verglichen mit traditionellen Bussystemen bietet Ethernet höhere Geschwindigkeiten und eine bessere Handhabung von großen Datenvolumen. Außerdem hat es geringere Kosten dank der hohen Energieeffizienz sowie flexibler und günstiger Bandbreitenoptionen. Heute ermöglichen Ethernet-Protokolle unter der Nutzung von Glasfaserkabeln Geschwindigkeiten von bis zu 400 Gbit/s, was für eine Highspeed-Kommunikation sorgt. Für Anwendungen im industriellen Bereich wurden zudem Echtzeit-Ethernet und Industrial Ethernet entwickelt, die mit geringstmöglicher Latenz arbeiten.

John D´Ambrosia, Chairmann des Industriekonsortiums Ethernet Alliance: „Ethernet umfasst ein dynamisches Ökosystem von Technologien. Sie lassen sich nahtlos integrieren, um die robuste Konnektivität bereitzustellen, die von zukünftigen Märkten und Anwendungen gefordert wird“, sagt John D’Ambrosia, Chairman der Ethernet Alliance. „Und selbst wenn die Netzwerke immer größer und schneller werden, stellt sich Ethernet erfolgreich den Herausforderungen dieser Netzwerke. Ethernet verfügt nicht nur über die Leistung, die für die Unterstützung von Netzwerken der nächsten Generation erforderlich ist, sondern ist auch ausgereift genug, um dies zuverlässig und kostengünstig zu tun.“ So geht das Konsortium, davon aus, dass in einigen Jahren eine Highspeed-Kommunikation in Geschwindigkeiten von bis zu 800 Gbit/s oder sogar 1,6 Tbit/s möglich sein werden.

Mobilfunkstandard für das IoT

Die Verbindung der über Ethernet vernetzten Geräte und Knoten mit der Cloud erfolgt dann über Breitbandkabel. Oder bei mobilen Anwendungen über Mobilfunk. Die Cloud stellt Ressourcen wie Speicherplatz oder (nicht zeitkritische) Rechenleistung sehr flexibel und skalierbar in zentralen Rechenzentren zur Verfügung. Doch allein die Anzahl der zukünftig vernetzten Geräte bringt heutige Datenübertragungssysteme an ihre Grenzen. Zumindest die für mobile Anwendungen erforderlichen Funk-Technologien. Denn das heute schnellste Mobilfunknetz – LTE bzw. 4G – kann gerade einmal 2.000 aktive Geräte auf einem Quadratkilometer unterstützen. Das kontinuierliche Wachstum bei der Zahl vernetzter Geräte im Internet der Dinge (IoT) erfordert aber deutlich mehr aktive Verbindungen.

Die Lösung liegt im 5G-Standard. Mit ihm sollen bis zu 100.000 aktive Geräte, in Zukunft sogar bis zu 1 Millionen Geräte, pro Quadratkilometer unterstützt werden können. Doch auch bei einer Datenübertragungsrate von bis zu 10 Gbit/s funktioniert 5G nur mit Edge Computing. Zum einen wäre bei der gigantischen Zahl an vernetzten Geräten, die für die Zukunft erwartet werden, das Mobilfunknetz schlichtweg überlastet, wenn alle Daten zur Verarbeitung in die Cloud geschickt würden. Zum anderen benötigen Anwendungen wie das autonome Fahren oder in der Industrie 4.0 Latenzzeiten von unter 10 Millisekunden, teils sogar von 1 Millisekunde. Um diese Reaktionszeiten zu erreichen, dürfen auch bei 5G die Übertragungswege nicht zu lang sein.

An jedem Mobilfunkmast ein Minirechenzentrum

Daher platzieren die 5G-Anbieter kleine Rechenzentren am Rande ihrer Mobilfunknetze, quasi direkt an der 5G-Antenne. Dies ermöglicht es ihnen, eine Reihe von Anwendungen und Diensten zu hosten oder bereitzustellen, die von einer geringen Latenzzeit profitieren. Gleichzeitig können sie so die Menge des Datenverkehrs reduzieren, der an das Kernnetz zurückgeleitet werden muss. Das senkt die Datenübertragungskosten – kurz gesagt, Edge Computing spart dem Mobilfunkbetreiber Geld. Zudem führt es zu einer Verbesserung des gesamten mobilen Nutzererlebnisses für den Verbraucher. Aufgrund der geringen Latenzzeiten nimmt die Reaktion des Mobilfunknetzes spürbar zu. Würden zum Beispiel TV-Sendungen und Filme in der Edge zwischengespeichert, würde das Video-Streaming auf mobilen Gerät fast sofort beginnen.

