RESEARCH GROUP Cognitronics & Sensor Systems
Teaching
Summer term 2024
- Autonomous Systems Engineering
- Digitalelektronik
- Embedded Systems
- Sensorik
- Projekt "Einsatz rekonfigurierbarer und paralleler Rechnersysteme"
- Projekt: "Embedded Machine-Learning"
- Projekt "IT-Sportanalyse"
- Projekt "Körpernahe Sensorik / Wearable Sensors"
- Projekt "Miniroboterentwicklung"
- BioMechatronisches Praktikum
Winter term 2023/24
- Rekonfigurierbare und parallele Rechnersysteme (Vorlesung)
"Die Vorlesung befasst sich mit der Architektur und Anwendung rekonfigurierbarer und paralleler Rechnersysteme. Rekonfigurierbarkeit bezeichnet die Möglichkeit, Funktionsblöcke und deren Verschaltung zu verändern. Auf diese Weise können die zur Verfügung stehenden Ressourcen an sich ändernde Anforderungsprofile angepasst werden. Behandelt werden zum einen verschiedene Ansätze zur Rekonfiguration und die daraus resultierenden Architekturen. Die Vielfalt der betrachteten Architekturen reicht von feingranularen Architekturen auf der Basis feldprogrammierbarer Gate Array (FPGAs) bis hin zu grobgranularen Architekturen, die es erlauben, komplexe Module, wie z.B. Arithmetikeinheiten, zu verschalten. Von besonderem Interesse sind dabei Verfahren, die eine dynamische, partielle Rekonfiguration ermöglichen. Dynamische Rekonfigurierbarkeit beschreibt die Möglichkeit, ein System während des Betriebs umzukonfigurieren. Kann ein System partiell rekonfiguriert werden, so bedeutet dies, dass seine interne Struktur nur teilweise verändert wird.
Für die Programmierung der Architekturen kommen neben klassischen Entwurfsmethoden auf Basis von Hardwarebeschreibungssprachen auch neue Hochsprachen-basierte Konzepte zum Einsatz. Im Rahmen der Vorlesung und der begleitenden Übung betrachten wir daher neben VHDL insbesondere High-level Synthese (Hardware-Entwurf auf Basis von C-/C++-Beschreibungen) sowie OpenCL-basierte Entwurfsabläufe.
On-Chip-Multiprozessoren (MPSoCs, Multi- oder Manycores) bilden einen weiteren Schwerpunkt der Vorlesung. Hier betrachten wir insbesondere Architekturen, die ihre Leistungsfähigkeit aus hochparallelen Prozessorfeldern beziehen. Der Einsatz von Grafikprozessoren für die Beschleunigung rechenintensiver Applikationen (GPGPU) wird ebenso behandelt, wie neue Universalprozessorarchitekturen mit mehreren hundert Prozessorknoten. Neben den Architekturen diskutieren wir auch die Entwurfsverfahren für die Programmierung rekonfigurierbarer und paralleler Systeme. Einen Schwerpunkt bilden hier automatisierte Werkzeuge, die aus einer Hochsprachenbeschreibung (in der Regel in der Programmiersprache C) voll- oder teilautomatisiert Hardwareimplementierungen für rekonfigurierbare Architekturen oder parallelisierte Umsetzungen für Manycore-Systeme generieren."Further information on Rekonfigurierbare und parallele Rechnersysteme.
