Autonome Systeme als Chance für die Zukunft begreifen

Michelle Hirsch von MathWorks über die Entwicklung und den Nutzen von Autonomen Systemen

Autonome Systeme werden in naher Zukunft beinahe jeden Lebensbereich unserer modernen Gesellschaft berühren. Sie werden die Produktion maßgeblich verändern, aber sie werden auch das Arbeitsleben und Geschäftsstrategien deutlich beeinflussen, denn mit zunehmender Fähigkeit der Maschinen, uns alltägliche Dinge abzunehmen, bleiben den Menschen mehr Kapazitäten für kreative Arbeit. Was Autonome Systeme von bereits bestehenden automatisierten Systemen unterscheidet, welche Voraussetzungen für ihre Entwicklung erfüllt werden müssen und welches Potential sie mit sich bringen, ist ein Schwerpunktthema auf der diesjährigen MATLAB EXPO am 27. Juni in München. So erläutert Michelle Hirsch, Head of MATLAB Product Management bei MathWorks, diese Fragestellungen in ihrer Keynote „How to build an Autonomous Anything“.

Autonome Systeme in der Gesellschaft

„Der Begriff «Autonome Systeme» wird oft mit selbstfahrenden Autos, intelligenten Robotern oder automatisch navigierenden Drohnen in Verbindung gebracht“, meint Michelle Hirsch. „Doch Autonome Systeme haben auf ein viel breiteres Spektrum unseres täglichen Lebens Einfluss – etwa in Form einer Erntemaschine, die 300 Tonnen Getreide pro Stunde erntet und gleichzeitig in einen nebenherfahrenden Container ablädt. Dank Autonomer Systeme kann eine Gaspumpstation mit Predictive-Maintenance-System Schwachstellten erkennen und melden, bevor es zum Schaden kommt. Es kann aber auch ein automatisches Insulin-Infusionssystem sein, das es Diabetes-Patienten erleichtert, ihren Blutzuckerwert zu kontrollieren.“ Für die Entwicklung hin zu autonomer Technologie in nahezu jedem Bereich unseres Lebens sieht Hirsch drei treibende Kräfte: „Die Verfügbarkeit ständig steigender Rechenleistung und von Sensor-Technologie für die Datenerfassung und -Verarbeitung, Fortschritte in der Algorithmen-Entwicklung für die Analyse von Big Data sowie die Flexibilität, sowohl Cloud-Systeme als auch Embedded-Geräte für den Einsatz autonomer Technologie zu nutzen.

Der feine Unterschied zwischen Automation und Autonomer Technologie

Autonome Systeme eröffnen aufgrund ihrer Funktionalität und Anpassungsfähigkeit die Möglichkeit für vielfältige Einsatzmöglichkeiten in der Industrie, in der Forschung und im alltäglichen Leben. Der Einsatz autonomer Technologien in bestehenden Produkten oder Dienstleistungen erhöht den Wettbewerbsvorteil des Herstellers, beispielsweise durch steigende Effizienz, höhere Flexibilität sowie Zeit- und Kosten-Einsparungen. Doch was genau sind Autonome Systeme und wie unterscheiden sie sich von herkömmlichen Maschinen?

Autonome Systeme besitzen die Fähigkeit, selbstständiges Handeln erlernen zu können. Darin ähneln sie stark automatischen Systemen, die in der industriellen Produktion bereits weit verbreitet sind. Der Unterschied liegt in der Fähigkeit, dieses selbstständige Handeln auch unter unbekannten Bedingungen ausführen zu können. Ein automatisierter Roboter ist in der Lage, in einer kontrollierten Umgebung bestimmte Handlungen selbstständig auszuführen. Ein autonomer Roboter kann sich darüber hinaus in unbekannten Umgebungen ohne menschliche Steuerung zurechtfinden und diese erforschen.