Ohne Edge Computing könnte 5G also nicht die angestrebten Leistungsziele von sehr geringer Latenz und massivem Breitband erreichen. „Edge Computing ist erst vor einigen Jahren auf der Bühne der Mobilfunkindustrie erschienen und hat inzwischen eine große Bedeutung“, sagte Iain Gillott, Präsident und Gründer des auf mobile Kommunikation spezialisierten Beratungsunternehmens iGR. „Wir glauben, dass Edge Computing letztendlich unerlässlich sein wird, um das volle Potenzial von 5G zu realisieren.“

The post Highspeed-Kommunikation mit 5G und Ethernet appeared first on Future Markets Magazine.

Die Verarbeitung von Daten auf Edge Geräten erfordert auch entsprechende Datenspeicher. Doch die Speicherung der Daten auf den Endgeräten stellt besondere Herausforderungen an die Speicherbausteine.

Zunächst einmal müssen sie geringe Kosten mit einer guten Performance vereinen. Außerdem sollten die Speichermedien energieeffizient sein, um sie auch in batteriebetriebenen Geräten einsetzen zu können. Edge Speicher müssen niedrigere und auch höhere Temperaturen aushalten, als es bei typischen PC-Anwendungen gefordert ist. Beim Einsetzen in mobilen Geräten, sollten auch Vibrationen und Erschütterungen ihnen nichts anhaben. Klassische Festplatten-Laufwerke (HDD, Hard Disk Drive) sind hierfür zu empfindlich und für die meisten Edge Anwendungen auch zu groß.

Flash bewährt, aber ausgereizt

Bewährt haben sich Flash-Speicher, wie man sie zum Beispiel auch vom USB-Speicherstick kennt. Dabei handelt es sich um Halbleiterspeicher, bei denen die Informationsspeicherung (Bits) in einer Speicherzelle in Form von elektrischen Ladungen erfolgt. Flash-Speicher sind zwar pro Gigabyte noch etwas teurer, ermöglichen dafür jedoch erheblich schnellere Datenverarbeitungsprozesse als HDDs. In einem Flash-Speicher können viermal höhere Lese- und Schreibgeschwindigkeiten als mit HDDs erzielt werden. Sie bieten zudem eine höhere Dichte, sparen also Platz und Gewicht, und sind aufgrund fehlender beweglicher Teile weniger fehleranfällig.

Die Entwicklung der Flash-Speicher hat sich in den letzten Jahren darauf konzentriert, die Zellen zu verkleinern und so die Datendichte zu erhöhen. Allerdings ist hier bereits mit den heutigen Nanometer-Strukturen eine physikalische Grenze erreicht und die Lebensdauer und Zuverlässigkeit der Speicher leidet. Eine Lösung stellen 3D-NAND-Speicher dar. Hier stapeln sich – vereinfacht gesprochen – die planaren Speicherzellen vertikal übereinander. Kürzere Verbindungen zwischen den Speicherzellen erhöhen die Speicherkapazität sowie die Speichergeschwindigkeit und reduzieren den Stromverbrauch.

„Um der enormen Nachfrage nach höherer Speicherkapazität und Zuverlässigkeit bei gleichzeitiger Senkung der Kosten pro Bit gerecht zu werden, setzen die 3D-NAND-Hersteller innovative Techniken ein“, erklärt Belinda Dube, Cost-Analyst bei der Beratungsfirma System Plus Consulting. „Sie ändern den Speichertyp, das Speicherzellen-Design und stapeln mit jeder Generation mehr Schichten, um die Bitdichte zu erhöhen und damit die Formgröße zu reduzieren. Die technologischen Veränderungen in der Zellarchitektur und die Modifikation der grundlegenden Speicherfunktionen erhöhen zwar die Komplexität des Herstellungsprozesses. Sie senken jedoch die Kosten pro Gigabyte.“

Datenspeicherung der Zukunft

Doch selbst die aktuellen 3D-NAND-Speicher stoßen bei der stetig wachsenden Datenflut und rasant steigenden Anforderungen, zunehmend an ihre Grenzen. Sowie durch die immer komplexeren KI-Applikation.

