Release 2017a: Sensorfusion aus Daten einer Kamera, dem Dual-Mode-Radar und der inertialen Messeinheit (Inertial Measurement Unit, IMU). Links die Ausgabe der zusammengeführten Daten auf einem Referenz-Kamerabild, rechts der Zustand des Systems inklusive erkannten Objekten, Fahrbahn, Fahrbahnmarkierungen und Streckenhistorie aus der Vogelperspektive.

Release 2017a: Sensorfusion aus Daten einer Kamera, dem Dual-Mode-Radar und der inertialen Messeinheit (Inertial Measurement Unit, IMU). Links die Ausgabe der zusammengeführten Daten auf einem Referenz-Kamerabild, rechts der Zustand des Systems inklusive erkannten Objekten, Fahrbahn, Fahrbahnmarkierungen und Streckenhistorie aus der Vogelperspektive. Mathworks

Im neuen Release 2017a (R2017a) von Mathworks ist die Automated Driving System Toolbox enthalten. Die Toolbox eignet sich für den Entwurf, die Simulation und das Testen von Fahrerassistenzsystemen (ADAS) und automatisierten Fahrsystemen. Zusätzlich stellt sie neue Funktionen zur Entwicklung von Sensor-Fusion- und Tracking-Algorithmen bereit, die den Anwendern helfen, durch das Zusammenführen von Sensordaten aus komplementären Quellen neue und präzisere Kenntnisse über einzelne Verkehrssituationen zu erlangen. Anhand von generierten Verkehrsszenarien und synthetischen Sensordaten lassen sich Algorithmen testen und validieren. Mit weiteren Funktionen können komplette 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.

Ein weiterer Fokus des R2017a liegt auf neuen Funktionen für Data-Analytics, Machine-Learning und Deep-Learning. Neue Tools erleichtern die Skalierung und schnellere Ausführung von Algorithmen in Matlab und Simulink. Dieser Vorteil kommt beispielsweise zum Tragen, wenn Anwender große Mengen an Bilddaten analysieren möchten, um Algorithmen zur Objekterkennung zu entwickeln. Mit dem neuen Update ist es möglich, neuronale Netze vollständig selbst 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 neue Regression-Learner-App zum Trainieren von Regressionsmodellen mit überwachtem maschinellem Lernen. Bei der Bearbeitung großer Datenmengen stehen Anwender oft vor technischen Problemen, etwa wenn sie Algorithmen entworfen haben und diese skalieren möchten, die Daten aber nicht in den Arbeitsspeicher passen. Zur leichteren Bearbeitung von Big Data wurden im Release 2016b Tall-Arrays eingeführt, die bei großen Datenmengen dennoch eine vertraute Syntax bieten. Diese Tall-Arrays werden auch in vielen Machine-Learning-Funktionen unterstützt.

Auch in Simulink erleichtern Neuerungen die Arbeit mit großen Datenmengen. Zum Beispiel ist es nun möglich, Eingangssignale aus MAT-Dateien zu streamen anstatt sie in den Arbeitsspeicher laden zu müssen. Zudem können Nutzer nun mithilfe des Parsim-Befehls mehrere Simulationen parallel ausführen – entweder auf dem eigenen PC oder in der Cloud.