Wie ein autonomes System entsteht

Diese Fähigkeit, auf Neues zu reagieren und selbstständig zu handeln, bedarf hoher technischer Leistungen. So erklärt Michelle Hirsch: „In meiner Keynote auf der MATLAB EXPO möchte ich Ingenieuren zeigen, wie sie Autonome Technologien in ihre Arbeit integrieren können. Um zum Beispiel ein selbstfahrendes Auto zu entwickeln, muss man es als erstes mit der Fähigkeit zur Sinneswahrnehmung ausstatten, zum Beispiel mit Kameras, GPS, Infrarot-Sensoren zur Erkennung von Distanzen und Bewegungen von Objekten und LIDAR, um ein 3D-Modell der Umgebung zu erstellen.
All diese einzelnen Daten müssen nun zu einem kohärenten Bild zusammengefügt und interpretiert werden. Genau bei diesem Punkt kommen Autonome Technologien ins Spiel. Da die Verkehrssituation auf den Straßen stets unterschiedlich ist, müssen Algorithmen entwickelt werden, die unbekannte Daten analysieren und verstehen können. Mithilfe von Deep-Learning- und Machine-Learning-Algorithmen können autonome Fahrzeuge die Situation auf der Straße einschätzen und sogar identifizieren, welche Fußgänger aufmerksam sind und welche nicht.
Anschließend folgt der Prozess der Entscheidung, etwa ob das Fahrzeug bremst oder die Spur wechselt. Auch hier kommen Algorithmen zum Einsatz. Mit jeder getroffenen Entscheidung wird der Erfahrungsschatz des Systems größer und der Entscheidungsprozess wird optimiert. Deshalb ist es wichtig, dass ein System viele Tausende von Testkilometer zurücklegt, um immer sicherer in seinen Entscheidungen zu werden.“

Für die Einführung von Autonomen Systemen vertritt Hirsch einen inkrementellen Ansatz: von deterministisch kontrollierten zu überwachten bis hin zu automatisiertem Betrieb und schließlich zu völlig autonomen adaptiven Systemen. Allein aus praktischen und sicherheitsrelevanten Überlegungen ergibt sich diese schrittweise Vorgehensweise, im Zuge derer Entwickler und Anwender lernen, mit den neuen Technologien umzugehen und diese gewinnbringend einzusetzen.

Autonome Systeme als Entlastung für Menschen

Noch befinden sich die ersten autonom fahrenden Autos in der Testphase, doch andere Autonome oder Teil-Autonome Systeme sind bereits erfolgreich im Einsatz. „Autonome Technologie ermöglicht es uns, Verantwortung für eine Vielzahl von Entscheidungen auf Computer zu übertragen“, so Michelle Hirsch. „Das gibt Menschen die Möglichkeit, ihre Zeit für die Dinge zu nutzen, die ihnen wichtig sind. Gut trainierte Computer können konstantere Leistung erbringen als Menschen und so zum Beispiel im Straßenverkehr für mehr Sicherheit sorgen. In anderen Bereichen ist es nicht das Ziel, die Verantwortung komplett an Maschinen zu übertragen. Dennoch können Autonome Systeme auch in diesen Bereichen die Menschen teilweise entlasten. Diese Zeit können wir nicht nur als Freizeit nutzen, sondern auch, um an neuen Entwicklungen zu forschen oder neue Business-Strategien zu entwickeln. Auch können Autonome Systeme Aufgaben übernehmen, die für Menschen zu gefährlich sind und so für mehr Sicherheit für Hersteller sorgen.“

 

Mehr Informationen zur Entwicklung Autonomer Systeme und konkrete Anwendungsbeispiele gibt Michelle Hirsch in ihrer Keynote “How to build an Autonomous Anything“ auf der MATLAB EXPO am 27. Juni 2017 in München.

Unter www.matlabexpo.de können Sie sich kostenfrei für die MATLAB EXPO registrieren.

Updates für Automatisiertes Fahren und Maschinelles Lernen

MathWorks stellt Release 2017a der MATLAB- und Simulink-Produktfamilien vor

Aachen/München, 9. März 2017MathWorks stellt heute Release 2017a (R2017a) mit einer Reihe neuer Funktionen in MATLAB und Simulink vor. R2017a enthält ein neues Produkt, die Automated Driving System Toolbox, für den Entwurf, die Simulation und das Testen von fortgeschrittenen Fahrerassistenzsystemen (ADAS) und automatisierten Fahrsystemen. R2017a enthält zudem Neuerungen im Bereich Big Data Analytics und Machine Learning ebenso wie Aktualisierungen für 86 vorhandene Produkte.

Neue Funktionen für Automatisiertes Fahren

Das Release 2017a umfasst die neue Automated Driving System Toolbox für das Design und Testen von ADAS und autonomen Fahrsystemen. Sie stellt neue Funktionen zur Entwicklung von Sensor-Fusion- und Tracking-Algorithmen bereit, die den Anwendern helfen, durch das Zusammenführen von Sensordaten aus komplementären Quellen neue und präzisere Kenntnisse über einzelne Verkehrssituationen zu erlangen. Anhand von generierten Verkehrsszenarien und synthetischen Sensordaten lassen sich Algorithmen testen und validieren. Mit weiteren Funktionen können komplette Kamera-, Radar- und Lidar-basierte Sensoren entwickelt werden. Durch die automatische Generierung von Code für den Sensorfusions- und Verfolgungs-Workflow lässt sich wertvolle Entwicklungszeit einsparen.

