黑料传送门

Radarnetzwerke aus mehreren r盲umlich verteilten, kosteng眉nstigen Einzelsensoren erm枚glichen im Automotive-Bereich eine hochaufl枚sende Winkelsch盲tzung. Das volle Potenzial des Radarnetzwerks kann jedoch nur durch Nutzung der multistatischen Information ausgesch枚pft werden, was eine pr盲zise Synchronisation der Sensoren in Zeit, Frequenz und Phase vorausgesetzt. In einem bestehenden Ansatz wird das Synchronisationsproblem mittels eines Machine Learning-basierten Verfahrens von einem Neuronalen Netz gel枚st.

Neuronale Netze sind sehr rechenintensiv, weshalb f眉r den praktischen Einsatz im Fahrzeug (Edge AI) regelm盲脽ig spezielle Hardware Beschleuniger verwendet werden. Dadurch ist es m枚glich Machine Learning Modelle in leistungs- und gr枚脽enlimitierten Umgebungen in Echtzeit zu berechnen. Neben innovativen Rechenparadigmen wird die Effizienz dieser Hardware Beschleuniger u.a. auch durch Einschr盲nkungen an das KI Modell, wie z.B. reduzierte Bitbreiten der Operanden erreicht.

Ziel dieser Arbeit ist eine systematische Untersuchung des bestehenden Neuronalen Netzes hinsichtlich der M枚glichkeiten dieses auf einer Edge AI Hardware zu berechnen. Insbesondere sind die zugrundeliegenden Eingangsdaten in ihrer aktuellen Form sehr umfangreich, weshalb Methoden der Datenkompression (u.a. die Reduktion der Bitbreiten der Eingangsdaten) untersucht werden sollen. Basierend auf diesen Erkenntnissen soll das Neuronale Netz f眉r den Einsatz auf einem bestehenden Hardware Beschleuniger ASIC optimiert werden.

Dies ist ein gemeinsames Projekt in Zusammenarbeit mit dem Institut f眉r Mikroelektronik.