Embedded AI: Integration von KI-Algorithmen in Systeme
Durch die Integration von Künstlicher Intelligenz (KI) in Regelungssysteme kann sowohl eine Effizienzsteigerung erzielt als auch die Funktionalität von Produkten entscheidend verbessert werden. Besonders in Embedded Systemen kann KI einen großen Mehrwert bieten, etwa dabei eingehende Daten auszuwerten, den Status Quo zu erkennen sowie darauf basierende Entscheidungen zu treffen. Auch von der KI-unterstützten Fehlererkennung, vorausschauenden Wartung und energieeffizienten Optimierung profitieren Ingenieure bei der Entwicklung innovativer Lösungen.
Um das volle Potenzial selbstlernender KI-Algorithmen nutzen zu können, gilt es Herausforderungen zu überwinden – etwa die Verarbeitung großer Datenmengen und der damit verbundenen hohen Rechenleistung bei Beachtung aller Rahmenbedingungen, wie Genauigkeit, Robustheit und Ressourcennutzung. Genau hier setzen wir an und bieten unseren Kunden maßgeschneiderte Lösungen, um KI erfolgreich in Produkte zu integrieren und ein zuverlässiges System zu gewährleisten.
Kompetenter Partner in Embedded Systemdesign und KI-Entwicklung
Mit fundiertem Wissen und Erfahrung in Embedded Systemen, maschinellem Lernen, sowie Edge- und Cloud-Technologien kombinieren wir bewährte Ansätze mit modernsten Methoden. Unsere Lösungen reichen von der frühen Konzeptphase bis zur Entwicklung einer effizienten KI-Architektur. Jeder Prozessschritt wird auf die Anforderungen unserer Kunden angepasst, unter Einhaltung von Gesetzen und Industriestandards wie z.B. EU AI Act, MISRA, ISO 8800.
Unsere Services im Überblick:
Konzeptentwicklung
Auswahl der Hardware- / KI-Modellarchitektur
Beratung und Implementierung zum Datenmanagement und zur Dateninfrastruktur (MLOps, IS/IEC42001)
Entwicklung und Optimierung KI-basierter Algorithmen
Maßgeschneiderte Bereitstellungs- und Qualitätsicherungslösungen (Deployment, FuSi, Testing)
Unsere Methodenkompetenz für Ihre Embedded AI Lösung
Ressourcenbewusste Optimierung der Performance
Da Rechenressourcen auf Embedded Hardware meist begrenzt sind, ist die Optimierung von RAM, ROM, CPU-Zeit und Energieverbrauch häufig das primäre Ziel in der KI-Entwicklung. Die Auswahl und Vorverarbeitung von Daten und Funktionen hilft dabei, die Komplexität zu reduzieren. Die Datenverarbeitung ist strategischer Ausgangspunkt, um einerseits eine Generalisierung zu ermöglichen und andererseits eine Überanpassung (Overfitting) zu verhindern. Weiterführende Trainingsoptimierungen wie eine gut gewählte Modellarchitektur, Quantisierung und Pruning sowie die Implementierung einer effizienten Inferenz-Pipeline reduzieren die benötigten Rechenressourcen.
Prototyping und Validierung
Frühe Tests von Embedded AI Funktionen mit Prototypen unter realen Bedingungen sind unerlässlich, um Zuverlässigkeit, Leistung und Benutzerzufriedenheit zu gewährleisten. Dies ermöglicht es, Probleme rechtzeitig zu identifizieren sowie die Ressourcennutzung zu verbessern, um ein effektiveres und robusteres Produkt zu generieren. Für Tests unter realen Bedingungen wird der Algorithmus auf die Hardware gebracht, ohne Eingriff auf das Zielsystem zu nehmen (Shadow Mode).
Intelligentere Regelung mit KI
Parameterschätzung: Mit Tools wie ITK SmartSearch können die bestmöglichen Parameter des Systems bestimmt und somit die Performance gesteigert werden.
Supervised Learning kann die Genauigkeit von Zustandsschätzern verbessern oder regelbasierte Steuerungen durch KI-Systeme ersetzen, die vergleichbare Leistung bei geringerem Ressourcenbedarf bieten.
