Forschung für den Mittelstand - Die IGF-Projektdatenbank

Embedded AI Techniken für Industrielle Anwednungen

New achievements in artificial machine learning are reported almost daily.

While those achievements are mainly based on high-end fast processing and massive data techniques, the potential of embedded machine learning techniques is still not understood well by the majority of the industrial players and SMEs. Nevertheless, the potential of machine learning, directly embedded in a device or system which is trained in an online or an offline fashion is perceived as very high.

This has led to a broad demand by industry and SMEs for a practical and application-oriented feasibility study which helps them to understand the potential benefits but also the limitations of embedded Artificial Intelligence. Currently, the question where specific algorithms are realized, at the embedded device or in the cloud, is under discussion in several fields of applications. E.g. Xilinx supports the so called edge computing where algorithms are realized on FPGA based SoCs. On the other hand, they support also the high performance FPGA based cloud system with Amazon. Both realization alternatives have their pros and cons and need to be analyzed according the respective application domain. Furthermore, the realization in general on embedded systems is a crucial challenge for SMEs.

This project aims at developing and demonstrating 'best practices for embedded AI' by means of industrial case studies on application domains relevant to the European industry and SMEs:

- Embedded Security: Intrusion detection by AI in network routers

- Smart Sensing: Improving sensor accuracy by AI and detecting sensor-anomalies by AI

- Automotive and Mobile Robots: Machine Vision for Mobile Systems

- Industry 4.0: Machine Learning for Predictive Maintenance

Ergebniszusammenfassung:

Das Forschungsvorhaben AITIA konnte eine Vielzahl an Erkenntnissen bezüglich des Einsatzes von Embeeded Machine Learning Systemen in unterschiedlichsten Anwendungsfeldern erzielen. Die dafür eingesetzte kostengünstige Hardware ermöglicht es vor allem auch KMU das Potenzial von Machine Learning Algorithmen für ihre Projekte und Produkte einzusetzen.

Im Zuge des Vorhabens wurden Algorithmen und Systeme in den vier industriellen Fallstudien: Intelligente Sensorik, Erkennung von Netzwerkeinbrüchen, Automobilindustrie und mobile Robotik sowie Industrie 4.0 entwickelt.

Die gewonnenen Erkenntnisse rund um Embeeded Machine Learning Systeme wurde in diverse praxisnahe Anwendungsfälle überführt. Die durch das Forschungsvorhaben AITIA abgedeckten Anwendungsgebiete erstrecken sich von einem System welches eine Selbstkalibrierung der Sensoren und Aktoren durchführen kann, einer Objekterkennung wie sie für fortschrittliche Fahrassistenzsysteme benötigt wird, bis zu einer individuell, an ein zu inspizierendes Objekt anpassbare Lösung zur Detektion von Oberflächendefekten, die beispielhaft an Turobladergehäusen durchgeführt wurde.

Es entstanden mehrere "Best Practice" Ansätze, die dem Projektbegleitenden Ausschuss vorgestellt wurden. Die Ansätze wurden angemessen dokumentiert und ermöglichen somit den Transfer auch in diverse weitere Anwendungsgebiete (wie z.B. der Einsatz von Machine Learning Applikationen auf autonom/teilautonom agierenden UAVs oder die Inspektion von Oberflächenfehlern auf Aluminiumgußteilen mittels intelligenter Robotikführung. Gerade für KMU sind kostengünstige Inspektionssysteme, die das Potenzial von Machine Learing ausschöpfen, ein riesiger Innovationsgewinn.