Von Data Analytics zu Maschinellem Lernen

Ein weiterer Fokus des R2017a liegt auf neuen Funktionen für Data Analytics, Machine Learning und Deep Learning. Neue Tools erleichtern die Skalierung und schnellere Ausführung von Algorithmen in MATLAB und Simulink. Dieser Vorteil kommt beispielsweise zum Tragen, wenn Anwender große Mengen an Bilddaten analysieren möchten, um Algorithmen zur Objekterkennung zu entwickeln.

Mit dem neuen Update ist es möglich, neuronale Netze vollständig selbst zu trainieren oder Transfer Learning mit vortrainierten Modellen zu verwenden, die bereits Tausende von Objekten erkennen. Anwender können das Training mit GPUs auf ihrem Multi-Core Computer oder durch Skalierung in der Cloud beschleunigen.

Das Update umfasst zudem Frameworks zur Objekterkennung, die helfen, Objekte mit Deep Learning noch präziser lokalisieren und klassifizieren zu können. Funktionen für Maschinelles Lernen sind bereits in die Classification Learner App integriert und helfen bei der Klassifizierung von Objekten. Ergänzt wird sie durch die neue Regression Learner App zum Trainieren von Regressionsmodellen mit überwachtem maschinellem Lernen.

Big Data leichter verarbeiten

Bei der Bearbeitung großer Datenmengen stehen Anwender oft vor technischen Problemen, etwa wenn sie Algorithmen entworfen haben und diese skalieren möchten, die Daten aber nicht in den Arbeitsspeicher passen. Zur leichteren Bearbeitung von Big Data wurden im Release 2016b Tall Arrays eingeführt, die bei großen Datenmengen dennoch eine vertraute Syntax bieten. Mit dem Release 2017a werden Tall Arrays auch in vielen Machine-Learning-Funktionen unterstützt.

Leichteres Arbeiten mit Simulink in der Cloud

Auch in Simulink erleichtern Neuerungen des umfassenden Updates die Arbeit mit großen Datenmengen. Zum Beispiel ist es nun möglich, Eingangssignale aus MAT-Dateien zu streamen anstatt sie in den Arbeitsspeicher laden zu müssen. Zudem können Nutzer nun mithilfe des parsim-Befehls mehrere Simulationen parallel ausführen – entweder auf dem eigenen PC oder in der Cloud.

Auf der embedded world 2017 in Nürnberg, 14.-16. März, können Sie sich auf dem MathWorks-Stand (Halle 4, Stand 110) persönlich mit einem Ansprechpartner austauschen

Updates der MATLAB-Produktfamilie:

  • MATLAB
    • Interaktive Aktualisierungen von Abbildungen im Live Editor (einschließlich des Titels, der Beschriftungen, der Legende und weiterer Anmerkungen) sowie die Möglichkeit, Live-Script-Ausgaben in andere Anwendungen zu kopieren
    • Heatmap-Diagrammfunktionen für die Datenvisualisierung
    • Mehr Funktionen für die Arbeit mit Tall Arrays, darunter ismember, sort, conv und Funktionen für sich bewegende Statistiken
  • Econometrics Toolbox
    • Bayes‘sches lineares Regressionsmodell zum Analysieren der Beziehung zwischen einem Ausgang und einer Reihe von Prädiktorvariablen
    • Vektorautoregressives Modell zum Analysieren von Daten multivariater Zeitserien, einschließlich exogener Prädiktoren
  • MATLAB Production Server
    • Webbasiertes Servermanagement-Dashboard für die IT-Konfiguration und -Steuerung
  • Neural Network Toolbox
    • Deep-Learning-Algorithmen zum Trainieren von neuronalen Faltungsnetzwerken (CNNs) für Regressionsaufgaben mit mehreren GPUs auf PCs, auf Clustern und in der Cloud
    • Deep-Learning-Visualisierung für die von einem CNN-Modell erlernten Funktionen mithilfe von Bildoptimierung
    • Funktionen zur Übertragung von Gewichtungen von vortrainierten CNN-Modellen (AlexNet, VGG-16 und VGG-19) und Modellen von Caffe Model Zoo
  • Statistics and Machine Learning Toolbox
    • Regression-Learner-App zum Trainieren von Regressionsmodellen mit überwachtem maschinellem Lernen
    • Tall-Array-Algorithmen für Support Vector Machine (SVM) und naive Bayes-Klassifikation, Entscheidungsbäume mit Bagging sowie Lasso-Regression
  • Computer Vision System Toolbox
    • Deep Learning zur Erkennung von Objekten mit Fast R-CNN und Faster R-CNN
  • Automated Driving System Toolbox
    • Neues Produkt für den Entwurf, die Simulation und das Testen von fortgeschrittenen Fahrerassistenzsystemen (ADAS) und automatisierten Fahrsystemen

