MATLAB und Simulink

Updates für Automatisiertes Fahren und Maschinelles Lernen

| Autor / Redakteur: Sebastian Gerstl / Nico Litzel

Sensorfusion aus Daten einer Kamera, dem Dual-Mode-Radar und der inertialen Messeinheit (Inertial Measurement Unit, IMU). Das Bild links zeigt die Ausgabe der zusammengeführten Daten auf einem Referenz-Kamerabild. Das Bild rechts zeigt den Zustand des Systems inklusive erkannter Objekte, Fahrbahn, Fahrbahnmarkierungen und Streckenhistorie aus der Vogelperspektive.
Sensorfusion aus Daten einer Kamera, dem Dual-Mode-Radar und der inertialen Messeinheit (Inertial Measurement Unit, IMU). Das Bild links zeigt die Ausgabe der zusammengeführten Daten auf einem Referenz-Kamerabild. Das Bild rechts zeigt den Zustand des Systems inklusive erkannter Objekte, Fahrbahn, Fahrbahnmarkierungen und Streckenhistorie aus der Vogelperspektive. (Bild: Mathworks)

MathWorks hat mit Release 2017a (R2017a) eine Reihe neuer Funktionen zu MATLAB und Simulink hinzugefügt. Ein Schwerpunkt ist die Automated Driving System Toolbox für Entwurf, Simulation und Testen von Fahrerassistenzsystemen (ADAS) und automatisierten Fahrsystemen. Ferner kommen wesentliche Neuerungen im Bereich Big Data Analytics und Machine Learning hinzu.

Das Release 2017a für MATLAB und Simulink umfasst die 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 Anwendern helfen, durch Zusammenführen von Sensordaten aus komplementären Quellen 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.

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.

Zur leichteren Bearbeitung von Big Data wurden bereits im früheren Release 2016b Tall Arrays eingeführt, die bei großen Datenmengen dennoch eine vertraute Syntax bieten. Mit dem Release 2017a werden Tall Arrays nun auch in vielen Machine-Learning-Funktionen unterstützt. Auch in Simulink erleichtern Neuerungen des umfassenden Updates die Arbeit mit großen Datenmengen: So ist es beispielsweise nun 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.

R2017a für MATLAB und Aimulink ist ab sofort weltweit erhältlich. Mehr Informationen finden Sie auf der Webseite des Herstellers: www.mathworks.com.

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 44576043 / Data Sourcing)