Physical Artificial Intelligence (AI) verändert die Anforderungen an die industrielle Robotik zunehmend. Autonome mobile Roboter (AMRs), kollaborative Roboter (Cobots), intelligente Bildverarbeitungssysteme und andere autonome Maschinen müssen immer komplexere Situationen in der realen Welt bewältigen. Dabei nutzen sie fortschrittliche Wahrnehmungsfähigkeiten und adaptive Entscheidungsprozesse, die durch lokale Intelligenz mit geringer Latenz ermöglicht werden.
Die Kombination aus AI, Sensorik und physischer Interaktion stellt neue Anforderungen an Embedded-Edge-Computing-Plattformen. Für Robotik-OEMs müssen die zugrunde liegenden Architekturen jedoch auch den Übergang von der frühen Entwicklungsphase bis zur industriellen Serienimplementierung unterschiedlicher Maschinentypen unterstützen.
Ein AMR beispielsweise benötigt möglicherweise energieeffiziente AI-Verarbeitung, Kameras, LiDAR und drahtlose Konnektivität, während ein Cobot eine andere Kombination aus industrieller Bildverarbeitung, industrieller Vernetzung und deterministischer Echtzeit-Motorsteuerung erfordert. Selbst innerhalb derselben Produktfamilie können sich die Anforderungen an Rechenleistung und I/O-Schnittstellen erheblich unterscheiden.
Da sich die Systemanforderungen kontinuierlich weiterentwickeln, wird es zunehmend schwieriger, die Entwicklung einer neuen Rechenplattform für jede einzelne Maschine zu rechtfertigen. Modulare Rechenarchitekturen bieten eine skalierbare Lösung, die längere industrielle Produktlebenszyklen und die zukünftige Produktentwicklung unterstützt.
Warum modulare Rechenplattformen für Physical AI und Robotik wichtig sind
Bei Embedded-Computing-Architekturen sind Rechenressourcen, Arbeitsspeicher und I/O-Schnittstellen häufig eng an spezifische Anwendungsanforderungen gebunden. Ändern sich diese Anforderungen, kann die Modernisierung der zugrunde liegenden Systemarchitektur wesentlich komplexer sein als die bloße Auswahl eines neueren Prozessors.
Physical AI erfordert häufig zusätzliche Rechenressourcen für eine effiziente Edge AI, mehr Speicherkapazität und -bandbreite zur Unterstützung zunehmend komplexer Bildverarbeitungssysteme sowie neue I/O-Schnittstellen für moderne Sensoren und Netzwerktechnologien. Die grundlegende Herausforderung für Entwickler besteht jedoch darin, dass diese Anforderungen weiterhin schnell steigen.
Durch den Einsatz modularer Systemarchitekturen können Entwickler Rechenressourcen von anwendungsspezifischer Hardware entkoppeln und den Aufwand für Upgrades reduzieren, wenn sich Systemanforderungen ändern.
Während der Prototypenentwicklung können Entwickler die Anforderungen der Anwendung an Rechenleistung, Sensorik und AI bestimmen, bevor sie sich auf die Hardware für die Serienproduktion festlegen. Bei der Entwicklung von Serienmodellen lassen sich anwendungsspezifische I/O-Schnittstellen anschließend auf Basis einer geeigneten modularen Rechenplattform realisieren, die potenziell für verschiedene Produktvarianten und zukünftige Produktgenerationen wiederverwendet werden kann.
Modularität bedeutet daher mehr als nur die Austauschbarkeit einer einzelnen Komponente. Für industrielle OEMs, die unterschiedliche intelligente Maschinen entwickeln, ermöglicht sie es, die Rechenarchitektur selbst als wiederverwendbaren Bestandteil langfristiger Produkt-Roadmaps zu etablieren.
Skalierbare Robotikplattformen mit SOMs und offenen COM-Standards entwickeln
System-on-Modules (SOMs) und Computer-on-Modules (COMs) bieten eine praktische Möglichkeit, Rechenplattformen vom anwendungsspezifischen Produktdesign zu entkoppeln.
Zentrale Rechenressourcen wie Prozessor und Arbeitsspeicher sind auf dem Modul integriert, während ein Carrierboard die für die jeweilige Maschine erforderlichen Schnittstellen und weiteren Funktionen bereitstellt. In der industriellen Robotik können Kameras, Sensoren, Motorsteuerungen, Netzwerkschnittstellen und andere Hardwarekomponenten dadurch gezielt auf die Anforderungen der jeweiligen Maschine abgestimmt werden, ohne das Design an bestimmte Prozessorimplementierungen zu binden.
Durch die Integration von Rechenressourcen über Carrierboard-kompatible Module können Entwickler Änderungen hinsichtlich Rechenleistung, Energiebedarf und AI-Fähigkeiten berücksichtigen, ohne die Rechenplattform oder die umgebende Anwendungshardware vollständig neu entwickeln zu müssen. Zudem können OEMs intelligente Maschinen an veränderte Rechenleistungsanforderungen anpassen, ohne jede neue Generation als vollständig neues Design behandeln zu müssen.
Offene COM-Standards unterstützen diesen Ansatz durch standardisierte Modularchitekturen, die die Integration von Rechenressourcen vereinfachen und eine schnellere Markteinführung ermöglichen können. Darüber hinaus gewährleisten sie die Interoperabilität zwischen kompatiblen Lösungen und können dazu beitragen, die Abhängigkeit von einzelnen Anbietern zu verringern und die langfristige Widerstandsfähigkeit der Lieferkette zu stärken.
