Mit dem Neural Net Coder stellt dSPACE ein Werkzeug vor, das trainierte neuronale Netze direkt in optimierten C-Code für Embedded-Systeme überführt. Grundlage ist das standardisierte ONNX-Dateiformat (Open Neural Network Exchange), sodass KI-Modelle aus unterschiedlichen Frameworks wie PyTorch oder Keras ohne Anpassungen in Embedded-Anwendungen integriert werden können.
Der generierte C-Code lässt sich unmittelbar in C- und C++-Projekten einsetzen und unterstützt Entwickler dabei, KI-Funktionen auch auf ressourcenbeschränkten und sicherheitskritischen Hardwareplattformen bereitzustellen. Darüber hinaus kann der Neural Net Coder in modellbasierte Entwicklungsumgebungen wie TargetLink integriert und in bestehende modell- oder codebasierte Entwicklungsprozesse eingebunden werden.
Ein Schwerpunkt liegt auf der Optimierung für Embedded-Systeme. Der automatisch erzeugte, deterministische und standardkonforme C-Code wird hinsichtlich Laufzeit und Ressourcenverbrauch optimiert, ohne dass das neuronale Netz erneut trainiert werden muss. Durch diese Post-Training-Optimierung lassen sich Speicherbedarf und Rechenaufwand reduzieren, während Entwickler den Kompromiss zwischen Performance, Ressourcenverbrauch und Modellgenauigkeit gezielt an die Anforderungen der jeweiligen Zielhardware anpassen können.
Für die funktionale Absicherung sorgt eine integrierte Verifikation. Automatisch durchgeführte Back-to-back-Tests prüfen, ob der generierte C-Code das Verhalten des ursprünglichen neuronalen Netzes exakt reproduziert und schaffen damit eine wichtige Voraussetzung für den Einsatz in qualitäts- und sicherheitsrelevanten Anwendungen.
Zu den typischen Einsatzgebieten zählen virtuelle Sensoren, beispielsweise zur Schätzung des Batteriezustands sowie weiterer physikalischer Größen, die sich nur mit hohem Aufwand direkt messen lassen. (oe)
