Jorge Tonfat defended his Ph.D. thesis on a frame-level redundancy scrubbing technique for mitigating soft errors in SRAM-based FPGAs. The thesis outlined the increasing soft error rate issues in newer FPGA technologies, described existing mitigation techniques like triple modular redundancy and memory scrubbing, and proposed a new frame-level redundancy scrubbing approach. Experimental validation through radiation testing and fault injection showed the effectiveness of the frame-level redundancy scrubbing technique.
The document provides an introduction to microcontrollers. It discusses what a microcontroller is, examples of applications, factors to consider when choosing a microcontroller, and an overview of the anatomy and components of a microcontroller including the central processing unit, memory, input/output ports, analog-to-digital converter, and timers. It also gives specifications for the Arduino microcontroller and provides overviews of programming concepts and a sample Arduino sketch.
Первый доклад дня будет посвящён современным методам создания алгоритмов ЦОС, решению типовых задач обработки, а также преодолению таких трудностей, как обработка и визуализация потоковых данных, генерация специализированных сигналов, связь с контрольно-измерительным оборудованием.
Использование отладочных стендов является естественным шагом при внедрении модельно-ориентированного проектирования. Мы хотим показать как быстро и эффективно строить стенды реального времени для проведения безопасных испытаний систем управления.
Мы покажем, как можно перенести разработанные алгоритмы для работы с Big Data с минимальными изменениями исходных программ. Рассмотрим возможности по распараллеливанию счета на многоядерных процессорах (вычислительных кластерах) и графических процессорах, поддерживающих CUDA.
Лучшие практики для повышения надежности разрабатываемых вами систем начиная от организации командной разработки до автоматизации тестирования алгоритмов и применения формальных методов для доказательства отсутствия ошибок.
Мы постараемся показать, как любой технический специалист может использовать различные методы машинного обучения в своей повседневной работе. Продемонстрируем специализированные инструменты Classification Learner и Regression Learner для быстрого обучения классификаторов и сравнения точности распознавания. Особе внимание уделим созданию и обучению сверточных нейронных сетей (CNN)
Jorge Tonfat defended his Ph.D. thesis on a frame-level redundancy scrubbing technique for mitigating soft errors in SRAM-based FPGAs. The thesis outlined the increasing soft error rate issues in newer FPGA technologies, described existing mitigation techniques like triple modular redundancy and memory scrubbing, and proposed a new frame-level redundancy scrubbing approach. Experimental validation through radiation testing and fault injection showed the effectiveness of the frame-level redundancy scrubbing technique.
The document provides an introduction to microcontrollers. It discusses what a microcontroller is, examples of applications, factors to consider when choosing a microcontroller, and an overview of the anatomy and components of a microcontroller including the central processing unit, memory, input/output ports, analog-to-digital converter, and timers. It also gives specifications for the Arduino microcontroller and provides overviews of programming concepts and a sample Arduino sketch.
Первый доклад дня будет посвящён современным методам создания алгоритмов ЦОС, решению типовых задач обработки, а также преодолению таких трудностей, как обработка и визуализация потоковых данных, генерация специализированных сигналов, связь с контрольно-измерительным оборудованием.
Использование отладочных стендов является естественным шагом при внедрении модельно-ориентированного проектирования. Мы хотим показать как быстро и эффективно строить стенды реального времени для проведения безопасных испытаний систем управления.
Мы покажем, как можно перенести разработанные алгоритмы для работы с Big Data с минимальными изменениями исходных программ. Рассмотрим возможности по распараллеливанию счета на многоядерных процессорах (вычислительных кластерах) и графических процессорах, поддерживающих CUDA.
Лучшие практики для повышения надежности разрабатываемых вами систем начиная от организации командной разработки до автоматизации тестирования алгоритмов и применения формальных методов для доказательства отсутствия ошибок.
Мы постараемся показать, как любой технический специалист может использовать различные методы машинного обучения в своей повседневной работе. Продемонстрируем специализированные инструменты Classification Learner и Regression Learner для быстрого обучения классификаторов и сравнения точности распознавания. Особе внимание уделим созданию и обучению сверточных нейронных сетей (CNN)
Доклад посвящен различным способам построения математического описания ОУ с точностью достаточной для разработки алгоритмов управления. Мы продемонстрируем как построить модель, имея математическое описание и данные экспериментов, снятые с объекта. Покажем как совместить имеющиеся модели и эксперименты для повышения точности.
В рамках этого доклада мы продемонстрируем преимущества сквозного моделирования систем связи, рассмотрим методики повышения точности описания компонентов модели, а также познакомимся с платформами программно-определяемого радио (SDR).
