Optimierung

ZusammenfassungEingebettete Systeme müssen hinsichtlich der in diesem Buch betrachteten Bewertungskriterien effizient sein.

Ein Modellierungsansatz für eine Systemarchitekturbeschreibung von Automotive-Systemen mit MARTE und SysML

Zusammenfassung Eine Systemarchitektur sollte die entsprechenden Funktionen, Dienste und Einschränkungen des Systems unter verschiedenen und verständlichen Beschreibungen darstellen. In dieser Arbeit werden Strategien für Architekturentwurfe vorgestellt und für Echtzeit- und Eingebettete Systeme (RTES) analysiert. In diesem Artikel präsentieren wir ein praktisches Entwurfsmodell einer Architektur für Automobilsysteme anhand von sogenannten Entwurfs-Sichtweisen. Modelle werden in den operativen, funktionalen, logischen und technischen Sichtweisen eines Systems betrachtet und können bei frühen Entwurfsbeschreibungen mehrere funktionale und nicht funktionale Eigenschaften von RTES darstellen. Der vorgeschlagene Ansatz wird in einer industriellen Fallstudie im Automobilbereich evaluiert. Zusätzlich zur Definition der Sichtweisen stellt diese Untersuchung einen spezifischen Rahmen für die RTES-Entwicklung vor. Diese Strategie des Entwurfs kann die Eigenschaften der RTES hervorheben und das System auf verschiedenen Abstraktionsebenen beschreiben. Darüber hinaus wird durch Experteninterviews aus den jeweiligen Systementwurfsdomänen eine Qualitative Bewertung vorgenommen, um zu analysieren, ob die Modelle der entsprechenden Sichtweisen das erwartete und gewünschte Systemverhalten repräsentieren.

Machine Learning für Sensoren

Von der Waschmaschine über Blutdruckmessgeräte bis hin zu Wearables – Mikrocontroller sind in fast jedem technischen Gerät verbaut. Mit „AIfES“ ist Forscherinnen und Forschern am Fraunhofer-Institut für Mikroelektronische Schaltungen und Systeme IMS in Duisburg jetzt die Entwicklung einer sensornahen Künstlichen Intelligenz für Mikrocontroller und eingebettete Systeme gelungen, die ein voll konfigurierbares künstliches neuronales Netz umfasst. AIfES soll die Möglichkeit bieten, kleine intelligente Mikroelektroniken und Sensoren zu entwickeln, die keine Verbindung zu einer Cloud oder zu leistungsfähigeren Computern benötigen und sogar in der Lage sind, selbst zu lernen.