MATLAB EXPO 2017 DEUTSCHLAND

MathWorks Demo-Stationen

Entwicklung eines Cloud-basierten "Personenzählers" mit MATLAB

Erfahren Sie, wie Sie MATLAB® verwenden können, um einen Cloud-basierten „Personenzähler“ zu erstellen. Dieses Beispiel verwendet eine USB-Webcam und die Computer Vision System Toolbox ™, um Gesichter in einem Video-Feed zu erkennen. Die Internet of Things (IoT) Plattform ThingSpeak™ wird als Cloud-basiertes Tool eingesetzt, um die Anzahl der Personen in den Videobildern aufzuzeichnen. Besuchen Sie diesen Demo-Stand, um zu sehen und zu diskutieren, wie MATLAB verwendet wird um:

  • eine Echtzeit-Objekterkennung mit Live-Video-Erfassung durchzuführen,
  • Merkmale in einem Video zu extrahieren und die Anzahl der Vorkommen zu zählen,
  • eine Cloud-basierte Visualisierung mit Live-Daten zu erstellen.

Entwicklung von autonomen Notbremssystemen für ADAS Anwendungen mit Simulink

Mit einer wachsenden Zahl von Sensoren (z.B. Kamera, Radar und LiDAR) nehmen automatisiert fahrende Autos die Umgebung wahr und steuern Fahraufgaben wie Lenken, Bremsen und Beschleunigen. An diesem Demo-Stand erfahren Sie, wie MATLAB und Simulink® verwendet wird um:

  • Systeme zur Umgebungserkennung zu entwickeln,
  • Reglungsalgorithmen für autonome Notbremssysteme zu modellieren und zu simulieren,
  • ADAS auf Systemebene zu integrieren und zu validieren.

Virtuelle Inbetriebnahme und Optimierung von Roboter-Systemen mit Simscape

Die virtuelle Inbetriebnahme und frühe Verifikation eines Designs sind bereits heute Schlüsseltechnologien der Automatisierungsbranche.

Lernen Sie anhand des Modells einer Fertigungszelle, wie Sie Ihre bestehenden CAD-Modelle mit mechatronischen Aktuatoren kombinieren können, um belastbare Aussagen zur Dimensionierung Ihrer Komponenten zu erhalten.

Die Fertigungszelle besteht aus einem Roboterarm mit fünf Freiheitsgraden, der Teile zwischen zwei Förderbändern versetzt. Mithilfe des Modells wird die mechanische Belastung ermittelt, der Motor dimensioniert, sowie allgemeine Leistungsanforderungen bestimmt. Durch die Verwendung von Optimierungsalgorithmen werden Trajektorien mit minimalem Leistungsbedarf ermittelt.

Die modellbasierte Entwicklung geht aber noch einen Schritt weiter:

Erfahren Sie, wie Sie im Modell Überwachungsalgorithmen entwickeln und verifizieren können, die Sie dann durch automatische Codegenerierung direkt auf eingebetteten Systemen verwenden können.

Besuchen Sie diesen Demo-Stand, um zu erfahren, wie Sie

  • Ihre Produktivität erhöhen, indem Sie bestehende CAD Modelle in Simulink importieren und weiterverwenden,
  • komplexe physikalische Multi-Domänen Systeme effizient modellieren und einbinden können,
  • Zeit bei der Markteinführung sparen, durch die Verwendung von Simulation und automatischer Codegenerierung.

Deep Learning einfach gemacht

Erkunden Sie die Grundlagen von Deep Learning und dessen Verwendung zur Lösung von Problemstellungen im Bereich Computer Vision.

Entdecken Sie anhand verschiedener Beispiele typische Object Detection und Object Recognition Workflows unter Verwendung von neuronalen Netzen.

An diesem Demo-Stand lernen Sie folgende Techniken und Methoden im Deep Learning-Kontext kennen:

  • Zugriff auf und Verwaltung von großen Bild-Datensätzen
  • Verwendung von vortrainierten neuronalen Netzen für die Merkmalsextraktion
  • Einsatz von Standard-Computer-Vision-Techniken zur Verbesserung der Resultate des Deep Learning
  • Beschleunigung des Trainingsprozesses mit GPUs und der Parallel Computing Toolbox™

Modelbasierter Entwurf einer Motorregelung für SoC FPGAs

Vom Modell zum System-on-Chip (SoC) FPGA: Vorgestellt werden die Implementierung eines Motor-Regelungsalgorithmus auf einem heterogenen SoC, bestehend aus einem FPGA und einem ARM®9 Prozessor, der IP Core Generation Workflow und die automatische HDL- und C-Codegenerierung. Diese Vorführung einer feld-orientierten Regelung (FOC) einer Permanent-Magnet Synchron-Maschine (PMSM) basiert auf einem Xilinx® ZedBoard™ und verwendet ein Analog Devices® Motor Control FMC Erweiterungs-Board.

An diesem Demo-Stand sehen Sie, wie MATLAB, Simulink und HDL Coder™ eingesetzt werden können:

  • um die Abhängigkeit von der Hardware durch Simulationen zu reduzieren,
  • um Implementierungsfehler mit Hilfe von C- und HDL-Codegenerierung zu vermeiden,
  • um schnellere Hardware-Iterationszyklen durch automatisierte Bereitstellung zu erreichen.

Embedded Security

Im Zeitalter der Vernetzung und der Autonomie von Maschinen (Cyber-Physical Systems) und Fahrzeugen mit Ihrer Umgebung (Car-2-X-Kommunikation) sind einige Anstrengungen nötig um sicherzustellen, dass das Risiko von Cyber-Security Attacken nicht zu gefährlichen Situationen führen, weil Angreifer sich Zugriff auch sicherheitsrelevante Funktionen verschaffen können.

Beim System- und Komponenten-Entwurf und der Implementierung müssen dabei häufig Kompromisse eingegangen werden, da die Anforderungen in Bezug auf Funktionalität, Performanz sowie Safety und Security teilweise gegensätzlich zueinander sind, speziell wenn es um die Erfüllung von Richtlinien und Standards geht.

Wir stellen Beispiele und Methoden vor, wie mit Hilfe von Model-Based Design, Verifikation und statischer Code Analyse, Sicherheitslücken identifiziert, Applikationen abgesichert, Standard-konform entwickelt und trotzdem performant und schnell implementiert werden können.

Hauptziel dieses Demo-Showcase ist zu diskutieren:

  • Welche Methoden helfen Ihnen, Angriffsszenarien zu modellieren und Schwachstellen mittels automatisierter Tests aufzudecken?

Wie lassen sich Applikationen auf Compliance gegenüber Coding-Standards wie CERT C, ISO-TS 17961, der CWE und MISRA C:2012 mit wenig Aufwand überprüfen und Schwachstellen mittels statischer Analyse frühzeitig identifizieren.

Networking auch Online:

Folgen Sie dem Hashtag #MATLABEXPO auf Twitter.