NeurOSmart

• Mobile Robotersysteme werden immer autonomer und mit weiteren Sensoren ausgestattet.
• Die Verknüpfung großer Datenmengen erfordert extreme Rechenleistung am Sensor, bei gleichzeitig begrenzter Bandbreite und knappen Energiemargen.
• Prognose: Innerhalb von zehn Jahren muss die Rechenkapazität in der Sensorperipherie der Leistung heutiger Supercomputer entsprechen.
• Nur ein konsequentes Codesign aus passgenauer Hardware- und Softwarearchitektur kann diese Anforderungen erfüllen.

NeurOSmart setzt einen neuen Standard für hybride, ultra-low-power Computing-Architekturen in autonomen Maschinen und Transportsystemen.

Kernziel:

Energieeffizienz der Datenverarbeitung um mindestens zwei Größenordnungen steigern.

Vorgehen im Projekt

  • Integration der Intelligenz direkt in das Sensorsystem (Codesign von Sensor-HPC-Architektur)
  • Einsatz eines offenen Scanning-LiDAR-Systems als Datenzugriffsbasis
  • Kombination aus KI-gestützter Vorverarbeitungspipeline und neuromorphem In-Memory-Beschleuniger
  • Enge Abstimmung zwischen Sensorentwicklung und Hardware-Anpassung

Technologie

  • Offenes Scanning-LiDAR-System als Sensorbasis für direkten Datenstromzugriff
  • KI-gestützte Preprocessing-Pipeline für schnelle, lokale Auswertung
  • Neuromorpher In-Memory-Beschleuniger-Chip für Ultra-Low-Power-Inference

Anwendungsfelder

  • Autonome Fahrzeuge und Logistikrobotik
  • Vorsorge- und Sicherheitssysteme in Mobilitätsanwendungen
  • Echtzeit-Datenanalyse an der Sensorperipherie

Projekttyp: Fraunhofer-Leitprojekt

Laufzeit: Januar 2022 - Dezember 2025

Finanzierung: Gefördert durch interne Fraunhofer-Mittel

Konsortium

Koordination: Fraunhofer ISIT, Dr. rer. nat. Michael Mensing

Fraunhofer ISIT

Das Fraunhofer ISIT ist der Koordinator des Projekts NeurOSmart: Zu den Forschungskompetenzen gehört die Entwicklung und Integration von piezo- und ferroelektrischen Materialien für mikroelektronische und elektromechanische Anwendungen. Im Rahmen des Projekts ist das Fraunhofer ISIT primär dafür verantwortlich, AIScN als revolutionäre „next-generation” Ferroelektrik für den Einsatz in ferroelektrischen Feldeffekttransistoren zu evaluieren.

Fraunhofer IPMS

Zu den primären Forschungskompetenzen zählt die Entwicklung von Speichertechnologien in advanced node CMOS Realisierungen. Hierfür verfügt das Fraunhofer IPMS über eine innovative ferroelektrische Speichertechnologie (FeFET). Im Rahmen von NeurOSmart dient die Speicheremulation u.a. für Softwareblöcke zur Ansteuerung der In-Memory-Hardware-Blöcke sowie zur Verwaltung von Datenströmen.

Fraunhofer IWU

Der Komptenzbereich des Fraunhofer IWU reicht von Werkzeugmaschinen, Umform-, Füge- und Montagetechnik über Präzisionstechnik und Mechatronik bis hin zur Digitalisierung in der Produktion sowie der virtuellen Realität im Kontext Maschinenbau. Im Speziellen verfügt das Fraunhofer IWU über eine langjährige Erfahrung in der Erforschung und Entwicklung sicherer Mensch-Roboter Systeme sowie sensitiven Robotern. Im Rahmen des Projekts wird das Institut das Sensorsystem in einem industriellen Umfeld auf die Anwendbarkeit evaluieren.

Fraunhofer IAIS

Das Fraunhofer IAIS verfügt über Foschungskompetenzen in den Bereichen verteiltes Lernen, Sprachassistenzsysteme und Computer Vision für das Autonome Fahren. Dabei verfügt das Institut über ein leistungsfähiges Spracherkennungssystem für die automatische Transkription und die Erkennung von Sprachsignalen. Im Rahmen von NeurOSmart bündelt das Institut seine Kompetenzen u.a. für das Training des neuronalen Netzwerkes.

Fraunhofer IMS

Die Kernkompetenzen des Fraunhofer IMS bestehen in der Entwicklung von Embedded Software und AI, Smart Sensor Systems in den Geschäftsfeldern Health, Industry, Mobility und Space und Security. Das Institut hat eine AIfES (Artificial Intelligence for Embedded Systems) entwickelt - eine plattformunabhängige und stetig wachsende Machine-Learning-Bibliothek in der Programmiersprache C. AlfES stellt auch für NeurOSmart eine wichtige Voraussetzung für die Entwicklung der Hardwareplattform zur Sensor- und Scanner-Ansteuerung dar.

• Deutliche Entlastung zentraler HPC-Systeme und reduzierte CO₂-Bilanz durch lokale Datenauswertung
• Schnellere Reaktionszeiten und höhere Zuverlässigkeit autonomer Systeme
• Skalierbarkeit: Ansatz lässt sich auf weitere Sensorsysteme und Anwendungen übertragen
• Transferperspektive: Enge Verzahnung von Forschung und Industrie – vom Prototyp bis zur Serienintegration