Reinforcement Learning ermöglicht die Erstellung von leistungsfähigen Regelungssystemen von Grund auf, wobei weniger Domänenkenntnisse erforderlich sind.
Hybride Ansätze, die KI mit traditionellen Methoden wie Model Predictive Control kombinieren, bekämpfen Nichtlinearität und Unsicherheit effektiv.
Ein Blick in unsere Referenzprojekte
Reinforcement Learning für 2 Räder
Herausforderung: Unser Kunde möchte einen ressourcenschonenden, modernen KI-Algorithmus einsetzen, um sein aktuelles System zu verbessern und gleichzeitig die Entwicklungsgeschwindigkeit zu erhöhen. Der Einsatz von KI in der 2-Rad-Industrie ist mit vielen sicherheitskritischen Anforderungen, sowie sehr begrenzten Rechenressourcen auf dem Steuergerät verbunden, und wird durch häufige Systemwechsel erschwert.
Unser Lösungsweg: Um eine nichtlineare Fahrfunktionalität zu entwickeln, haben wir eine Closed-Loop-Simulation eingesetzt, um einen KI-basierten Regelungsalgorithmus mit Reinforcement Learning zu trainieren. Die Einrichtung eines an das Steuergerät angeschlossenen Edge-Geräts half, einen schnellen Prototypen-Test inklusive Nachtraining in der echten Welt zu etablieren, um Simulationsabweichungen zu minimieren. Die Bereitstellung und Hardware-spezifische Optimierung der trainierten KI erfolgte mit dem ETAS Embedded AI Coder zur Gewährleistung der Sicherheitskonformität, wie z.B. ISO 26262 und MISRA.
Kundenmehrwert: Dieses leicht anpassbare Simulations- und Echtwelt-Setup inklusive des ETAS Embedded AI Coder ermöglichte es unserem Kunden einen KI-Algorithmus zu trainieren, zu optimieren und einzusetzen, während dabei die Software-Komplexität reduziert wurde.
Von der Forschung zur Anwendung: Produktionsreife KI-Modelle für Embedded AI Systeme
Herausforderung: Aus den überwiegend homogenen Daten des Kunden muss ein ausgewogener Datensatz für das Training und die Evaluierung einer KI erstellt werden. Aufgrund des breiten Einsatzbereichs der KI auf verschiedene Produktausführungen und Umgebungsbedingungen, ist eine gute Generalisierung des Modells wichtig. Dabei muss das Modell auf einem Embedded System unter strengen Hardwarevorgaben laufen. Außerdem ist ein umfassendes Bild der Performance und Zuverlässigkeit unter realen Bedingungen notwendig.
Unser Lösungsweg: Ein maßgeschneidertes Dashboard bildet Statistiken der vorhandenen Daten ab und ermöglicht mit Hilfe eines Entropie-Algorithmus, einen balancierten Datensatz für das Training zu erstellen. Durch gezielte Analysen und Experimente werden für die Generalisierung relevante Datenmerkmale destilliert. Davon ausgehend werden neue, angepasste Datenkampagnen geplant und durchgeführt. Das KI-Modell wird speziell für die Zielhardware optimiert und eingesetzt. Um den Testaufwand zu minimieren, wird der Schattenmodus verwendet. Dabei wird das Modell auf das Produkt des Endkunden gebracht und mit realen Sensordaten versorgt, ohne die Ausgabe der KI zu verwerten. Potenzielle Ausreißer werden anschließend in die Cloud geladen und ermöglichen eine automatisierte Verbesserung der KI.
Kundenmehrwert: Eine KI, die für alle Anwendungsfälle robust läuft, führt zu Kosteneinsparungen und einen zuverlässigen Betrieb. Durch das Sammeln relevanter Daten werden unnötige, teure Datenkampagnen gespart und ein echter Mehrwert generiert. Durch das umfangreiche Testen unter realen Bedingungen wird Vertrauen in die KI-Anwendung geschaffen.
Vorteile
Fachwissen in Embedded, Edge- und Cloud-Technologie
KI-Entwicklung und -Validierung
Langjährige branchenübergreifende Erfahrung
Ungelöste Herausforderungen? Wir freuen uns auf Ihre Anfrage.
Expertise – Data Engineering & Künstliche Intelligenz
