Skip to content

3 Plattformen für Künstliche Intelligenz in Embedded Systemen in 2024

Das Jahr 2024 markiert einen weiteren Meilenstein in der Evolution der eingebetteten Systeme und der Anwendung von Künstlicher Intelligenz (KI) in verschiedenen Industriezweigen.

Während viele Branchen noch rätseln, wie sie ChatGPT und Co. einsetzen, haben Hersteller von Elektronik längst Fakten geschaffen und leistungsstarke Plattformen zur Verfügung gestellt um KI-Applikationen umzusetzen. Für Unternehmen ermöglicht die Integration von KI in Embedded-Systemen neue Möglichkeiten und verbessert die Effizienz in vielen Anwendungen. Hier sind drei führende Plattformen für Künstliche Intelligenz in Embedded-Systemen, die im Jahr 2024 besonders hervorstechen.

Renesas RA8 Series Mikrocontroller - Cortex M85-basiert

Die Renesas RA8 Series Mikrocontroller sind aufgrund ihrer bemerkenswerten Leistungsfähigkeit und Energieeffizienz eine vielversprechende Wahl für industrielle Anwendungen. Diese 480 MHz Mikrocontroller basieren auf dem Cortex M85-Kern und bieten eine optimale Balance zwischen Rechenleistung und Stromverbrauch. Dies ermöglicht den Einsatz in energieeffizienten Anwendungen, die langlebige Batterien erfordern.

Die RA8-Serie von Renesas bietet eine breite Palette von Peripheriefunktionen und Schnittstellen, was die Implementierung von KI-Algorithmen und Machine Learning Modellen erleichtert. Dadurch können Entwickler komplexe Aufgaben wie Bilderkennung, Datenanalyse und mehr in eingebetteten Systemen realisieren. Diese Plattform ist somit ideal für industrielle Anwendungen geeignet, bei denen Echtzeitverarbeitung und geringer Energieverbrauch von entscheidender Bedeutung sind.

Der RA8 ist ein Mikrocontroller, kein Prozessor. Das bedeutet, dass er in Sachen Energieverbrauch, Ressourceneffizienz, Echtzeitfähigkeit und Geschwindigkeit anders einzuordnen ist. Die Analyse komplexer Video-Daten wird dem RA8 schwerfallen. In der Aufnahme, Verarbeitung und Klassifikation komplexer Sensordaten wird der RA8 vermutlich seine Stärken am besten Ausspielen können. Damit ist der Anwendungsrahmen insbesondere der industrielle Bereich rund um Produkte für die Automatisierungstechnik, Industrie 4.0, die Regel-, Mess- und Sensortechnik, sowie Stell- und Steuerungssysteme für Verkehrs- und Leittechnik.

Renesas verfolgt ein spannendes Konzept zum Analysieren und Trainieren der Daten direkt in seiner IDE. Die M85-Controller werden durch das Flexible Software Package (FSP) von Renesas unterstützt. Das FSP ermöglicht eine schnellere Anwendungsentwicklung, indem es die gesamte benötigte Infrastruktursoftware bereitstellt, einschließlich mehrerer RTOS, BSP, Peripherie-Treiber, Middleware, Konnektivität, Netzwerk- und Sicherheits-Stacks sowie Referenzsoftware zur Erstellung komplexer KI-, Motorsteuerungs- und Grafiklösungen. Kunden können ihren eigenen Legacy-Code und das von ihnen gewählte RTOS in das FSP integrieren und erhalten so volle Flexibilität bei der Anwendungsentwicklung. 

KI-Explore-Plattform für Renesas Controller

 

TI TDA4VM Jacinto Multicore-Prozessor - Quadcore A72 mit GPU

Der TI TDA4VM Jacinto Multicore-Prozessor ist eine leistungsstarke Plattform, die auf einem Quadcore ARM Cortex-A72-Prozessor basiert und zusätzlich eine integrierte GPU bietet. Diese Plattform ist speziell auf die Verarbeitung von sensorbasierten Daten und die Bildverarbeitung ausgelegt, was sie ideal für Anwendungen wie autonomes Fahren, ADAS (Advanced Driver Assistance Systems) und Robotik macht.

Die GPU des TDA4VM ermöglicht die Beschleunigung von KI-Algorithmen, was die Echtzeitverarbeitung von Daten und die Erkennung komplexer Muster erleichtert. Durch die Integration von Schnittstellen für Kameras, Radar und andere Sensoren bietet diese Plattform Entwicklern die Flexibilität, fortschrittliche KI-Funktionen in ihre Produkte zu integrieren.

