Cette page a été traduite automatiquement.
Merci de bien vouloir compléter un sondage de 1 minute concernant la qualité de cette traduction.
Mercedes-Benz Research & Development India déploie l'IA embarquée pour le confort dans l’habitacle
Un capteur virtuel basé sur l'IA fournit une estimation en temps réel du débit massique d'air dans l’habitacle.
« Grâce aux outils de Deep Learning Toolbox™, le temps de développement global a été considérablement réduit. Ainsi, si vous devez mener un projet de la phase de design au déploiement final, la durée globale est considérablement diminuée grâce aux capacités de l’outil. »
Principaux résultats
- Réduction de l'erreur absolue moyenne de 50 % par rapport aux modèles physiques, avec une augmentation de l'utilisation de la RAM de seulement 1 %.
- Code C/C++ générique généré pour les réseaux de neurones profonds quantifiés 8 bits.
- Activation du traitement embarqué, garantissant la conformité aux réglementations en matière de protection des données.
Mercedes-Benz Research & Development India (MBRDI) se concentre sur le développement de fonctionnalités innovantes en matière de carrosserie et de confort pour les véhicules de nouvelle génération. La mesure ou l'estimation précise du débit d'air dans l’habitacle est essentielle pour assurer un confort thermique personnalisé, réguler l'humidité et maintenir la qualité de l’air, des facteurs qui ont un impact direct sur le bien-être des occupants ainsi que sur l'efficacité énergétique. Les modèles physiques traditionnels peinent souvent à fournir la précision et la réactivité requises pour le contrôle en temps réel de l’habitacle. Par ailleurs, les modèles d'IA basés sur le cloud peuvent offrir une précision accrue, mais ils soulèvent des défis liés à l'exécution en temps réel, au transfert de données et au respect des réglementations en matière de protection de la vie privée.
Pour surmonter ces limitations, l'équipe Body and Comfort du MBRDI a adopté une approche d'IA embarquée, en développant un capteur virtuel basé sur le Deep Learning pour l'estimation en temps réel du débit massique et en le déployant localement sur une ECU. A l’aide de MATLAB® et Simulink®, l'équipe a généré et prétraité des données expérimentales, conçu et entraîné des réseaux de neurones, les a compressés par projection et quantification de réseaux de neurones, puis les a déployés en générant un code de production optimisé avec Embedded Coder®.
Produits utilisés
Ressources associées