Das auf offenen COM-Standards basierende Design wird bereits in industriellen Physical-AI-Systemen durch SOMs mit fortschrittlichen Qualcomm-Prozessorplattformen eingesetzt. Das Portfolio von SECO umfasst Lösungen auf Basis des SMARC-Standards (Smart Mobility Architecture), darunter SOM-SMARC-Dragonwing-IQ8 und SOM-SMARC-QCS6490, die leistungsstarke heterogene Verarbeitung in einem kompakten Formfaktor und bei geringem Energiebedarf bieten. Alternativ basiert SOM-COMe-CT6-Dragonwing-IQ-X auf dem COM Express Type 6 Compact-Standard, der umfangreiche High-Speed-I/O-Schnittstellen bereitstellt und leistungsstärkere Rechenkonfigurationen unterstützt.
Darüber hinaus nutzt SOM-SMARC-Dragonwing-IQ8 dieselbe Qualcomm Dragonwing IQ8-Prozessorfamilie wie die Arduino VENTUNO Q-Entwicklungsplattform, die speziell auf AI- und Robotikanwendungen ausgerichtet ist. Damit bietet das Modul eine auf die Serienproduktion ausgerichtete Plattform, die dazu beiträgt, den Entwicklungsaufwand beim Übergang von Physical-AI-Prototypen auf Basis von VENTUNO Q zu reduzieren.
Modularität auf den Software-Stack ausweiten
Industrielle Robotikplattformen sind auf robuste Betriebssysteme, Treiber, AI-Frameworks, Sicherheitsfunktionen und Managementsoftware angewiesen. Die Vorteile modularer Hardware werden jedoch erheblich eingeschränkt, wenn Änderungen an der zugrunde liegenden Hardware umfangreiche Neuentwicklungen der Software erforderlich machen. Die Softwarearchitektur spielt daher eine entscheidende Rolle für wirksame modulare Computing-Strategien.
Das Yocto Project bietet eine konfigurierbare, modulare Grundlage für die Erstellung hochgradig angepasster Embedded-Linux-Umgebungen. Anstatt ein universelles Betriebssystem (OS) einzusetzen, können Entwickler Software-Images erstellen und pflegen, die gezielt auf die für die jeweilige Anwendung erforderlichen Pakete, Treiber und Dienste abgestimmt sind. Dadurch lassen sich unterschiedliche Prozessorplattformen unterstützen, während unnötige Softwarekomponenten weggelassen und die gesamte Angriffsfläche reduziert werden.
Das Clea Software-Framework von SECO erweitert die grundlegenden Vorteile von Yocto Linux um ein Edge-to-Cloud-Ökosystem, das mit zahlreichen industriellen Systemen von Drittanbietern kompatibel ist. Mit Clea OS und den zugehörigen Softwaremodulen ermöglicht SECO Entwicklern, langfristige Cybersicherheit und Software-Lifecycle-Management über zentral verwaltete, heterogene Geräteflotten hinweg zu unterstützen. AI-Enablement-Tools wie der SECO App Hub ermöglichen es Entwicklern zudem, validierte AI-Modelle am Edge über mehrere unterstützte Rechenarchitekturen hinweg bereitzustellen.
Daraus ergibt sich eine umfassendere Definition von Modularität. Anstatt sich ausschließlich darauf zu konzentrieren, ob ein Rechenmodul durch ein anderes ersetzt werden kann, zeigt SECO, wie Hardware, Betriebssysteme, Anwendungen und Managementinfrastruktur als wiederverwendbare Plattformen in Physical-AI-Implementierungen zusammenwirken können.
Rechenplattformen für die nächste Generation intelligenter Maschinen entwickeln
AMRs und Cobots verdeutlichen die Bedeutung flexibler, modularer Rechenplattformen. Beide Anwendungen sind Teil der umfassenderen Entwicklung hin zu Physical AI, doch die jeweils erforderlichen Rechenarchitekturen können sich erheblich unterscheiden. Gleiches gilt für intelligente Bildverarbeitungssysteme, autonome Industrieanlagen und neue Robotikanwendungen.
Eine modulare Architektur soll diese Maschinen nicht identisch machen. Vielmehr stellt sie eine gemeinsame Grundlage bereit, die sich an die Anforderungen einzelner Maschinen anpassen lässt. Für industrielle Robotik-OEMs ermöglicht Modularität den Entwicklern, bereits bei der aktuellen Architektur zu berücksichtigen, wie diese durch spätere Upgrades unterschiedliche Leistungsstufen, neue AI-Workloads und zukünftige Produkte unterstützen kann.
Mit der Weiterentwicklung von Physical AI werden Prozessoren, Sensoren und Software voraussichtlich schneller Fortschritte machen als viele Industriemaschinen selbst. Durch die Entkopplung dieser Technologien von anwendungsspezifischer Hardware können OEMs intelligente Maschinen entwickeln, die auf zukünftige Weiterentwicklungen ausgelegt sind, anstatt von Grund auf neu konzipiert werden zu müssen.
Sprechen Sie mit unseren Experten und erfahren Sie, wie die modularen Hardware- und Softwareplattformen von SECO die nächste Generation industrieller Physical-AI- und Robotiksysteme unterstützen können.