Edge AI ermöglicht automatisierte Last-Mile-Zustellung

Die Covid19-Pandemie hat unser Leben in vielerlei Hinsicht beeinflusst. Neben den derzeitigen Regeln zum sozialen Abstand und der Minimierung von persönlichen Kontakten, ist insbesondere die Frage wichtig, wie die Sicherheit der Arbeitnehmer in der kritischen Infrastruktur gewährleistet werden kann.
Bild: Neousys Technology Inc.

Die Automatisierung der Last-Mile-Zustellung kommt hier als Lösung ins Spiel, z.B. die automatische Lieferung von Paketen oder die Zustellung von Medikamenten und Mahlzeiten in Krankenhäusern. Automatisierte Kleinbusse der Stufe 2/3 auf Flughäfen können Personen nach der Rückkehr aus einem Epizentrum befördern. Solch automatisierte Fahrzeuge beugen damit auch Sekundärinfektionen bei medizinischen Erstversorgern, Busfahrern oder Spediteuren vor. Die dabei eingesetzte Technik nutzt verschiedene Sensoren wie Lidar, Kamera, mmWave-Radar oder Ultraschallsensoren, um die Umgebungswahrnehmung auf der GPU und die entsprechende Routenplanung auf der CPU durchzuführen. Die industrietauglichen IPC-Plattformen von Neousys, z.B. die Serien Nuvo-7166GC und POC-500, passen als Steuerungen für autonome Roboter- und autonome Fahrzeuganwendungen. Der Nuvo-7166GC ist ein Server mit der neuen Intel9.-Gen Core CPU und Tesla-T4-Inferenzbeschleuniger, während der POC-500 ein ultrakompakter lüfterloser Controller mit Abmessungen von 64x116x176mm ist. Die Systeme verfügen über eine Weitbereichs-Spannungsversorgung von 8 bis 35VDC, M.2 2280 NVMe/SATA SSD-Unterstützung, GbE (Nuvo-7166GC)/PoE (POC-500), USB3.1 und COM-Ports für den Anschluss von Sensoren und die Kommunikation mit anderen Geräten. Darüber hinaus verfügen die Systeme über Mini-PCIe- und M.2-Steckplätze für die drahtlose Modulerweiterung, so dass die autonomen Maschinen immer in Verbindung mit Cloud-Servern bleiben können. Mit seiner hohen Inferenzfähigkeit ist der Nuvo-7166GC als Gehirn für Maschinen geeignet, um die Umgebung zu sehen und wahrzunehmen. Der POC-515 kann ergänzend dazu die Route planen und mit anderen kommunizieren. Die GPU-Plattformen von Neousys, die sich Deep Learning und KI-Inferenztechnik bieten, werden etwa als zentrale Verarbeitungseinheit für automatisierte Fahrzeuge im quelloffenen Baidu Apollo eingesetzt. Sie bringen weitere Vorteile mit wie IP-Rating und 3Grms Vibrationsfestigkeit. Die Systeme leiten Wärme ab, indem sie extrem effiziente thermische Schnittstellenmaterialien auf der CPU und den elektronischen Komponenten platzieren, so dass diese direkt mit dem externen Kühlkörper in Kontakt kommen und dessen Leistungsfähigkeit über die von Standard-IPCs hinaus steigern.

Das könnte Sie auch Interessieren

Anzeige

Anzeige

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

„Künstliche Intelligenz ist eine, wenn nicht die wichtigste Zukunftstechnologie für Unternehmen.“ Diese Aussage bejahen 70 Prozent der Befragten der jüngsten Bitkom-Studie zu KI. Aber nur 10 Prozent aller Unternehmen haben KI-Technologie aktiv im Einsatz, lediglich 30 Prozent planen und diskutieren deren Anwendung. Was ist der Grund für diese große Diskrepanz?

