Prof. Dr. Andreas Mazura referierte am 16. November zum Thema "Untersuchung zur Eignung der Game Engine "Unity 3D" hinsichlich der Verwendung als 3D Produktkonfigurator anhand eines zu erstellenden Prototyps".

Ziel des Forschungsvorhabens war die Erstellung eines 3D-Produktkonfigurators auf der Basis einer Game Engine, die normalerweise zur Erstellung handelsüblicher 3D-Spiele verwendet wird. Game Engines bieten bereits eine gewisse Grundfunktionalität, die z.B. beim Import und Handling von CAD-Daten benötigt werden. Dreidimensionale Solidworks-Daten standen für Testzwecke zur Verfügung.
Als Kriterien für einen etwaigen produktiven Einsatz sollten primär der Entwicklungsaufwand, die Qualität der graphischen Darstellung, die Update-Fähigkeit über das Internet, die Verfügbarkeit auf unterschiedlichen Plattformen sowie die Wart- und Erweiterbarkeit herangezogen werden.
Die Umsetzung der Aufgabenstellung erforderte die 3D-Modellierung zusätzlicher Komponenten, den Aufbau einer Hintergrundszene sowie die Realisierung einer komplexen Benutzerschnittstelle. Des Weiteren mussten geeignete Materialien sowie Texturen erzeugt und in eine echtzeitfähige Beleuchtungssituation integriert werden. Um die Benutzereinga-ben und externen Vorgaben zu berücksichtigen, musste ein Kommunikationsmechanis-mus zwischen den betroffenen Objekten konzipiert und programmiert werden. Dabei wurde auch der Datenaustausch mit Unity via XML eingerichtet und überprüft. Zur interaktiven Inspektion des virtuellen Produkts musste programmseitig für eine benutzerfreundliche Kameraführung gesorgt werden.
Am Prototyp wurden Tests zum Laufzeitverhalten mit Unity-internen Tools durchgeführt und die Anwendung für diverse Plattformen veröffentlicht. Auch der Usability- und Pflegeaufwand im Hinblick auf die Verwendung von Unity als Autorenwerkzeug wurden einer abschließenden Prüfung unterzogen.


Prof. Dr.-Ing. Frank Kesel referierte am 16. November zum Thema "Entwurf und Implementierung von neuronalen Netzen zur Bildklassifikation auf hybriden CPU/FPGA-Systemen".

Maschinelles Lernen in Form von neuronalen Netzen wird häufig für Klassifikationsaufgaben eingesetzt. Für die Bildklassifikation werden dabei so genannte „Convolutional Neural Networks“ (CNN) verwendet, welche aus mehreren Faltungsschichten und einer Klassifikationsschicht bestehen. Die Koeffizienten der einzelnen Schichten werden dabei bezüglich der Klassifikationsaufgabe durch entsprechende Trainingsalgorithmen „gelernt“, dies wird als „Deep Learning“ bezeichnet. Normalerweise werden für Training und Ausführung der CNNs Grafikprozessoren (GPU) benutzt, die eine wesentlich höhere Rechenleistung im Vergleich zur Ausführung auf der CPU des Systems erzielen können. Für eingebettete Systeme, bei welchen keine leistungsfähige GPU vorhanden ist, kann die Ausführung von CNNs durch den Einsatz von FPGAs (Field-Programmable Gate-Array) beschleunigt werden.
Der Beitrag erläutert nach einer Einführung in hybride CPU/FPGA-Systeme (SOPC: Sys-tem-On-a-Programmable-Chip) den Entwurf von neuronalen Netzen und CNNs auf solchen Systemen am Beispiel der Klassifikation von handschriftlichen Ziffern. Ausgehend von einer Software-Implementierung der Algorithmen in C++ werden zeitkritische Teile der Anwendung in den FPGA-Teil des SOPCs ausgelagert. Die Implementierung der Algorithmen in der FPGA-Hardware erfolgt dabei durch den Einsatz von „High-Level Synthese“ (HLS), welche den C++-Code automatisiert umsetzt. Erläutert wird daher auch die Arbeitsweise der HLS, welche Steuerungsmöglichkeiten durch den Entwickler möglich sind und welche Veränderungen am C++-Code notwendig werden können, um die Implementierung im Hinblick auf die Performance zu optimieren. Der Vorteil der HLS gegenüber traditionellen Entwurfsverfahren besteht darin, dass innerhalb kurzer Zeit verschiedene Vari-anten untersucht und damit eine Exploration des Entwurfsraums hinsichtlich Performance und Ressourcenverbrauch erfolgen kann. Dies wird anhand der Beispiele dargestellt und es wird gezeigt, welche Beschleunigungen gegenüber einer reinen Softwareimplementierung möglich sind.