Release 2017a umfasst die Automated Driving System Toolbox für das Design und Testen von ADAS und autonomen Fahrsystemen. Sie stellt neue Funktionen zur Entwicklung von Sensor-Fusion- und Tracking-Algorithmen bereit. Anhand von generierten Verkehrsszenarien und synthetischen Sensordaten lassen sich Algorithmen testen und validieren.
Mit weiteren Funktionen können Kamera-, Radar- und Lidar-basierte Sensoren entwickelt werden. Durch die automatische Generierung von Code für den Sensorfusions- und Verfolgungs-Workflow lässt sich wertvolle Entwicklungszeit einsparen.
Von der Datenanalyse zum maschinellen Lernen
Ein weiterer Fokus des R2017a liegt auf Funktionen für Data Analytics, Machine Learning und Deep Learning. Tools erleichtern die Skalierung und schnellere Ausführung von Algorithmen in MATLAB und Simulink beispielsweise bei der Analyse großer Mengen an Bilddaten für die Objekterkennung. Mit dem Update ist es möglich, neuronale Netze zu trainieren oder Transfer Learning mit vortrainierten Modellen zu verwenden, die bereits Tausende von Objekten erkennen.
Anwender können das Training mit GPUs auf ihrem Multi-Core Computer oder durch Skalierung in der Cloud beschleunigen. Das Update umfasst zudem Frameworks zur Objekterkennung, die helfen, Objekte mit Deep Learning noch präziser lokalisieren und klassifizieren zu können. Funktionen für Maschinelles Lernen sind bereits in die Classification Learner App integriert und helfen bei der Klassifizierung von Objekten. Ergänzt wird sie durch die Regression Learner App zum Trainieren von Regressionsmodellen mit überwachtem maschinellem Lernen.
Release 2017a der MATLAB- und Simulink-Tools verfügbar
PRODUKT NEWS FPGA-EDA