Bild: Blue Yonder, Inc.
Bild: Blue Yonder, Inc.
Künstliche Intelligenz – mehr als eine Wissenschaft

Künstliche Intelligenz – mehr als eine Wissenschaft

Data Science ist mittlerweile ein fester Bestandteil der strategischen Planung in vielen Unternehmen. Um künftige Entwicklungen realistisch zu planen, brauchen wir Künstliche Intelligenz (KI) und Maschinelles Lernen (ML). Insbesondere im Einzelhandel vertrauen immer mehr große Player auf KI-Lösungen, die präzise Prognosen ermöglichen und zum Beispiel Bestände oder Preise optimieren. Doch viele Entscheidungsträger glauben noch nicht daran, dass KI in den Lieferketten der Zukunft eine tragende Rolle spielen wird. Der Grund hierfür liegt in einer falschen Sicht auf die Wissenschaft.

Bild: ©Stock57/stock.adobe.com
Bild: ©Stock57/stock.adobe.com
KI-Verfahren für die Produktion

KI-Verfahren für die Produktion

Mathematiker der Hochschule Darmstadt (h_da) entwickeln gemeinsam mit dem Hanauer Simulationsdienstleister und Softwareunternehmen SimPlan und dem Automationsexperten Fibro Läpple Technology neue KI-Technologien. Im Rahmen des Loewe-Projekts ‚KISPo‘ will das Konsortium eine autonome, selbstlernende Steuerungssoftware für Produktionsanlagen entwickeln, wie sie z.B. bei der Herstellung von Komponenten für Windräder oder Elektromotoren zum Einsatz kommen. Es wäre die erste KI-Software dieser Art. Damit würde eine von Industrieverbänden und Forschung lange bemängelte Technologielücke geschlossen. Das Land Hessen fördert das Projekt für zwei Jahre mit 320.000 Euro. Konsortialführerin ist die Hochschule Darmstadt.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Chancen und Herausforderungen von Machine Learning in der Fertigung

Chancen und Herausforderungen von Machine Learning in der Fertigung

Automatisierung, künstliche Intelligenz (KI), Internet of Things (IoT) und Machine Learning (ML) sind heutzutage bekannte Technologien und kommen bereits in vielen Unternehmen zum Einsatz. Mit Hilfe von Machine Learning wird es IT-Systemen ermöglicht, Muster und Zusammenhänge aus Daten zu lernen und sich selbst zu verbessern. Dabei ist keine explizite Programmierung notwendig. Die Bearbeitung von Kundenanfragen, die Erkennung möglicher Störfälle sowie unerwarteter Ereignisse wie z.B. Cyberangriffe sind klassische Anwendungsfelder von ML. Aber auch die Unterstützung bei einer rein datengestützten Entscheidungsfindung und die Interpretation großer Datenmengen gehören dazu.

Bild: ©Shuo/stock.adobe.com
Bild: ©Shuo/stock.adobe.com
Sensoren lernen das Denken

Sensoren lernen das Denken

Im Fraunhofer-Leitprojekt NeurOSmart forscht das Fraunhofer IPMS zusammen mit vier weiteren Instituten (ISIT, IMS, IWU, IAIS) unter Leitung des Fraunhofer ISIT gemeinsam an energieeffizienten und intelligenten Sensoren für die nächste Generation autonomer Systeme. Dabei sollen die Brücken zwischen Wahrnehmung und Informationsverarbeitung durch innovative Elektronik neu definiert werden.

Bild: ©ipopba/stock.adobe.com
Bild: ©ipopba/stock.adobe.com
Wie KI 2022 praktikabel wird

Wie KI 2022 praktikabel wird

Künstliche Intelligenz war bereits in der Vergangenheit in aller Munde, schaffte es aber doch oft nicht bis in die Anwendung. Das wird sich 2022 ändern – auch weil sich langsam Standards etablieren und sich neue, konkrete Einsatzmöglichkeiten ergeben. In welchen Bereichen Business-Implementierungen zu erwarten sind, erläutert Bernhard Niedermayer, Head of AI bei Cloudflight.

Anzeige

Anzeige

Anzeige