reSPACE

Reconfigurable Signal Processing and Classification Environment

Ansprechpartner/in:
Das Framework reSPACE (reconfigurable Signal Processing and Classification Environment) wurde entwickelt, um die Entwicklung applikationsspezifischer FPGA-basierter Hardwarebeschleuniger für rechenintensive Aufgaben für eingebettete und mobile Systeme zu wesentlich zu vereinfachen. reSPACE unterstützt dabei eine modellbasierte Entwicklungsmethodik, um den komplizierten Entwicklungsprozess zu beschleunigen. Der Fokus liegt insbesondere auf Anwendungen aus den Bereichen Signal- und Bildverarbeitung sowie maschinelles Lernen.
Schlüsselwörter: Maschinelles Lernen, Signalverarbeitung, Parallelisierung, FPGA, Eingebettete Systeme
Status: aktiv
Betriebssystem: Linux
Programmiersprachen: Python, C, Matlab, VHDL
Lizenz: Proprietär
Eigentumsrechte: Diese Software wurde vom DFKI sowie von der Arbeitsgruppe Robotik der Universität Bremen entwickelt und wird unter dieser Verantwortung weiterentwickelt. Bei Fragen und Anregungen wenden sie sich an die Ansprechpartner.
 

Softwarebeschreibung

Die Berechnungen werden mittels Datenflussbeschleuniger unabhängig von der CPU durchgeführt. (Quelle: DFKI GmbH)
Aufbau eines FPGAs (Quelle: DFKI GmbH)
Das am DFKI entwickelte ZynqBrain kann als Zielplattform für reSPACE genutzt werden. (Quelle: DFKI GmbH)

FPGAs für mobile und eingebettete Signalverarbeitungssysteme
Intelligente mobile und eingebettete Systeme, wie etwa Roboter, müssen häufig in der Lage sein, hochdimensionale Daten mit Signalverarbeitungs- und Lernalgorithmen in Echtzeit zu verarbeiten. Um dies zu gewährleisten, muss die Verarbeitung zugleich leistungsfähig und energiesparend sein. Hierfür bieten sich Field-Programmable Gate Arrays (FPGAs) an. Aktuelle FPGAs beinhalten sowohl eine Vielzahl an flexiblen Digitallogikelementen, als auch spezielle Komponenten für die Signalverarbeitung. Zusätzlich können sie vollständige CPU-Kerne beinhalten, um auch komplexe Softwareanwendungen auszuführen.


Software-Hardware Partitionierung
Viele Anwendungen im Bereich der Signalverarbeitung und des maschinellenen Lernens können in rechenintensive Teile, welche einer Hardwarebeschleunigung bedürfen, und generelle Verwaltungstätigkeiten aufgeteilt werden. Das Framework reSPACE erlaubt die einfache Implementierung von anwendungsspezifischen Hardwarebeschleunigern mit FPGAs auf Basis einer modellbasierten Entwicklungsmethodik.


Hardwarebasierte Datenflussbeschleuniger
reSPACE nutzt das Datenflussparadigma: heterogene und statische anwendungsspezifische Datenflussbeschleuniger können einfach durch eine Kombination von verschiedenen vordefinierten Knoten implementiert werden, von denen jeder eine bestimmte Transformation auf den Daten vornimmt. Die Knoten und der Datenflussbescheuniger sind rein datengetrieben und können somit unabhängig von der CPU arbeiten. Der Datenflussbescheuniger kann auf einfache Art und Weise in ein System on Chip integriert werden, die benötigten Treiber und Schnittstellenbibliotheken werden automatisch von reSPACE generiert.


Kombination mit pySPACE
reSPACE kann eng mit pySPACE zusammenarbeiten. Dadurch kann die Auswertungs- und Datenverwaltungsfunktionalität von pySPACE genutzt werden.


Beispiel für Anwendungsplattform: ZynqBrain
Die Elektronikplatine ZynqBrain, welche einen Xilinx Zynq® EPP und eine Vielzahl von verschiedenen Schnittstellen beinhaltet, wurde am DFKI RIC speziell als Zentralelektronik für Robotersysteme und Signalverarbeitungsplattform entwickelt. Auf der ARM® CPU kann übliche Software, wie z.B. pySPACE ausgeführt werden, während zeitkritische Berechungen im FPGA-Teil mittels reSPACE durchgeführt werden.