„Die Datenspeichertechnologie hat eine Skalierungsgrenze erreicht. Wir brauchen neue Konzepte, um die Datenmengen zu speichern, die wir in Zukunft produzieren werden“, erklärt Peter Zalden, Wissenschaftler am European XFEL. Diese Forschungseinrichtung betreibt den weltweit größten Röntgenlaser. Zalden hat ihn zusammen mit Forschern der Universität Duisburg-Essen genutzt, um zu untersuchen, wie die Datenspeicherung mit neuen Phasenwechselmaterialien noch besser und effizienter werden könnte.

Phasenwechselspeicher sichern Daten, indem sie den Aggregatszustand der einzelnen Bits zwischen flüssig, glasartig und kristallin ändern. Ein elektromagnetisches Feld, Wärme- oder Lichtimpulse schalten zwischen den Phasen hin und her. Diese beiden verschiedenen Zustände entsprechen der „0“ und „1“ des Binärcodes. Entsprechende Speicher könnten tausend Mal schneller und dabei erheblich langlebiger sein als bisherige Flash-Speicherchips. Mit ihrer Hilfe könnten die nächsten Generationen von Smartphones eine höhere Speicherdichte und Energieeffizienz aufweisen.

Eine andere vielversprechende Technologie basiert auf magnetischen Speichern. Hierbei wird der Spin genutzt, der der Eigendrehimpuls des Teilchens ist. Man kann ihn sich ähnlich vorstellen wie den Drehimpuls eines Balls, der sich um seine eigene Achse dreht. „Der Spin hängt eng mit Magnetismus zusammen. Daher lässt er sich mit Magnetfeldern beeinflussen“, sagt Dr. Viktor Sverdlov vom Institut für Mikroelektronik der TU Wien. „Ähnlich wie man Information speichert, indem man an bestimmten Punkten unterschiedliche elektrische Ladung anbringt. Kann man auch Information speichern, indem man an bestimmten Punkten für unterschiedlichen Spin sorgt.“

Bei derartigen Speicher besteht im Gegensatz zu Flash-Speichern die Möglichkeit, sie beliebig oft zu beschreiben. Außerdem ermöglichen sie sehr kurze Schreib- und Lesezugriffszeiten. Noch allerdings sind diese neuen Speichertechnologien zu teuer, um massenhaft in Edge Geräten eingesetzt zu werden. Aber die Entwicklung geht weiter.

The post Datenspeicherung in der Zukunft appeared first on Future Markets Magazine.

Embedded und Edge Geräte sind nichts anderes als kleine Computer. Und wie Computer benötigen sie Software, um ihre Aufgaben erfüllen zu können. Wie zum Beispiel mit Embedded Software. Das beginnt wie beim PC mit einem Betriebssystem. Ein Embedded System muss auf Grund der Reduzierung auf genau definierte Aufgaben bei weitem nicht so viel leisten wie ein PC.

Somit kommen sehr einfache eingebettete Systeme ganz ohne Betriebssystem aus. Doch sobald mehrere Applikationen hinzukommen – wie es beim Edge Computing der Fall ist – benötigt auch ein Embedded Gerät ein Betriebssystem. Es ist unter anderem für die Speicher und Dateiverwaltung zuständig und sorgt für die Parallelverarbeitung verschiedener Aufgaben. Aber auch für die Integration in übergeordnete Systeme mit Hilfe verschiedener Kommunikationsstandards. Zum Einsatz kommen dabei häufig spezielle Embedded-Versionen von Standard-Betriebssystemen, zum Beispiel Windows 10 IoT oder Linux-basierende Systeme wie Ubuntu.

Linux wird echtzeitfähig

Linux hat sich nicht nur aufgrund der hohen Anzahl unterstützter CPU-Architekturen und der nahezu unendlichen Anzahl von Treibern etabliert. Auch die gute Portier- und Skalierbarkeit trägt dazu bei, dass es eines der leistungsfähigsten Embedded Betriebssysteme ist. Laut des „IoT Developer Survey 2018“ der Eclipse Foundation setzen rund 72 Prozent der Entwickler für ihre IoT-Geräte auf Linux-Systeme. Nur knapp 23 Prozent nutzen Windows.

Inzwischen existieren auch Linux-basierende Systeme, die den Anforderungen an harte Echtzeit entsprechen. Bisher griff man dazu allerdings auf spezielle Realtime-Erweiterungen, wie „RT-Patches“ oder „PREEMPT_RT“ zurück. Viele der hierfür entwickelten Techniken sind heute bereits in den Linux-Kernel, also ins „Basissystem“ eingezogen. Es ist absehbar, dass die Realtime-Erweiterungen aber in absehbarer Zeit komplett in den Kernel aufgenommen werden.