Завершающий доклад дня будет посвящён реализации и верификации разработанных алгоритмов обработки сигналов на конечных целевых платформах. Мы продемонстрируем современный подход к решению этой задачи в рамках концепции МОП, подразумевающий активное использование поведенческой модели алгоритма, а также автоматизацию многих этапов разработки и тестирования.
· Различные подходы построения модели
· Новые возможности импорта, обработки и визуализации данных
· Работа с облаком ThingSpeak для интернета вещей
· Создание графических приложений с App Designer
На данном докладе мы познакомимся с новейшими методами проектирования сложных междисциплинарных систем (на примере РЛС), и посмотрим, как Модельно-Ориентированное Проектирование (МОП) помогает создавать подобные системы с меньшими трудозатратами.
«Управление беспилотными летательными аппаратами без привлечения внимания сан...Mail.ru Group
Путь от первого лазерно-утюжного автопилота беспилотника-самолета в 2008 году до серийного выпуска целого комплекса приборов систем управления полетом для тяжелых беспилотников в 2019-м. Поделюсь знанием, как структурирована задача управления аппаратом.
АНАЛИЗ ЭФФЕКТИВНОСТИ ИСПОЛЬЗОВАНИЯ GPU ДЛЯ АВТОМАТИЧЕСКОГО СИНТЕЗА СИСТЕМЫ УП...ITMO University
Исследуется эффективность использования графических сопроцессоров (GPU) для синтеза систем автоматического управления (САУ) мобильным роботом. В ходе работы учитываются и анализируются их особенности применительно к данной проблеме. В качестве модельной задачи для оценки эффективности синтеза выбрана параллельная реализация генетических алгоритмов на примере синтеза САУ роботом для соревнований «Сумо роботов».
Презентация, показанная на Московском Международном Салоне Изобретений и Инновационных Технологий "Архимед-2015". Графический конструктор имитационных моделей "Pilgrim 5 Architect" был разработан еще 12 лет назад, с тех пор постоянно совершенствовался. Продукт получил бронзу салона.
Доклад посвящен различным способам построения математического описания ОУ с точностью достаточной для разработки алгоритмов управления. Мы продемонстрируем как построить модель, имея математическое описание и данные экспериментов, снятые с объекта. Покажем как совместить имеющиеся модели и эксперименты для повышения точности.
В рамках этого доклада мы продемонстрируем преимущества сквозного моделирования систем связи, рассмотрим методики повышения точности описания компонентов модели, а также познакомимся с платформами программно-определяемого радио (SDR).
Завершающий доклад дня будет посвящён реализации и верификации разработанных алгоритмов обработки сигналов на конечных целевых платформах. Мы продемонстрируем современный подход к решению этой задачи в рамках концепции МОП, подразумевающий активное использование поведенческой модели алгоритма, а также автоматизацию многих этапов разработки и тестирования.
· Различные подходы построения модели
· Новые возможности импорта, обработки и визуализации данных
· Работа с облаком ThingSpeak для интернета вещей
· Создание графических приложений с App Designer
На данном докладе мы познакомимся с новейшими методами проектирования сложных междисциплинарных систем (на примере РЛС), и посмотрим, как Модельно-Ориентированное Проектирование (МОП) помогает создавать подобные системы с меньшими трудозатратами.
«Управление беспилотными летательными аппаратами без привлечения внимания сан...Mail.ru Group
Путь от первого лазерно-утюжного автопилота беспилотника-самолета в 2008 году до серийного выпуска целого комплекса приборов систем управления полетом для тяжелых беспилотников в 2019-м. Поделюсь знанием, как структурирована задача управления аппаратом.
АНАЛИЗ ЭФФЕКТИВНОСТИ ИСПОЛЬЗОВАНИЯ GPU ДЛЯ АВТОМАТИЧЕСКОГО СИНТЕЗА СИСТЕМЫ УП...ITMO University
Исследуется эффективность использования графических сопроцессоров (GPU) для синтеза систем автоматического управления (САУ) мобильным роботом. В ходе работы учитываются и анализируются их особенности применительно к данной проблеме. В качестве модельной задачи для оценки эффективности синтеза выбрана параллельная реализация генетических алгоритмов на примере синтеза САУ роботом для соревнований «Сумо роботов».
Презентация, показанная на Московском Международном Салоне Изобретений и Инновационных Технологий "Архимед-2015". Графический конструктор имитационных моделей "Pilgrim 5 Architect" был разработан еще 12 лет назад, с тех пор постоянно совершенствовался. Продукт получил бронзу салона.
