Sistemas Embebidos Inteligentes

Transcripción

1 ( CEI ) cei@upm.es Sistemas Embebidos Inteligentes Universidad Politécnica de Madrid Madrid

2 Escenario Complejidad tareas realizadas por SE Inteligencia Procesamiento Tiempo real Fiabilidad Existen soluciones pero......plataforma de Despliegue Grandes ordenadores SOTR IMPOSIBILIDAD DE REALIZACIÓN COMO SISTEMA EMBEBIDO

3 Sistemas Autónomos - IA Autonomía Operación sin intervención humana Operacional y De decisión Condiciones de operación Perturbaciones, Abstracción, Incertidumbre Soluciones Arquitecturas cognitivas Sistemas inteligentes de muy alta autonomía Alta complejidad Elevados recursos de implementación

4 Aplicaciones Robots autónomos Cornell University/NASA/JPL and Dan Maas Navegación autónoma Copyright

5 Aplicaciones UC3M Copyright Sistemas inteligentes de transporte

6 Aplicaciones Robótica Médica Multimedia inteligente

7 Avance tecnológico... Avance en Tecnologías de Fabricación de CIs ASICs, DSPs, FPGAs Posible implementación como sistemas embebidos Escalado Requisitos Alta capacidad de integración Grado Autonomía/Inteligencia Reconfiguración Aprendizaje / Adaptación Tiempo real Respuesta operativa Consumo Autonomía Flujo de diseño / Metodología adaptada Fiabilidad

8 ... con limitaciones Relación de Compromiso entre... Densidad de Integración / Rendimiento Coste Reconfiguración en fase de investigación...aún no es una herramienta Flujos de Diseño con pocos avances Transformación del modelo de alto nivel

9 Propuesta Desarrollo de tecnología de inteligencia empotrada Experimentos de escalado sobre hardware Ejemplos de implementación INFERENCIA Metodología de escalado Arquitectura HW genérica inteligente intelligent SoC

10 Sistemas de ayuda a la conducción Proyecto ASISTENTUR: INSIA - UC3M ADAS (Advanced Driver Assistance Systems) Tradicionalmente basados en detección temprana (deterministas) Aportación original Técnicas Probabilistas + Deterministas + Hardware Predicción de trayectorias de vehículos Detección de salida involuntaria de carril Reconocimiento de señales de tráfico

11 Sistemas de predicción Filtro de Partículas para predicción de trayectorias de vehículos en tiempo real LINE_DETECTOR mass_center_calc Data Control UPDATE_PREDICTION update_prediction_slice mass_center_analysis PREDICTION_CHECKER pred_checker_slice particle number pred_checker_slice particle number a PARTICLE_DISPLACEMENT part_displacement_slice b PARTICLE PARTICLE particle number REGISTER REGISTER part_displacement_slice update_prediction_slice c CONTROL d

12 Arquitecturas Cognitivas Control en entornos distribuidos. Sistemas cooperantes Arquitectura Cognitiva BB1 (Universidad de Stanford) Interacción con entornos dinámicos Razonamiento sobre ellos Tareas evolucionadas de aprendizaje Funciones alto nivel de abstracción Ciclos de operación Ejecución Tiempo real Aprendizaje

13 Arquitecturas Cognitivas Redes Neuronales para reconocimiento de señales de tráfico Pequeñas, cooperativas y especializadas Visión artificial basada en singularidades RoI (60x45) (columns*rows) RoD (6x5) (columns*rows)

14 Conclusiones Arquitectura de referencia compleja. Funcionalidad limitada por el Escalado Modularidad y Encapsulamiento Ampliación de funcionalidades Escenario Aplicación de referencia Arquitectura de referencia Recursos de implementación de referencia Metodología. 3 niveles de abstracción Modelado Funcional Modelado Intermedio Modelado para Implementación

15 Líneas futuras SoC Inteligente. Arquitecturas cognitivas en sistemas embebidos Corto Plazo Módulos para Arquitectura Hardware Inteligente Principios de diseño Largo Plazo Métricas Generalización y evaluación de la M MDA Model Driven Architecture (MDE Model Driven Engineering) MODELO (UML...) transformación MODELO HW

16 Líneas futuras métrica Nivel Abstracto MÉTRICAS PRINCIPIOS MÓDULOS INTELIGENTES Aplicado a métrica Nivel Intermedio métrica Nivel Implementación intelligent SoC