Updates der Simulink-Produktfamilie:

  • Simulink
    • Simulink-Projektupgrade für die leichte Aktualisierung aller Dateien in einem Projekt auf das aktuelle Release
    • parsim-Befehl für die direkte Ausführung mehrerer paralleler Simulationen
    • Streaming für umfangreiche Eingangssignale von MAT-Dateien, ohne dass die Daten in den Arbeitsspeicher geladen werden
    • Reduzierte Busverdrahtung zur schnellen Gruppierung von Signalen in Busse und zur automatischen Erstellung von Buselement-Ports, um weniger Signalleitungen zwischen und innerhalb von Subsystemen zu benötigen
    • Automatische Port-Erstellung zum Hinzufügen eingehender und ausgehender Ports zu Blöcken beim Routing von Signalen
  • Simscape Multibody
    • Laufzeitparameter für die Beschleunigung von Simulationsaufgaben und für das Verändern von Komponenten-Parameterwerten ohne erneute Generierung des C-Codes
    • Onshape-CAD-Import zur Verwendung cloudbasierter CAD-Baugruppen in der Mehrkörpersimulation

Zu den Signalverarbeitungs- und Kommunikations-Updates gehören:

  • Antenna Toolbox
    • Antenna Designer-App für die interaktive Auswahl und Analyse von Antennen mit den gewünschten Eigenschaften
  • Communications System Toolbox
    • Modellierung und Simulation für räumlich definierte MIMO-Kanäle in Mehrweg- und Streuungs-Übertragungsszenarien
  • LTE System Toolbox
    • MATLAB-Funktionen zum Simulieren von neuen 3GPP 5G-Mobilfunk-Technologien
    • Sidelink-Empfangsfunktionalität für die Simulation direkter Kommunikation über LTE-A ProSe auf Link-Ebene für Anwendungen in der öffentlichen Sicherheit und der Fahrzeugkommunikation
  • WLAN System Toolbox
    • Unterstützung der Generierung von Wellenformen gemäß IEEE 802.11ad

Zu den Codegenerierungs-Updates gehören:

  • Embedded Coder
    • Release-unabhängige Code-Integration zur Wiederverwendung von generiertem Modell-Referenzcode aus früheren Releases
  • Simulink Coder
    • Unterstützung von dynamisch zugewiesenem Arbeitsspeicher für die Simulation von MATLAB-Funktionsblöcken und die Codegenerierung
  • HDL Coder
    • Generierung von HDL-Code aus Gleitkommaoperationen mit einfacher Genauigkeit nach IEEE-Standard
  • HDL Verifier
    • Unterstützung der Abtastung und Erfassung interner FPGA-Signale zur Analyse in MATLAB oder Simulink

Zu den Verifikations- und Validierungs-Updates gehören:

  • Polyspace Bug Finder
    • Codeüberprüfung für MISRA C:2012 Amendment 1 und neue Kryptografie-Routinen
  • Simulink Verification and Validation
    • Verbesserungen bei der Klon-Erkennung für die Refaktorierung wiederholter Bibliotheksmuster und Subsystem-Klone
    • Unterstützung von DOORS Next Generation für die Verknüpfung von Modellelementen mit Anforderungen und die entsprechende Nachverfolgung in DOORS Next Generation
  • Simulink Design Verifier
    • Virtualisierung der Auswirkungen des Timings von Zustandsaktivitäten auf die Slicer-Hervorhebung für Simulationen
  • Simulink Code Inspector
    • Unterstützung von Schleifen- und Zyklus-Operationen in MATLAB, Simulink und Stateflow

R2017a ist ab sofort weltweit erhältlich. Weitere Informationen siehe R2017a Highlights.

Folgen Sie @MATLAB auf Twitter, um mitzuverfolgen, was bei R2017a neu ist, oder klicken Sie auf der MATLAB Facebook-Seite auf „Gefällt mir”.

.