Diese Seite wurde maschinell übersetzt.
Füllen Sie bitte eine 1-Minuten-Befragung zur Qualität dieser Übersetzung aus.
Mercedes-Benz Research & Development India implementiert Embedded KI für Kabinenkomfort
KI-gestützter virtueller Sensor liefert Echtzeit-Schätzung des Kabinenluftmassenstroms
„Mithilfe der Tooling-Lösungen der Deep Learning Toolbox™ konnte die gesamte Entwicklungszeit deutlich reduziert werden. Wenn Sie also ein Projekt von der Konzeptphase bis zur endgültigen Zielimplementierung begleiten müssen, verkürzt sich die Gesamtdauer durch die Funktionen des Tools erheblich.“
Wichtigste Ergebnisse
- Der mittlere absolute Fehler wurde im Vergleich zu physikbasierten Modellen um 50% reduziert, während die RAM-Nutzung nur um 1% anstieg.
- Generierter generischer C/C++ Code für 8-Bit-quantisierte tiefe neuronale Netze
- Die Verarbeitung an Bord wurde aktiviert, um die Einhaltung der Datenschutzbestimmungen zu gewährleisten.
Mercedes-Benz Forschung & Development India (MBRDI) konzentriert sich auf die Entwicklung innovativer Karosserie- und Komfortmerkmale für Fahrzeuge der nächsten Generation. Eine genaue Messung oder Schätzung des Luftmassenstroms in der Kabine ist entscheidend für die Bereitstellung eines individuellen thermischen Komforts, die Regulierung der Luftfeuchtigkeit und die Aufrechterhaltung der Luftqualität – Faktoren, die sich direkt auf das Wohlbefinden der Insassen und die Energieeffizienz auswirken. Herkömmliche physikbasierte Modelle haben oft Schwierigkeiten, die für die Echtzeit-Kabinensteuerung erforderliche Genauigkeit und Reaktionsfähigkeit zu liefern. Alternativ können cloudbasierte KI-Modelle eine höhere Genauigkeit bieten, bringen aber Herausforderungen in Bezug auf Echtzeitausführung, Datentransfer und die Einhaltung von Datenschutzbestimmungen mit sich.
Um diese Einschränkungen zu überwinden, verfolgte das Team „Body and Comfort“ bei MBRDI einen Ansatz mit eingebetteter KI. Es entwickelte einen auf Deep Learning basierenden virtuellen Sensor zur Echtzeit-Massenstromschätzung und implementierte diesen lokal in einem Steuergerät. Mittels MATLAB® und Simulink® generierte und bereitete das Team experimentelle Daten auf, entwarf und trainierte neuronale Netze, komprimierte diese mittels neuronaler Netzwerkprojektion und -quantisierung und stellte sie durch die Generierung von optimiertem Produktionscode mit Embedded Coder® bereit.
Eingesetzte Produkte
Ressourcen zu