Schon die aktuelle Linux Version 5.3 kann man als Wegbereiter für die Echtzeit-Unterstützung sehen. Denn in den Hauptentwicklungszweig des Kernels ist eine neue Kernel-Konfigurationsoption eingeflossen. Durch diese es irgendwann möglich ist, einen „Fully Preemptible Kernel (Real-Time/RT)“ zu bauen. Der anschließend Echtzeit-Anforderungen erfüllt.

Schneller auf den Markt mit Edge-Frameworks

Auf das Betriebssystem setzt die Applikations-Software auf. Sie beinhaltet die gerätespezifischen Funktionen, verarbeitet die erfassten Daten und stellt die Schnittstelle zum übergeordneten System dar. Eine Programmierung einer Applikation ist von Grund auf aufwändig. Da jedoch bestimmte Funktionen und Elemente in jeder Anwendungs-Software gleich sind, entwickelte man sogenannte Frameworks. Dabei handelt es sich nicht um eigenständige Programme, sondern vielmehr um ein Gerüst für den Programmierer.

Er erhält mit dem Framework ein Programmiergerüst, dass bereits verschiedene Funktionen und Elemente enthält. Sie müssen also nicht jedes Mal neu programmiert werden, was die Entwicklungszeit erheblich reduziert. Im Edge Computing Bereich haben sich zum Beispiel die Frameworks AWS Greengrass, Microsoft Azure IoT Edge oder Alibaba Cloud etabliert. Allerdings ist die Wahl des richtigen Frameworks nicht ganz einfach. Denn es erfordert in der Regel bestimmte Hardware, läuft nur auf einem definierten Betriebssystem und ist auf spezielle Anwendungsfelder zugeschnitten.

Offene Systeme führen Markt zusammen

Da gerade beim Edge Computing jedoch mitunter ein ganzes Ökosystem verschiedener Geräte von unterschiedlichen Herstellern miteinander kommuniziert, sollen Schnittstellen zwischen verschiedenen Betriebssystemen und Applikations-Programmen möglichst vermieden wären. Das versprechen offene Systeme. Wobei offen nicht bzw. nicht nur bedeutet, dass die Software als Open-Source-Projekt entwickelt wird. Das ist zum Beispiel auch bereits bei Azure IoT Edge der Fall. Offen bedeutet tatsächlich, dass die Applikations-Software unabhängig von Hardware, Betriebssystem und der in der Cloud verwendeten Software ist.

Genau das soll mit LF Edge erreicht werden. Hiermit soll innerhalb der Linux Foundation ein offenes, interoperables Framework für Edge Computing geschaffen werden, das unabhängig von Hardware, Silizium, Cloud oder Betriebssystem ist.

LF Edge wurde Anfang 2019 gestartet und besteht zunächst aus fünf Projekten. Darunter Akraino Edge Stack, EdgeX Foundry, Home Edge, Open Glossary of Edge Computing und Project EVE, die teils schon vorher angestoßen wurden. Das offene Framework unterstützt neu entstehende Edge Anwendungen und vernetzten Dinge. Solche, die eine geringere Latenz, eine schnellere Datenverarbeitung sowie einen mobilen Einsatz erfordern. Durch den Software-Stack trägt LF Edge dazu bei, den fragmentierten Edge-Markt durch eine gemeinsame Vision für die Branchenzukunft zu vereinheitlichen.

The post Embedded Software und ihre bunte Welt appeared first on Future Markets Magazine.

Gleich ob bei der Qualitätskontrolle in der Industrie, bei der Überwachung von Gebäuden oder auch beim automatisierten Fahren. Der Bedarf an detaillierten Videoaufnahmen rund um die Uhr steigt und produziert große Datenmengen, die hohe Übertragungsraten und viel Speicherplatz erfordern.

Smarte Kameras und Bildverarbeitung vereint

Daher gewinnen sogenannte Smarte Kameras zunehmend an Popularität. Diese intelligenten Systeme vereinen Kamera und Hochleistungsbildverarbeitung in einem einzigen Gerät. Bildvorverarbeitungen oder sogar komplette Videoanalysen werden mit diesen Edge Geräten direkt in der Kamera ausgeführt. Das entlastet das Host-System, zusätzliche PCs oder Controller sind nicht erforderlich. Je nach Leistungsfähigkeit des integrierten Prozessors bzw. FPGAs sind derartige Kameras in der Lage, Farben und Formen zu identifizieren. Aber diese auch mit vorgegeben Strukturen zu vergleichen und sogar menschliche Bewegungen sowie Verhalten zu erkennen. Dabei kommen zunehmend auch Methoden des maschinellen Lernens bzw. Künstliche Intelligenz zum Einsatz.

