Publikationen

Convolutional Neural Networks (CNN) are widely used for image classification and have achieved significantly accurate performance in the last decade. However, they require computationally intensive operations for embedded applications. In recent years, FPGA-based CNN accelerators have been proposed to improve energy efficiency and throughput. While dynamic partial reconfiguration (DPR) is increasingly used in CNN accelerators, the performance of dynamically reconfigurable accelerators is usually lower than the performance of pure static FPGA designs. This work presents a dynamically reconfigurable CNN accelerator architecture that does not sacrifice throughput performance or classification accuracy. The proposed accelerator is composed of reconfigurable macroblocks and dynamically utilizes the device resources according to model parameters. Moreover, we devise a novel approach, to the best of our knowledge, to hide the computations of the pooling layers inside the convolutional layers, thereby further improving throughput. Using the proposed architecture and DPR, different CNN architectures can be realized on the same FPGA with optimized throughput and accuracy. The proposed architecture is evaluated by implementing two different LeNet CNN models trained by different datasets and classifying different classes. Experimental results show that the implemented design achieves higher throughput than current LeNet FPGA accelerators.

With a limited number of workers or staff in the hospital, it is not possible to manually monitor all of the medical device in the hospital. Many medical devices were lost by mistake, many assets went unused because they were not well-stocked, and many assets were destroyed without recognizing it. This will undoubtedly be very negative to hospitals in terms of resources, which are often expensive, and will, of course, diminish the effectiveness and efficiency of medical services. The necessity for hospitals to modernize their technology is apparent. The rapid advancement of technology allows us to overcome these issues, in fact, IoT-based technology is now so advanced that paper-based technology must be gradually phased out. The technology is a real-time location system (RTLS), there are many different ways to implement this technology, one of them is to use Ultra-Wide band (UWB) technology, with this solution, hospitals can track the location of their medical device, as well as other information - this including the Transesophageal Echo (TEE) Probe. DWM1001 is one of the UWB modules that researchers can develop, but its deployment in hospitals still need more research and reliability. This study will address techniques for improving the reliability of anchor mapping and hybrid Wi-Fi solutions as backup solutions.

3D object detection based on LiDAR point clouds is a crucial module in autonomous driving particularly for long range sensing. Most of the research is focused on achieving higher accuracy and these models are not optimized for deployment on embedded systems from the perspective of latency and power efficiency. For high speed driving scenarios, latency is a crucial parameter as it provides more time to react to dangerous situations. Typically a voxel or point-cloud based 3D convolution approach is utilized for this module. Firstly, they are inefficient on embedded platforms as they are not suitable for efficient parallelization. Secondly, they have a variable runtime due to level of sparsity of the scene which is against the determinism needed in a safety system. In this work, we aim to develop a very low latency algorithm with fixed runtime. We propose a novel semantic segmentation architecture as a single unified model for object center detection using key points, box predictions and orientation prediction using binned classification in a simpler Bird's Eye View (BEV) 2D representation. The proposed architecture can be trivially extended to include semantic segmentation classes like road without any additional computation. The proposed model has a latency of 4 ms on the embedded Nvidia Xavier platform. The model is 5X faster than other top accuracy models with a minimal accuracy degradation of 2% in Average Precision at IoU = 0.5 on KITTI dataset.

Der Mobilitätssektor befindet sich im Wandel, wobei die Elektromobilität hier eine Schlüsselrolle in der Zukunft einnehmen soll. Der Fahrradmarkt weist bereits eine hohe Kundenakzeptanz und stark zunehmende Verkaufszahlen von Elektrofahrrädern im Vergleich zu Elektroautos auf. Diese Zunahme an Elektrofahrrädern im Straßenverkehr geht jedoch auch mit einem Wachstum der Fahrradunfälle einher. Zudem gelten Fahrradfahrer, wie auch Fußgänger, als gefährdete Verkehrsteilnehmer mit einem erhöhten Verletzungsrisiko im Straßenverkehr. Diese Zusammenhänge weisen die Notwendigkeit hinsichtlich der Verbesserung der Sicherheit von Fahrradfahrern auf. Diese Herausforderung wird in der vorliegenden Arbeit angegangen, indem ein automatischer Fahrradunfallklassifizierungsansatz untersucht wird, der ein automatisches Notrufassistenzsystem ermöglicht und somit die passive Sicherheit des Fahrradfahrers erhöht. Zudem erlaubt die neuartige Klassifizierung in unterschiedliche Unfallklassen auch den Aufbau einer Unfalldatenbank mit automatischer Datenerhebung, die zukünftige Studien bezüglich Fragestellungen rund um die Fahrradunfallforschung ermöglicht. Hierfür werden zuerst geeignete Sensoren ausgewählt und notwendige Schritte zur Signalverarbeitung untersucht. Dies führt zu dem Einsatz von Inertialsensoren, die mit einem neuartigen Ansatz bezüglich Einbaulage am Fahrrad und Offsetfehler zur Laufzeit kalibriert werden. Durch die Definition und Kombination von fahrradspezifischen kinematischen Unfallmerkmalen können unterschiedliche Unfallklassen voneinander separiert werden. Die optimalen Eingangsgrößen dieser Unfallmerkmale werden mithilfe von mehreren Varianzanalysen ausgelegt. Die Modellierung dieser Merkmale findet anschließend einerseits auf Basis von klassischen Ansätzen mit dynamischen Schwellwerten und andererseits mittels probabilistischer Modelle statt. Hierbei wird auf die Methode der logistischen Regression und der Maximum-Likelihood-Optimierung zurückgegriffen. Die definierten Fahrradunfallmerkmale werden anschließend mit einem Entscheidungsbaum kombiniert. Mithilfe von aufwendigen Crash-Tests und einer naturalistischen Fahrstudie werden die Modelle trainiert und die Funktionalität der Fahrradunfallklassifizierung nachgewiesen. Die guten Validierungsergebnisse bestätigen den möglichen Anwendungsfall als Auslösefunktion für einen automatischen Notrufassistenten und zur automatischen Datenerhebung für eine Fahrradunfalldatenbank. Die Untersuchungen wurden aufgrund von Sensordaten von sogenannten "Pedelecs" (Fahrräder mit elektrischer Unterstützung) durchgeführt. Die gewonnenen Erkenntnisse und untersuchten Ansätze gelten jedoch auch für konventionelle Fahrräder.