Zu den Neuigkeiten in MATLAB R2019b gehört die Einführung von Tasks im Live Editor. Damit können Benutzer interaktiv Parameter untersuchen, Daten vorverarbeiten und MATLAB-Code generieren, der Teil des Live-Skripts wird.


Zu den News in Simulink R2019b gehört der Simulink-Toolstrip, über den Anwender auf Funktionen zugreifen und diese auffinden können, sobald diese benötigt werden. Im Simulink-Toolstrip sind die Registerkarten nach Workflow angeordnet und nach Nutzungshäufigkeit sortiert.



Künstliche Intelligenz und Deep Learning

Die Deep Learning Toolbox in R2019b baut auf den flexiblen Trainings-Schleifen und Netzen auf, die bereits früher in diesem Jahr eingeführt wurden. Neue Funktionen ermöglichen es Anwendern, erweiterte Netzarchitekturen mit benutzerdefinierten Trainings-Schleifen, automatischer Differenzierung, gemeinsamen Gewichtungen und benutzerdefinierten Verlustfunktionen zu trainieren.


Außerdem können Anwender jetzt Generative Adversarial Networks (GANs), Siamesische Netze, Auto-Encoder mit Variationen und Attention-Netze erstellen. Des Weiteren ermöglicht die Deep Learning Toolbox nun den Export von Netzen, in denen CNN- und LSTM-Ebenen kombiniert sind, sowie von Netzen, die 3D-CNN-Ebenen enthalten, in das ONNX-Format.



Neues für den Automotive-Bereich

Die Automated Driving Toolbox dient der Unterstützung von 3D-Simulationen, einschließlich der Möglichkeit, Fahralgorithmen in einer 3D-Umgebung zu entwickeln, zu testen und zu verifizieren, sowie eines Blocks, mit dem Anwender das Geschwindigkeitsprofil eines Fahrwegs unter Beachtung kinematischer Bedingungen erzeugen können.


Das Powertrain Blockset bietet die Möglichkeit, ein Deep-Learning-Modell für einen SI-Motor zu generieren, mit dem Anwender Algorithmen entwerfen sowie Fahrzeugleistung, Kraftstoffverbrauch und Emissionen analysieren können.


Ebenfalls neu sind Referenzanwendungen für die HEV-Architekturen P0, P1, P3 und P4. Dabei handelt es sich um speziell zusammengestellte Modelle für HIL-Tests, Trade-Off-Analysen und die Optimierung von Regelungsparametern für Hybridfahrzeuge.


Die Sensor Fusion and Tracking Toolbox bietet die Möglichkeit, Fusionen zwischen Tracks durchzuführen und dezentrale Trackingsysteme zu entwerfen. Der Polyspace Bug Finder liefert erweiterte Unterstützung von AUTOSAR C++14-Programmierrichtlinien zur Überprüfung auf fehlerhafte Verwendung von Lambda-Ausdrücken, mögliche Probleme mit Aufzählungen und weitere Probleme.



Schulung zu Stateflow

R2019b bietet Stateflow Onramp, ein interaktives Tutorial, das Anwendern die Grundlagen zum Erstellen, Bearbeiten und Simulieren von Stateflow-Modellen vermittelt. Wie die bestehenden Onramps für MATLAB, Simulink und Deep Learning umfasst dieser Kurs zum Selbststudium Video-Tutorials sowie praktische Übungen mit automatisierten Bewertungen und Feedback.