Anlagen in Echtzeit steuern

Bei industriellen Anwendungen kann die Smarte Kamera so dezentral Entscheidungen treffen und zum Beispiel auf fehlerhafte Teile entsprechend reagieren. Sei es durch Ansteuern eines Auswerfers über die SPS oder der Benachrichtigung eines menschlichen Kollegen, der die Produktion überwacht. Auch bei typischen Echtzeitanwendungen, zum Beispiel bei Pick & Place-Anwendungen, kommen zunehmend Smarte Kameras zum Einsatz. Sie verdrängen mit leistungsfähigen Prozessoren zunehmend die zuvor üblichen PC-basierten Lösungen. In einem Verbund von Anlagen- und Robotersteuerung können solche Embedded Bildverarbeitungssysteme sogar komplexe Fertigungsschritte umfassend unterstützen.

Das auf industrielle Bildverarbeitungslösungen spezialisierte Unternehmen Wente/Thiedig entwickelte zum Beispiel für einen Kunden aus der Automobilindustrie das Scansystem SKG500. Es bestimmt die Lage und Position von schweren Bauteilen in Boxen, so dass ein Roboterarm sie präzise greifen kann. Zwei intelligente Kamerasysteme des Typs VCSBC6211nano-RH des Herstellers Vision Components agieren als eigenständige Bildverarbeitungssysteme agieren. Sie bewerten vor der Entnahme der Rohlinge die Konturen der obersten Rohteillage visuell und bestimmen deren Position, Orientierung und Seitenlage.

Die aus dem 3D-Bild gewonnenen Informationen sendet die Smarte Kamera dann über Ethernet an die Anlagensteuerung. Die Realisierung des 3D-Erkennungssystems als Edge Lösung ermöglicht eine verkürzte Taktzeit, die wiederum eine optimale Auslastung der nachfolgenden Bearbeitungszentren gewährleistet.

Hund, Mensch oder Auto?

Neben der industriellen Bildverarbeitung ist der Security-Bereich das zweite große Einsatzgebiet von Smarten Kameras. Mit der eingebauten Intelligenz können moderne Überwachungskameras die erfassten Videodaten autark interpretieren. Bei möglichen Sicherheitsrisiken alarmieren sie anhand von vorkonfigurierten Alarmregeln das Sicherheitspersonal oder den Wohnungseigentümer in Echtzeit. Die intelligente Videoanalyse erkennt automatisch Regelverstöße, etwa wenn eine Person im erfassten Bildbereich ein abgesperrtes Areal betritt.

Die Smarte Kamera „Presence“ von Netatmo kann zum Beispiel unterscheiden, ob ein Auto, ein Hund oder ein Mensch das Grundstück betritt. Sie analysiert in Echtzeit die aufgenommenen Bilder und informiert den Hauseigentümer entsprechend via Smartphone-App.

Das Indoor-Pendant von Netatmo ist die Welcome-Kamera, die sogar einmal „angelernte“ Gesichter erkennen wieder erkennen kann. Dadurch kann sie dem Bewohner eine Info mit dem Namen desjenigen schicken, der die Wohnung betritt. Zudem kann das System dank seiner Künstlichen Intelligenz zwischen Bewegungen eines Haustieres und anderen Aktionen unterscheiden. So werden durch das Haustier ausgelöste Alarme vermieden. Der Nutzer wird nur informiert, wenn wirklich etwas Wichtiges passiert.

Rennfahrer unter Beobachtung

Noch leistungsfähiger sind Überwachungskameras für den professionellen Einsatz. So verfügen die Netzwerk-Kameras von Bosch über 17 verschiedene Videoanalyse-Algorithmen. Damit können sie zwischen echten Sicherheitsvorfällen und bekannten Auslösern von Fehlalarmen unterscheiden. Die eingebaute Videoanalyse ermöglicht es, große Mengen an Videomaterial schnell nach kritischen Informationen zu durchsuchen. Weil nur relevante Bilder übertragen werden, sinken Netzwerklast und Speicherbedarf erheblich. Die übertragenen Videodaten können alle Bilddaten enthalten oder nur die Metadaten, je nach Anforderungen der Anwendung.

