Autonome Systeme verarbeiten Sensordaten mittels Verfahren der Künstlichen Intelligenz (Artificial Intelligence, AI), um auch in komplexen Situationen adäquat zu agieren. Als Grundvoraussetzung, etwa für den sicheren Betrieb unbemannter Drohnen oder Flugtaxis in urbanen Gegenden, müssen Daten – meist mehrerer komplementärer Sensoren – mit geringer Latenz ressourcenschonend erfasst, verarbeitet und zur Navigation genutzt werden. Die sehr großen Datenmengen, darunter Bilder hochauflösender Kameras, in Echtzeit und zudem höchst präzise und effizient an Bord auszuwerten, stellt noch eine Herausforderung dar.
in Echtzeit, etwa für Edge-AI-Anwendungen.
Das Bauhaus Luftfahrt hat aufkommende Technologielösungen mit hohem Potenzial für eine Reihe von Edge-AI-Anwendungen analysiert. Insbesondere bioinspirierte, synergetisch nutzbare Ansätze für Datenerfassung und -verarbeitung zeigen eine um Größenordnungen kleinere Latenz und einen geringeren Energiebedarf als die herkömmliche Technologie oft bei vergleichbarer Performanz. Dazu zählen eventbasierte Sensoren, die im Vergleich zu Standardkameras deutlich weniger, jedoch relevantere Daten zur Interpretation dynamischer Szenen liefern. Sie spielen ihre Vorteile besonders bei schlechten Lichtverhältnissen und hohen Geschwindigkeiten aus. Zudem ermöglicht dem Gehirn in Architektur und Dynamik nachempfundenes neuromorphes Computing, einen zeit- und energieaufwendigen Datentransfer zwischen Prozessor und Speicher zu vermeiden. Erste neuromorphe Chips basieren auf digitalen bzw. analogen elektronischen Schaltungen. Das junge Feld der neuromorphen Photonik könnte langfristig die Rechenleistung und Effizienz noch deutlich steigern. Der inhärente Vor- zug einer hohen Bandbreite und verlustarmen Leitung in photonisch integrierten Schaltkreisen zeigt sich bereits für Ansätze, die Licht für Berechnungen in maschinellen Lernverfahren nutzen.
Ereignisbasierter (neuromorpher) versus framebasierten (konventionellen) Ansatz
Die pixelweise Erfassung von Intensitätsänderung statt von Helligkeitsbildern mit fester Rate vermeidet redundante Information und liefert Pulsfolgen (siehe (b)), die direkt von neuromorphen Chips verarbeitet werden können.
Energiebedarf und Rechenleistung pro Fläche
Elektronische Technologien nähern sich physikalisch betrachtet derzeit rasch ihrem Limit. Für dedizierte, datenintensive AI-Anwendungen zeigen optische Hardware-Alternativen großes Potenzial.