Referenzen

Anwendungsfelder: Assistenz- und Rehabilitationssysteme
Weltraumrobotik
Verwandte Projekte: HaLeR
Detection of action deviations through learning with limited computing resources (08.2020- 12.2022)
EXPECT
Exploring the Potential of Pervasive Embedded Brain Reading in Human Robot Collaborations (06.2020- 05.2024)
KiMMI-SF
Adaptive software framework for context-sensitive, intuitive man-machine-interaction (06.2020- 12.2023)
TransFIT
Flexible Interaction for infrastructures establishment by means of teleoperation and direct collaboration; transfer into industry 4.0 (07.2017- 12.2021)
BEAR
Battery electric waste management with robotic assistance (01.2017- 06.2020)
Recupera REHA
Full-body exoskeleton for upper body robotic assistance (09.2014- 12.2017)
IMMI
Intelligent Man-Machine Interface - Adaptive Brain-reading for assistive robotics (05.2010- 04.2015)
LIMES
Learning Intelligent Motions for Kinematically Complex Robots for Exploration in Space (05.2012- 04.2016)
HaLeR
Erkennung von Handlungsabweichungen durch Lernen mit eingeschränkten Rechenressourcen (08.2020- 12.2022)
EXPECT
Exploring the Potential of Pervasive Embedded Brain Reading in Human Robot Collaborations (06.2020- 05.2024)
KiMMI-SF
Adaptives Softwareframework für Kontextabhängige intuitive Mensch-Maschine-Interaktion (06.2020- 12.2023)
TransFIT
Flexible Interaktion für Infrastrukturaufbau mittels Teleoperation und direkte Kollaboration und Transfer in Industrie 4.0 (07.2017- 12.2021)
BEAR
Batterieelektrische Abfallentsorgung mit Roboterunterstützung (01.2017- 06.2020)
IMMI
Intelligentes Mensch-Maschine-Interface - Adaptives Brain-Reading für unterstützende Robotik (05.2010- 04.2015)
LIMES
Lernen intelligenter Bewegungen kinematisch komplexer Laufroboter für die Exploration im Weltraum (05.2012- 04.2016)
Recupera REHA
Ganzkörper Exoskelett für die robotische Oberkörper-Assistenz (09.2014- 12.2017)
Verwandte Robotersysteme: Ganzkörperexoskelett
Exoskelett für die robotische Oberkörper-Assistenz
Aktives Zweiarm-Exoskelett
Zweiarmiges Exoskelett für die robotische Oberkörper-Assistenz (Recupera REHA)
Exoskeleton Active (VI-Bot)
Upper body Exoskeleton (right arm)
Full Body Exoskeleton
Exoskeleton for upper body robotic assistance
Dual Arm Exoskeleton
Exoskeleton for upper body robotic assistance (Recupera REHA)
Exoskelett Aktiv (VI-Bot)
Exoskelett für den menschlichen Oberkörper (rechter Arm)
Fördergeber: Bundesministerium für Wirtschaft und Technologie
Deutsches Zentrum für Luft- und Raumfahrt e.V.
Förderkennzeichen: FKZ 50 RA 1012, FKZ 50 RA 1011

Videos

IMMI: Anpassung einer Mensch-Maschine Schnittstelle für Mehrrobotersteuerung mittels embedded Brain Reading

Das Video zeigt eine Mensch-Maschine Schnittstelle (MMS) für die Steuerung mehrere Roboter.  Die MMS wird durch „embedded Brain Reading“ an die Arbeitsbelastung und das Engagement des Nutzers online angepasst. Die Arbeitsauslastung wird von der Ausprägung der P300 im single-trial abgeleitet. Ein zweite Aufgabe zur Bestimmung der Arbeitsauslastung mittels der P300 Ausprägung nicht nötig.

© DFKI GmbH
zuletzt geändert am 16.11.2023
nach oben