Einen eher untypischen Einsatz dieser Kameras findet man am Misano World Circuit in Norditalien, eine der weltweit bekanntesten Motorrad-Rennstrecken.

Für die Betreiber der Strecke steht die Sicherheit der Motorradfahrer an erster Stelle. Auch Regelverstöße seitens der Fahrer müssen rechtzeitig erkannt werden, da diese laut Grand Prix-Reglement zu Punktabzug und Disziplinarstrafen führen. Doch bei einem Grand Prix-Rennen über 27 Runden den Überblick zu bewahren ist nicht einfach. Bei rund 25 Rennfahrern und Geschwindigkeiten von mehr als 300 km/h ist die Kontrolle über die Strecke eine große Herausforderung.

Bosch installierte daher unter anderem Kameras vom Typ Autodome IP starlight 7000 HD. Ihre Videoanalysefunktion ist in Misano kundenspezifisch konfiguriert worden. Die Kameras folgen den Rennfahrern automatisch. So kann deren Sicherheit und Regelkonformität auch bei Geschwindigkeiten von über 300 km/h jederzeit überwacht werden. Ereignet sich ein Unfall, verständigen die intelligenten Kameras automatisch das Kontrollzentrum. So kann eine schnelle Analysierung der Lage auf der Rennstrecke erfolgen und eine schnelle Reaktion ist gewährleistet.

The post Smarte Kameras haben alles sicher im Blick appeared first on Future Markets Magazine.

Wenn ein Kind auf die Straße rennt, braucht der Mensch durchschnittlich 1,6 Sekunden, bis er auf die Bremse tritt. Hochautomatisierte Fahrzeuge, die mit Radar- oder Lidar-Sensoren und einem Kamerasystem ausgestattet sind, reagieren dagegen bereits heute in 0,5 Sekunden.

Umfeld in Echtzeit wahrnehmen

Dies ist nur möglich, wenn die Daten direkt an Bord des Autos in eingebetteten, hochleistungsfähigen Bildverarbeitungsrechnern verarbeitet sind. Und diese in Echtzeit und kontinuierlich ein Gesamtbild der Verkehrssituation im Umfeld erstellen. Man muss bedenken, dass ein vollautomatisiertes Fahrzeug zwischen 30 und 40 Terabyte Daten pro acht Stunden Fahrt erzeugt. Das sind rund 3.500 4K-Filme. Dadurch wird klar, dass die aktuelle, aber auch eine zukünftige 5G-Netzwerkarchitektur mit dieser Art von Volumen überfordert ist. Zudem können es sich automatisiert fahrende Autos schlichtweg nicht leisten, auf in der Cloud gespeicherte und verarbeitete Informationen zu warten.

KI als wichtiger Baustein

Laut Robert Bielby, als Senior Director verantwortlich für die Automotive-Systemarchitektur in der Embedded Business Unit von Micron, ermöglichen es Hochleistungscomputer auf Basis künstlicher Intelligenz mit tiefen neuronalen Netzwerkalgorithmen, dass autonome Autos besser fahren als von Menschen gesteuerte Fahrzeuge. „Sie haben eine Vielzahl von verschiedenen Sensoren, die zusammenwirken, um die gesamte Umgebung in 360 Grad, rund um die Uhr, auf eine größere Entfernung und mit einer höheren Genauigkeit zu sehen, als es Menschen können“, sagt Bielby. „In Kombination mit der extremen Rechenleistung, die heute in einem Auto eingesetzt werden kann, leisten Autos einen viel besseren Job dabei, sicherer auf der Straße unterwegs zu sein, als wir es können.“

Micron Technology bietet ein breites Portfolio an flüchtigen und nichtflüchtigen Speicherprodukten für Automotive-Anwendungen. Sie kommen zum Beispiel auch bei einer Computing-Plattform zum Einsatz, die speziell für autonomes Fahren entwickelt wurde und auf einer hoch leistungsfähigen DRAM-Technologie basiert.

Hunderte Billionen Rechenoperationen in der Sekunde

Die KI-Plattform liefert unter anderem die erforderliche Rechenpower für die hochautomatisierten Fahrzeuge von Daimler. Künstliche Intelligenz ist ein wichtiger Baustein für den aus mehreren Einzelsteuergeräten bestehenden Steuergeräteverbund von vollautomatisierten und fahrerlosen Fahrzeugen. Insgesamt erreicht der Steuergeräteverbund bei den Fahrzeugen von Daimler eine Rechenkapazität von hunderte Billionen Rechenoperationen in der Sekunde. Das entspricht so viel, wie mindestens sechs zusammengeschaltete, hochmoderne Computer-Arbeitsplätze leisten.

