ReKoSys

Kognitive eingebettete Systeme auf Basis dynamisch rekonfigurierbarer Hardware


Die Leistungsfähigkeit von Hardwarekomponenten wächst ständig. Es ist damit zu rechnen, dass eingebettete Systeme in Zukunft auch kognitive Aufgaben übernehmen, die bisher nur vom Menschen selbst durchgeführt werden konnten. Dazu gehören die Fähigkeiten der Wahrnehmung sowie der Muster- und Objekterkennung bis hin zu Fähigkeiten des Lernens und der Selbstorganisation.

Die Realisierung solcher rechenintensiven kognitive Ansätze stellt im Allgemeinen sehr hohe Anforderungen an die Leistungsfähigkeit des Rechnersystems (bzgl. Geschwindigkeit, Speicherressourcen etc.) und ist bisher im Bereich eingebetteter Systeme kaum zu finden, obwohl genügend Anwendungsfelder für solche Systeme vorhanden sind. Die übliche Realisierung kognitiver Funktionalität in Software auf Vielzweckrechnern kommt für eingebettete Systeme nicht in Frage, da hier harte Vorgaben hinsichtlich Platzverbrauch, Gewicht und Energieaufwand gegeben sind.

Durch die Verwendung rekonfigurierbarer Logik und leistungsfähiger Embedded-Prozessoren sollen erstmals auch kognitive Funktionen in eingebetteten Systemen realisiert werden, was bisher aufgrund der benötigten hohen Rechenleistung nicht möglich war. Zum Einsatz soll ein solches kognitives System bei zwei Anwendungen kommen:

  • Als Netzwerktechnologie im Automobilbereich, wobei eine einzelne leistungsfähige Netzwerkstruktur verwendet wird, über die Steuergeräte mit verschiedenen Kommunikationsanforderungenum kommunizieren können. Mittels kognitiven, intelligenten Methoden soll zwischen verschiedenen Protokollen umgeschaltet und die Übertragung an zusätzliche Buslast adaptiert werden. Bisher war dazu jeweils eine Netzwerk-Infrastruktur pro verwendetem Protokoll erforderlich, was Gewicht und Kosten deutlich erhöht.
  • Die zweite Anwendung besteht in der Echtzeit-Voranalyse von Videodaten aus Überwachungskameras mit dem Zweck einer Identifikation typischer geometrischer Formen oder einfacher Objekte. Dies ermöglicht später das gezielte und schnelle Auffinden bestimmter Situationen in den Aufzeichnungen. Bisher müssen dazu die gesamten aufgezeichneten Videodaten eines Zeitraumes visuell (d.h. von Personen) analysiert werden, was sehr zeitaufwendig ist.

Publikationen