Blockschema für TI TDA4VM

Ein leider immer wieder aufkommender Nachteil bei der Verwendung von TI-Komponenten ist die Reife der Software-Stacks. So fehlen TI für viele Produkte gut durch supportete Stacks. Auch der Support zum Deep Learning Accelerator ist im Wesentlichen ausschließlich durch langwierige Foren-Unterstützung gewährleistet. 

Dafür ist der Anwendungsrahmen von TI-Produkten in der Regel sehr weit gefächert. Viele intrinsische Funktionen könnten Produkte mit TI-Prozessoren zu funktional sicheren und cyber-resilienten Systemen machen, was sich insbesondere durch den Support bis SIL-3 bemerkbar macht. 

Der Support durch TÜV und Co. macht damit den Jacinto zu einem leistungsfähigen CPU für autonome Systeme im Fahrzeug-, Bahn- oder Mobilitätskontext.

 

Xilinx UltraScale+ - FPGA-basierte AI-DPU

AMD bzw. Xilinx UltraScale+ ist eine Plattform, die auf FPGA-Technologie basiert und speziell für hardwarebeschleunigte KI-Anwendungen entwickelt wurde. Sie ist definitiv nicht neu und im Markt bereits enorm verbreitet und erprobt. Dennoch ist sie insofern hervorzuheben, weil sie durch die enorme Reife bereits viele standardisierte Edge-Kits hervorgebracht hat.

Mit einer integrierten AI-DPU (Deep Learning Processing Unit) bietet diese Plattform die Leistung und Flexibilität, um Deep Learning-Algorithmen in Höchstgeschwindigkeit auszuführen.

Die FPGA-Struktur erlaubt es Entwicklern, ihre KI-Modelle maßgeschneidert anzupassen und an die spezifischen Anforderungen ihrer Anwendungen anzupassen. Dies ermöglicht die Nutzung von hardwarebeschleunigtem Deep Learning in verschiedenen Branchen, einschließlich Bildverarbeitung, medizinischer Diagnose, industrieller Automation und mehr.

Auf dem Xilinx Zynq UltraScale+ sind verschiedene Hardware-Ressourcen wie z.B. LUTs, digitale Signalprozessoren (DSP), und Register vorhanden. Diese werden von der Computing Engine verwendet, um die gewünschten Funktionen, welche vom Ingenieur voreingestellt wurden, zu realisieren. Die DPU kann im Rahmen des FPGA-Blockdesigns hinzugefügt werden. Es muss ein Workflow umgesetzt werden, damit das dann vorhandene Blockdesign in Kombination mit dem Multicore-System für AI-Anwendungen zu nutzen ist. Auf dem Betriebssystem können AI-Tools wie Tensorflow eingesetzt werden. Damit bietet AMD / Xilinx eine gute Möglichkeit gängige KI-Tools auf hardwarebeschleunigten Systemen einzusetzen. Xilinx nutzt eine eigene Linux-Distribution mit dem Namen Petalinux, die auf Yocto und einem proprietären Teil basiert.

Xilinx KI-Workflow auf Basis Vitis / Vivado
 
Xilinx hat mit Kria darüber hinaus ein standardisiertes Edge-Kit zur Verfügung gestellt, welches einerseits erschwinglich ist, andererseits eine Reihe von nützlichen Schnittstellen wie HDMI, USB 3.0 oder Ethernet vorweisen kann. 
Kria-Plattform von AMD / Xilinx
 
Xilinx UltraScale+ Plattformen sind immer dann spannend, wenn Hochperformanz-Anforderungen bei extrem niedrigen Durchsatzzeiten von Interesse sind. Als reines Edge-Kit ist der Xilinx UltraScale+ vermutlich überdimensioniert. Mit einem geeigneten Kontext, idealerweise einem solchen, bei dem hohe Verarbeitungsgeschwindigkeiten vonnöten sind, eignet es sich daher naturgemäß für die Bahnindustrie, die Luftfahrt und Weltraumtechnik sowie die Militärtechnik.
 
Zusammenfassung

KI ist und bleibt in aller Munde. Um Herstellern in der Industrie ebenfalls einen Rahmen zu schaffen, KI erfolgreich einzusetzen, sind Embedded Systems ein denkbarer Ansatz. So können mit verhältnismäßig einfachen Mitteln Schnittstellen in Geräten geschaffen werden, die den Eintrag von KI-relevanten Daten für das Lernen und Synthetisieren von neuronalen Netzen ermöglichen.

Kommentieren