- Entwurf mikroelektronischer Systeme (Vorlesung)
"Aufbauend auf einer Einführung in die unterschiedlichen Abstraktionsebenen des Systementwurfs und der Definition verschiedener Qualitätsmaße werden zunächst die wichtigsten Zielarchitekturen für mikroelektronische Schaltungen behandelt. Der Hauptteil der Vorlesung beschäftigt sich mit Entwurfsverfahren, die einen sicheren und wieder verwendbaren Entwurf mikroelektronischer Systemkomponenten ermöglichen. Dazu werden wichtige Architekturkonzepte und geeignete Beschreibungsformen sowie Syntheseverfahren vorgestellt. Ein weiterer Schwerpunkt ist die Skalierung auf zukünftige Technologien und der damit einher gehende Bedarf an neuen Architekturen. Wir betrachten hier beispielsweise neue on-Chip Kommunikationssysteme und on-Chip Parallelrechner. Den Abschluss der Vorlesung bilden Verfahren, die einen effizienten Test der entwickelten mikroelektronischen Komponenten ermöglichen
In den Übungen werden die in der Vorlesung vermittelten Methoden praktisch angewandt. Auf Basis der Hardwarebeschreibungssprache VHDL werden mikroelektronische Schaltungen spezifiziert, synthetisiert und mit Hilfe von FPGAs (Field-Programmable Gate Arrays) in realen Systemumgebungen getestet."Further information on Entwurf mikroelektronischer Systeme.
- Informationstechnik im Sport (Vorlesung)
"Die Vorlesung gibt eine Einführung in Methoden und Techniken zur Erfassung und Verarbeitung von physiologischen und kinematischen Daten im Sport. Die dafür notwendige Sensorik sowie die Aufzeichnungs- und Verarbeitungsschritte, um leistungsdiagnostisch relevante Parameter im Sport zu bestimmen, werden anwendungsorientiert erläutert. Es werden Sensoren betrachtet, die an den Sportler angebracht, Informationen über den Leistungszustand sammeln und damit der Trainingsoptimierung und der Vorbeugung von Verletzungen dienen. In diesem Zusammenhang wird auf die Herzfrequenzerkennung, die Schritterkennung mit Beschleunigungssensoren und die Positionsbestimmung mit Hilfe von GPS eingegangen. Weiterführend wird Einblick in die Positionsbestimmung und Bewegungsverfolgung mit Hilfe von Kamerasystemen gegeben.
Den Teilnehmern werden Grundlagen zur Signal- und Bildverarbeitung vermittelt. Für die Erfassung der Signale werden ausgehend von den Sensoren, Konzepte der analogen Vorverarbeitung der Daten dargelegt. Im digitalen Teil werden Verfahren im Zeit- und Frequenzbereich sowie Methoden der Mustererkennung und Bildverarbeitung vorgestellt."
Further information on Informationstechnik im Sport
- Kognitronik (Vorlesung)
"Die Vorlesung Kognitronik befasst sich mit mikroelektronischen Schaltungen zur ressourceneffizienten Realisierung kognitiver Systeme. Ziel ist es, technische Produkte mit kognitiven Fähigkeiten auszustatten, so dass diese neben einer erhöhten Funktionalität insbesondere sicherer und benutzerfreundlicher werden.
Vorbilder für kognitronische Systeme haben sich in der Natur im Verlauf der biologischen Evolution in großer Anzahl entwickelt. Es liegt daher nahe, biologische Informationsverarbeitungsprinzipien auf technische Systeme zu übertragen. Behandelt werden die Analyse der theoretischen Leistungsfähigkeit und die integrationsgerechte Umsetzung derartiger Prinzipien."Further information on Kognitronik.
- Entwicklung eingebetteter Systeme (Projekt)
Further information on project Entwicklung eingebetteter Systeme.
- Embedded Machine-Learning (Projekt)
This project is given in English and German.
This project is about realization of machine-learning methods in resource limited systems like IoT devices or the robot platform AMiRo. While heavy processing of such algorithms is often done externally, the method developed in this project shall be autonomous and self-sufficient. As a result, concepts must not only take quality into account, but also efficiency and feasibility with respect to the target platform.
