Embedded AI

Forschungs­schwer­punkte

• Inno­va­tive System­an­sätze (HW&SW) durch inter­dis­zi­pli­näre Forschung in den Berei­chen Machine Learning, Signal­ver­ar­bei­tung und inte­griertes Schal­tungs­de­sign
• Intel­li­gente Multi­sensor-Daten­ver­ar­bei­tung und -Fusion, sowie Distri­buted Reaso­ning, Distri­buted Deci­sion-Making und Auto­ma­ti­sie­rung & Steue­rung, zur Erarbeitung von Entwurfsmethoden für ultra-zuver­läs­sige und ultra-skalier­bare auto­nome Systeme.
• Machine Learning für formale Methoden und formale Methoden für Machine Learning – ein interdisziplinärer Ansatz für eine bisher nicht erreichte Zuverlässigkeit kriti­scher einge­bet­teter SW und Gesamt­sys­teme.

Forschungs­kom­pe­tenzen

• Neuro­morphe Archi­tek­turen und neuro­nale Netz­werke im HW/​SW Systems Engi­nee­ring
• Kombi­na­tion von hoch­ent­wi­ckelter Signal­ver­ar­bei­tung mit Machine, Deep und Rein­force­ment Learning
• Analoges, Mixed- Signal und digi­tales Schal­tungs­de­sign
• Sensor­da­ten­ver­ar­bei­tung, Sensor­fu­sion und maschinelle Wahr­neh­mung mit Machine und Deep Learning Ansätzen
• Cyber-physi­ka­li­sche Systeme und draht­lose Sensor- & Aktor­netz­werke
• Embedded Echt­zeit-SW-Design
• Embedded HW/​SW Systems Engi­nee­ring, Embedded AI-Systeme, GPU, FPGA und Micro-Controller-Program­mie­rung

Über die einzelnen Kompe­tenzen hinaus ermög­licht uns der inter­dis­zi­pli­näre Ansatz, den wir bei SAL verfolgen, nicht nur Tech­no­lo­gien der nächsten Gene­ra­tion zu entwi­ckeln, sondern Heraus­for­de­rungen aus unter­schied­li­chen Anwen­dungs­be­rei­chen gesamtheitlich zu durchdringen.

Anwen­dungen

• NN-ba­sierte Hochfrequenzsignalverarbeitung
• Radar­to­mo­gra­phie
• Selbst­or­ga­ni­sie­rende
  • Multi­sensor-Netzwerke
  • auto­nome Fahr­zeuge und Maschinen
  • Roboter für indus­tri­elle Anwen­dungen
• Veri­fi­zie­rung und Test von einge­bet­teten Systemen mit höchster Komple­xität (z.B. Mobiltelefon Feldtests , Auto­nomes Fahren, …)

Video abspielen: Projekt Digineuron