Prototyping von Onboard-Multisensoranwendungen für den Schienenverkehr
- Nutzen Sie eine flexible I/O zur Integration von Onboard-Sensoren wie Radar oder Lidar zur Anbindung an Daten- und Kommunikationsbusse, indem Sie eine umfangreiche Komponentenbibliothek verwenden.
- Entwickeln Sie Anwendungen schneller mit Hilfe eines blockbasierten Frameworks in einer intuitiven grafischen Benutzeroberfläche, die für Multisensoranwendungen konzipiert ist
- Sie können in C/C++ oder Python entwickeln und einfach Python-basierte KI-Algorithmen für robustere Lösungen einbinden
- Kombinieren Sie RTMaps mit AUTERA für ein leistungsstarkes Prototyping in rauen Umgebungen, das genau auf Ihre Bedürfnisse zugeschnitten ist
Aufgabe
Der Schienenverkehr trägt entscheidend dazu bei, dass wir die natürlichen Energieressourcen schonen und die globalen Klimaziele erreichen. Das Fahren mit dem Zug oder der Straßenbahn wird dank Fahrerassistenzsystemen, wie wir sie aus dem Automobilbereich kennen, noch sicherer und komfortabler. Zukünftige Fahrzeuge werden mit Sensoren und Breitbandkommunikation ausgestattet sein, die eine wesentlich schnellere Erkennung potenzieller Gefahren ermöglichen und den Lokführer oder ein automatisches Zugsicherungssystem veranlassen, in Gefahrensituationen zu handeln, die durch witterungsbedingte Sichtbehinderungen sowie bei der Einfahrt in oder Ausfahrt aus Bahnhöfen verursacht werden können. Darüber hinaus werden anspruchsvolle Überwachungssysteme in der Kabine auf das körperliche Wohlbefinden und den Fahrkomfort von Lokführer und Passagieren achten.
Herausforderung
Multisensoranwendungen für Fahrerassistenzsysteme in zukünftigen Zügen werden in der Regel mit bordeigenen Sensoren wie Langstreckenradar- und Lidarsensoren verbunden sein und Funktionen wie drahtlose Breitbandkommunikation mit der Verkehrsinfrastruktur und GNSS-basierte Ortung bieten. Daher müssen diese Anwendungen asynchrone Datenströme in Echtzeit und in zeitlicher Korrelation verarbeiten. Für die Sensorfusion, die ein wichtiger Schritt zur Erstellung eines zuverlässigen Umweltmodells ist, müssen diese Sensordaten synchronisiert werden. Spezielle Kameras mit Infrarotfunktionen und künstlicher Intelligenz (KI) werden eingesetzt, um das Lokführerverhalten zu beobachten und zu bewerten.
Lösung
Die immer komplexer werdenden Schienenanwendungen mit dem Bedarf an Sensorintegration, KI und Edge Computing erfordern praxiserprobte Entwicklungstools, mit denen Sie sich auf Ihre eigentlichen Aufgaben konzentrieren können, während Sie den Rest, zum Beispiel die Verwaltung der Kommunikation zwischen den Systemkomponenten, übernehmen.
Mit dem Entwicklungs- und Ausführungsframework RTMaps (Real-time Multisensor Applications) können Sie Fahrzeugsensoren, I/O, Daten und Kommunikationsbusse auf einfache Weise integrieren und Hunderte von Standardkomponenten verwenden. Ein benutzerfreundlicher, blockbasierter Ansatz ermöglicht Ihnen die Integration Ihrer Algorithmen und die Verbindung mit allen notwendigen Schnittstellen wie Kameras, Radar, Lidar oder GNSS mit wenigen Klicks für eine schnellere und intuitivere Entwicklung. RTMaps verarbeitet asynchrone Sensordatenströme zeitkorreliert und unterstützt bei Bedarf deren Synchronisierung. Das Entwicklungsframework unterstützt nativ die Skriptsprache Python, die in der Entwicklung von KI-Algorithmen weit verbreitet ist, und ermöglicht die schnelle Integration von Deep-Learning-Funktionen, um die anspruchsvollen Anforderungen an äußerst robuste Kabinenüberwachungsfunktionen zu erfüllen. RTMaps arbeitet mit Multicore- und Multisensorsystemen, um das Beste aus Ihrer Anwendung herauszuholen, die auf verschiedenen Embedded-Plattformen mit Linux, Windows oder QNX ausgeführt werden kann. Die robuste AUTERA-Prototyping-Plattform mit herausragender Leistung wird ebenfalls unterstützt. Die modulare Plattform bietet zahlreiche Schnittstellen und Konfigurationsmöglichkeiten und ist für den Betrieb in rauen Umgebungen ausgelegt.