Hier laufen zum Beispiel die Informationen der verschiedenen Umfeldsensoren mit Radar-, Video-, Lidar- und Ultraschall-Technik zusammen. Der Steuergeräteverbund führt die Daten aller Umfeldsensoren zusammen. Die sogenannte Sensordatenfusion wertet die Daten innerhalb von Sekundenbruchteilen aus und plant darauf aufbauend den Fahrweg des Fahrzeuges. Das ist vergleichbar schnell wie ein Schmerzreiz beim Menschen, der zwischen 20 und 500 Millisekunden braucht, bis er im Gehirn ankommt.

Bremsen in weniger als 10 Millisekunden

Doch es wird an Systemen geforscht, die noch schneller sind. Ein automatisiert fahrendes Auto reagiert innerhalb von 500 Millisekunden. Allerdings fährt es bei einer Geschwindigkeit von 50 Kilometern pro Stunde immer noch sieben Meter ungebremst weiter. Das Fraunhofer-Institut für Zuverlässigkeit und Mikrointegration IZM arbeitet daher an einem Kamera-Radar-Modul, das Veränderungen im Straßenverkehr deutlich schneller registriert. Das handygroße Modul wird eine Reaktionszeit von unter 10 Millisekunden haben.

Der Trick dahinter ist die integrierte Signalverarbeitung. Die Daten von dem Radarsystem und der Stereokamera werden direkt im bzw. am Modul verarbeitet und gefiltert. Nicht relevante Informationen werden zwar erkannt, aber nicht weitervermittelt. Durch die Sensor-Fusion werden die Daten von Kamera und Radar zusammengeführt. Auf Basis neuronaler Netzwerke werden diese Daten und damit verschiedene Verkehrszustände durch Machine Learning inhaltlich ausgewertet. Daraufhin sendet das System keine Zustandsinformationen, sondern lediglich Reaktionsanweisungen an das Fahrzeug. So bleibt die Busleitung des Fahrzeuges frei für wichtige Signale. Zum Beispiel bei einem Kind, das plötzlich auf die Straße rennt.

„Die integrierte Signalverarbeitung verkürzt die Reaktionszeit enorm“, sagt Christian Tschoban, Gruppenleiter in der Abteilung RF & Smart Sensor Systems am Fraunhofer IZM. Das System soll, wenn es fertig ist, 50-mal schneller als gängige Sensorsysteme und 160-mal so schnell wie der Mensch sein. Das Auto fährt dann nur noch 15 Zentimeter ungebremst weiter. Das System reagiert und sendet Signale zum Bremsen. Damit könnten viele Unfälle im städtischen Straßenverkehr vermieden werden.

Das Umfeld stets im Blick

The post Das Multi-Fischaugen-Stereo-Kamera-Sensorsystem appeared first on Future Markets Magazine.

Smarte Geräte mit eigener Intelligenz erobern zunehmend auch den Alltag des Konsumenten, sei es in Form von Wearables, in Hausgeräten oder bei Assistenzsystemen, die das Leben im Alter einfacher und sicherer machen.

So hat Miele zum Beispiel eine Lösung namens Motionreact auf den Markt gebracht, mit der der Backofen ahnt, was der Nutzer als nächstes tun möchte. Zum Beispiel macht der Ofen mit einem Signalton auf das Programmende aufmerksam. Nähert man sich jetzt dem Gerät, geschehen zwei Dinge gleichzeitig. Der Signalton verstummt und die Beleuchtung im Garraum schaltet sich ein. Oder, bei Annäherung schalten sich Gerät und Garraumbeleuchtung ein und im Display erscheint das Hauptmenü. Technisch funktioniert das System über Infrarotsensoren in der Geräteblende. Sie reagieren auf Bewegungen in einem Abstand zwischen circa 20 und 40 Zentimetern vor dem Gerät.

Edge Lösungen im Consumer-Bereich

Es erfolgt zunehmend eine Integration von KI-Fähigkeiten in Consumer-Geräten. Dadurch ist nicht nur die Bedienung einfacher, sondern auch eine bessere Funktion möglich.

