Mathworks zeigt mit aktuellen Demonstrationsaufbauten auf der Embedded World 2026 den effizienten Einsatz von Künstlicher Intelligenz und modellbasierter Entwicklung auf modernen Embedded-Plattformen. Im Fokus stehen hochoptimierte Implementierungen neuronaler Netze auf heterogenen Architekturen, die sowohl Rechenleistung als auch Energieeffizienz signifikant verbessern.
Auf dem Mikrocontroller Infineon AURIX TC4x wird eine KI-basierte Trajektorienplanung und -steuerung für autonome Fahrfunktionen demonstriert. Durch den Einsatz neuronaler Netze auf dedizierten Parallel Processing Units (PPU) wird eine um bis zu 50 % erhöhte Genauigkeit bei gleichzeitig rund 5 % reduziertem Energieverbrauch erreicht.
Ein weiterer Demonstrator auf Qualcomm Snapdragon zeigt Echtzeit-Objektverfolgung und -erkennung mittels YOLOX-Architektur. Die Inferenz wird effizient auf die Hexagon NPU ausgelagert, während die automatische Codegenerierung die Entwicklung für heterogene Systeme (ARM + NPU) vereinfacht. Ergänzend ermöglicht eine Wake-Word-Funktion auf einer energieoptimierten eNPU zusätzliche Einsparpotenziale im Low-Power-Betrieb.
Für industrielle Anwendungen wird eine KI-basierte Temperaturberechnung für Elektromotoren vorgestellt. Virtuelle Sensorsysteme werden in MATLAB oder Python modelliert, trainiert und anschließend auf Texas Instruments C2000-Hardware deployt. Die Validierung erfolgt mittels Processor-in-the-Loop-Tests, wodurch eine hohe Modellgüte unter realen Bedingungen sichergestellt wird.
Im Bereich IoT adressiert ein Demonstrator die Echtzeit-Signalverarbeitung medizinischer Sensordaten. Auf STM32-Boards werden EKG-Analysealgorithmen mit Deep-Learning-Ansätzen kombiniert. Die automatische Generierung von optimiertem C/C++-Code ermöglicht eine effiziente Verarbeitung direkt am Edge-Gerät.
Ergänzend wird die Deep-Learning-basierte Erkennung persönlicher Schutzausrüstung auf Raspberry Pi demonstriert, wodurch kosteneffiziente Edge-KI-Lösungen für Sicherheitsanwendungen realisiert werden können.
Abgerundet wird das Portfolio durch eine Posenerkennung auf NVIDIA Jetson, bei der das neuronale Netzwerk RTMPose mittels GPU-beschleunigter Codegenerierung aus PyTorch implementiert wird. Integrierte Profiling- und Analysewerkzeuge ermöglichen eine detaillierte Bewertung der GPU-Leistung für Embedded-KI-Workloads.
Die Demos werden während der Embedded World auf dem Mathworks-Stand (4-110) in Halle 4 gezeigt. (jr)