Concrete tasks would be:
- Finding suitable methods in relation to the requirements of the target platform
- Programming of these methods in C
- Method evaluationIn diesem Projekt sollen Verfahren des Maschinellen Lernens auf ressourcenbeschränkten Systemen, wie z.B. IoT-Geräten oder dem Miniroboter AMiRo, umgesetzt werden. Während die damit verbundenen Berechnungen oftmals auf externe Dienste ausgelagert werden, soll das im Rahmen dieses Projekts entwickelte Verfahren eigenständig und unabhängig sein. Daher sind bei der Entwicklung nicht nur Qualität, sondern auch Effizienz und Umsetzbarkeit auf der Zielplattform wichtige Anforderungen.
Konkrete Aufgabenstellungen wären:
- Finden geeigneter Verfahren in Bezug auf die Anforderungen der Zielplattform
- Programmierung dieser Verfahren in C
- Evaluierung der VerfahrenFurther information on project Embedded Machine-Learning.
- Miniroboterentwicklung (Projekt)
"Ziel des Projektes ist die Weiterentwicklung des AMiRo Miniroboters.
Unter anderem soll das ereignisorientierte Framework, basierend auf einem verteilten Echtzeitbetriebssystem erweitert werden. Eine konkrete Aufgabe wäre hier die Inbetriebnahme verschiedener Sensoren.
Des Weiteren sollen Themenstellungen wie interdisziplinäre Modellierung und Simulation von Systemkomponenten sowie Anwendungen im Bereich Embedded ML bearbeitet werden.
Weitere mögliche Themen sind die Erweiterung einer webbasierten Steuerung, Visualisierung von Sensordaten sowie eine Stream-basierte parallele Bildverarbeitung auf konfigurierbarer Hardware (FPGA)."Further information on project Miniroboterentwicklung.
- Körpernahe Sensorik / Wearable Sensors (Projekt)
"Das Projekt zielt auf die Weiterentwicklung eines bestehenden drahtlosen Körpersensors ab.
Dabei ist die Bearbeitung unterschiedlicher Themenfelder (Sensorik, Signalverarbeitung, Funkkommunikation) in den Bereichen der Hard- und Softwareentwicklung möglich:· Evaluation körpernaher Sensorik zur Messung von Biosignalen bzw. Vitalparametern (z.B. EKG, elektrodermale Aktivität, Bioimpedanz, Elektromyografie, …) sowie von inertialen Sensoren zur Erfassung kinematischer Daten (z.B. Bewegungsabläufe im Sport).
· Entwicklung und Benchmarking von Algorithmen zur Segmentierung, Klassifikation oder Kompression von Biosignalen.
· Softwareentwicklung zur Analyse und Darstellung aufgezeichneter Parameter.
· Vergleich verschiedener Funkkommunikationsstandards im Kontext der Körpersensorik (body sensor networks, BSN).
Im Rahmen des Projektes sollen Teilaspekte in kleinen Gruppen oder von Einzelpersonen bearbeitet werden.
Erfolgreiche Bearbeitung einer Teilaufgabe des Projektes, eine Abschlusspräsentation und eine kurze schriftliche Dokumentation."Further information on project Körpernahe Sensorik / Wearable Sensors.
Summer term 2023
- Autonomous Systems Engineering
- Digitalelektronik
- Embedded Systems
- Sensorik
- Projekt "Einsatz rekonfigurierbarer und paralleler Rechnersysteme"
- Projekt "Körpernahe Sensorik / Wearable Sensors"
- Projekt "IT-Sportanalyse"
- ISY Project: Model-based Performance Evaluation of Embedded Systems
- BioMechatronisches Praktikum
- BioMechatronisches Praktikum Uni
- IT-Sportanalyse
- Körpernahe Sensorik / Wearable Sensors
- Embedded Machine-Learning
- Miniroboterentwicklung
- ISY Project: Model-based Development of Cooperative Behavior for AMiRo Robots
Lecturer
Further information on ISY Project: Model-based Development of Cooperative Behavior for AMiRo Robots
- ISY Project: Human Action Recognition using Spiking Neural Networks