Ein Beispiel dafür ist die neue Generation der TV-Spitzenmodelle von LG Electronics. Sie verfügen über intelligente Prozessoren, die dank der integrierten KI die Bildqualität verbessern. Durch Deep-Learning-Algorithmen analysieren die TV-Geräte die Qualität der Signalquelle. Anschließend wählen sie das entsprechend am besten geeignete Interpolations-Verfahren für eine optimale Bildwiedergabe aus. Zusätzlich führt der Prozessor bei HDR-Inhalten einen dynamischen Feinabgleich der Tone-Mapping-Kurve in Abhängigkeit vom Umgebungslicht durch. Dabei wird die Bildhelligkeit aufgrund von Erfahrungswerten darüber, wie das menschliche Auge Bilder unter verschiedenen Lichtbedingungen wahrnimmt, dynamisch optimiert. So können selbst in dunkelsten Szenen noch kontrast- und detailreiche Bilder mit hoher Farbtiefe reproduziert werden. Sogar in Räumen mit hoher Umgebungshelligkeit. Die Raumhelligkeit wird dabei mittels eines Umgebungslichtsensors im TV-Gerät erfasst.

Intelligente Geräte sind auch eine große Hilfe, wenn es darum geht, das Leben im Alter sicherer und komfortabler zu machen. Das zeigt das Beispiel neviscura der Firma nevisQ. Es ist ein diskretes, in die Fußleisten einer Wohnung integriertes Sensorsystem. Es ermöglicht vollkommen automatisch und ohne zusätzliche Geräte am Körper beispielsweise Stürze zu erkennen. Daraufhin kann es in Echtzeit Pflegekräfte durch die Schwesternrufanlage informieren.

Die Daten der Infrarotsensoren werden in einer Basisstation mit smarten Funktionen erfasst und analysiert. Die lokale Datenverarbeitung erkennt so sofort kritische Situationen im Raum. Gleichzeitig dient die Basisstation als Schnittstelle zur Rufanlage. Das KI-Sensorsystem soll künftig auch über Aktivitätsanalysen erkennen, ob sich die Verfassung einer Person verändert und somit kritischen Situationen vorbeugen. Beispielsweise kann es hier die Laufgewohnheiten der im Haus lebenden Personen analysieren.

Bankensektor – einer der größten Nutzer von Edge Technologien

Das Internet der Dinge mit seiner Vielzahl an Consumer-Wearables und Edge Computing verändern aber auch den Alltag außerhalb der Wohnung. Insbesondere die Art und Weise, wie die Banken ihre Geschäfte führen.

Tatsächlich ist laut einer Studie von ResearchAndMarkets der Finanz- und Bankensektor weltweit einer der größten Nutzer von Edge Computing. Die zunehmende Akzeptanz digitaler und mobiler Banking-Initiativen und Zahlung durch Wearables erhöhen hier die Nachfrage nach Edge-Computing-Lösungen deutlich. Solche Wearables sind zum Beispiel die Apple Watch, Fitbit oder das Smartphone. Denn um die Vorteile der IoT-Technologien nutzen zu können, müssen die Banknetze so sicher und zuverlässig wie möglich sein. Aber IoT-Geräte selbst sind schwer zu sichern. Denn um das Sicherheitsniveau zu erzielen, das für Bankanwendungen erforderlich ist, sind fortschrittliche kryptografische Algorithmen erforderlich. Diese rechenintensiven Operationen sind für IoT-Geräte allerdings nur aufwändig umzusetzen.

Aus diesem Grund empfiehlt sich der Einsatz von Sicherheitsagenten in der Edge. Das kann zum Beispiel ein Router oder eine Basisstation sein. Die in der Nähe der Nutzer installiert werden, um Sicherheitsalgorithmen zu verarbeiten und Daten von und zu IoT-Geräten zu verschlüsseln. So können Kunden auch mit eher einfachen Wearables sichere Bankgeschäfte tätigen. Doch durch den zunehmenden Einsatz von IoT-Geräten zur Abwicklung von Bankgeschäften und Zahlungen wächst der Bedarf an der Speicherung und Verarbeitung von Daten in Edge-Rechenzentren. Da sie näher am Benutzer sind, ermöglichen diese Mikro-Rechenzentren die Verarbeitung von Daten näher an der Quelle. Das senkt die Reaktionszeiten des Systems (Latenz) und reduziert die Kosten für die Datenübertragung. So geht das Zahlen mit dem Smartphone genauso schnell – oder sogar schneller – wie mit Bargeld aus dem Portemonnaie.

The post Edge Lösungen im Consumer-Bereich appeared first on Future Markets Magazine.