Autonome Maschinen und Roboter Sensor mit analog-neuromorphen Computerchip und Speicher

Für autonome Robotersysteme sind Sensoren notwendig, die Daten vor Ort auswerten können und dabei sparsam mit Energie umgehen. Im Projekt NeurOSmart integrieren Forscher eine datenverarbeitende Intelligenz direkt in das Sensorsystem.

Anbieter zum Thema

Autonome mobile Roboter: Sensorsysteme, künstliche Intelligenz und ein In-Memory-Beschleuniger-Chip. Somit lassen sich Daten vor Ort energiesparend verarbeiten.
Autonome mobile Roboter: Sensorsysteme, künstliche Intelligenz und ein In-Memory-Beschleuniger-Chip. Somit lassen sich Daten vor Ort energiesparend verarbeiten.
(Bild: Fraunhofer IPMS)

Vernetzte Sensoren nehmen ihre Umgebung wahr und können anhand von Daten lernen. So ausgestattet sind autonome Anwendungen möglich. Allerdings führt der Trend zu den mobilen Supercomputern zu einen erheblichen Energieverbrauch. Vor allem bei mobilen Systemen ist ein dosierter Energieverbrauch wichtig. Denn ansonsten verkürzen sich Reichweite und damit die Einsatzdauer. Fraunhofer-Forscher arbeiten im Leitprojekt „NeurOSmart“ an intelligenten, hybriden Computing-Architekturen.

Dazu werden Sensorsysteme, eine KI-gestützte Vorverarbeitung in Kombination mit einem hoch performanten, analog-neuromorphen und enenrgiesparsamen In-Memory-Beschleuniger-Chip ausgestattet. Als Vorbild für die zu entwickelnde Elektronik dient das menschliche Gehirn, denn dieses ist trotz seiner enormen Rechenleistung sehr energiesparend beim Treffen von Entscheidungen.

Analoge Computer-Speichertechnik ist energiesparend

„Diese Art der Datenverarbeitung, also des Denkens, wird durch eine neue analoge Computer-Speichertechnik realisiert, die zudem in der Lage ist, Rechenoperationen durchzuführen, wenn Daten in dem System neu erfasst werden“, erläutert der ISIT-Wissenschaftler und Projektleiter Dr. Michael Mensing: „In der Praxis wird das genutzt, um Objekte und ihr Verhalten exakt und in Echtzeit zu erkennen.“

Bisher sind für diese Funktionsweise mehrere getrennt entwickelte Komponenten in Computern und eine besonders energieaufwändige Kommunikation zwischen ihnen nötig. Unterstrichen werden die Vorteile des Ansatzes durch die parallele Entwicklung besonders kleiner und effizienter Modelle für die Objekterkennung und -klassifizierung. Sie lassen sich speziell auf den Sensor und damit direkt in integrierte Elektronik und ihre Anwendungen anpassen.

Im Ergebnis steht eine schnelle Reaktionszeit, erhöhter Datenschutz und weniger Energieeinsatz gegenüber dem aktuellen Trend von praxisfernen oder cloudbasierten Entwicklungen, die bevorzugt auf immer größere, energieintensivere Modelle zurückgreifen. In der Projektlaufzeit von vier Jahren mit einem Finanzvolumen von acht Millionen Euro soll der Ansatz erstmals mit einem komplexen bei Fraunhofer entwickelten Lidar-System kombiniert und in anwendungsnaher Umgebung erprobt werden.

Komplexe KI-Modelle energieeffizient berechnen

Das Sensorsystem für autonom arbeitende Systeme erkennt seine Umgebung mithilfe detaillierter Abstandsinformationen auch bei schlechtem Wetter und über weite Entfernungen. Als erste Probe der neuen Sensoren werden sie in den nächsten Jahren in Robotersysteme integriert, die ihren menschlichen Kollegen in Fertigungsumgebungen unterstützen, beispielsweise durch das Bewegen von schweren Lasten oder Anreichen von Komponenten.

Innerhalb des Projekts entwickelt das Fraunhofer IPMS den Schaltkreis des neuromorphen Beschleunigers. Den Kern des analogen Beschleunigers bilden HfO2-basierte (Hafniumdioxid-)Crossbars. Komplexe und iterative Berechnungen von KI-Modellen kann man damit auf energieeffiziente Speicheroperationen im Schaltkreis abbilden.

Für die interne Steuerung der Datenflüsse wird der RISC-V-Prozessorkern EMSA5 mit direkten Schnittstellen zur analogen Beschleunigerbaugruppe und übergeordneten Systemen sowie Fehlerschutzmechanismen implementiert. Die Erforschung einer Software-programmierbaren Systemarchitektur wird einen flexiblen Einsatz des Schaltkreises in einer Vielzahl von Anwendungsfällen ermöglichen.

Neuronales Netzmodell für Lidar-Daten

Weiterhin trainiert das Fraunhofer IPMS gemeinsam mit dem Fraunhofer IAIS den Schaltkreis des neuromorphen Beschleunigers. Dafür wird in einem ersten Schritt das neuronale Netzmodell für die Auswertung der Lidar-Daten erforscht. Ziel ist eine automatisierte Abbildung auf der verfügbaren Hardwaretopologie sowie deren Übertragung auf ein Schaltkreisdesign.

Im System analysiert der Schaltkreis vorverarbeitete Lidar-Daten. Dabei erfolgt die Kommunikation zwischen Vorverarbeitung (FPGA) und Beschleuniger-Schaltkreis über eine echtzeitfähige Highspeed-Ethernet-Schnittstelle. Abschließend validiert das Fraunhofer IPMS gemeinsam mit dem Fraunhofer-Institut für Siliziumtechnologie ISIT die neuen Speicherzellen-Ansätze für künftige Beschleunigerumsetzungen.

Jetzt Newsletter abonnieren

Verpassen Sie nicht unsere besten Inhalte

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung

(ID:47988127)