РАЗРАБОТКА СИСТЕМЫ УПРАВЛЕНИЯ МАЛОРАЗМЕРНЫМ ВЕРТОЛЕТОМITMO University
Приводится пример построения системы автоматического управления беспилотным малоразмерным вертолетом с соосной схемой расположения винтов. В данной работе методы теории управления и цифровой обработки сигналов успешно дополнены парадигмой автоматного программирования, которая позволяет эффективно строить системы, обладающие сложным поведением.
Алгоритм многокамерного сопровождения человека используя данные от видеокамер...Nikolai Ptitsyn
Цифровые системы видеонаблюдения представлены в большинстве общественных мест для увеличения охраны и анализа ситуаций. Видео данные используются операторами слежения, но по сути дела мало информативны. Желательно использовать автоматические системы охраны и анализа ситуаций с целью увеличить эффективность работы операторов и фильтрации излишних данных. Многокамерное сопровождение является обязательным для огромных пространств, где происходят события приводящие к дублированию или избытку информации поступающей к оператору. В этой презентации мы представляем алгоритм и систему для обработки видео и тепло информации поступающей от множественных источников.
Моделирование и анализ дискретно-событийных системMATLAB
В этом вебинаре вы узнаете, как инструменты MathWorks могут быть использованы для моделирования событийных систем, как например логистические (цепи поставок), системы телекоммуникации и связи или системы бизнес процессов и управления. SimEvents дополняет инструменты MATLAB и Simulink для дискретно-событийного моделирования (discrete-event simulation , DES). Данный инструмент расширяет возможности, позволяя оценивать такие параметры систем, как простои и заторы, конфликт ресурсов, задержки в процессах.
The document summarizes a seminar on Presagis software tools. The agenda includes an introduction to Presagis, how VAPS XT supports avionics user interface development according to the ARINC 661 standard, integrating with Simulink, and developing certifiable software. Presagis provides embedded graphics tools and modeling/simulation tools, and has over 1000 customers worldwide in aerospace, defense, and other industries.
3. 3
Основные характеристики
перспективной управляемой ракеты
• Поражение наземных объектов
• Поражение малоскоростных воздушных целей
• Реализация принципа «выстрелил-забыл»
• Наличие инерциального участка траектории с
корректировкой измерений по сигналам спутниковой
навигации.
• Самонаведение на конечном участке траектории
• Поражение целей за пределами прямой видимости
4. Полунатурное моделирование
перспективной управляемой ракеты
4
Полунатурное моделирование позволяет получить
более достоверные сведения о системе управления ракеты,
чем имитационное математическое моделирование .
Полунатурное моделирование перспективной
управляемой ракеты проводится с целью отладки
алгоритмов управления ракеты и оценки конечных
промахов, позволяя при этом значительно сократить объем
летных испытаний и количество изготавливаемой
материальной части.
Полунатурная модель перспективной управляемой
ракеты включает в себя часть реальной аппаратуры ракеты
(ГСН), имитационные стенды и ЭВМ реального времени.
5. 5
Особенности полунатурного моделирования
перспективной управляемой ракеты
Достоинства:
• много тысяч имитаций летных испытаний может быть
воспроизведено по цене единичного запуска в безопасных,
контролируемых и повторяемых условиях;
• статистическая достоверность поведения системы в
предельных режимах ее рабочих возможностей;
• гарантированные технические характеристики.
• укороченный цикл от разработки до производства;
• сниженная стоимость разработки продукции.
Недостатки:
• отсутствует возможность воспроизведения линейного
ускорения.
8. 8
Проблемы при реализации полунатурной модели
перспективной управляемой ракеты
1 Создание и применение программно-аппаратного
комплекса, работающего под управлением операционной
системы реального времени и реализующего расчет
математических моделей движения ракеты.
2 Создание специальных стендов для имитации как
относительного движения «ракета-цель», так и собственных
угловых колебаний корпуса ракеты.
3 Наличие достоверной информации о ФЦО, что требует
проведение трудоемких экспериментальных работ в реальных
условиях эксплуатации, и воспроизведение излучательных
параметров ФЦО.
9. 9
Программно-аппаратный комплекс
типа «Speedgoat»
Основные достоинства:
- Функционирование под управлением Simulink (Matlab);
- Широкий спектр периферийных устройств и драйверов;
- Достижимый шаг реального времени не хуже 0,5 мс (по опыту).
10. 10
Многостепенной стенд имитации движения
Силовой
привод
Имитатор
цели
Место
установки ГСН
Трехстепенное
поворотное
устройство
Двухстепенное
поворотное
устройство
Параметры:
- двухстепенное
поворотное
устройство
φ=-45…+45º
ω=-15…+15º/с
δ < 0,1 º/с
- трехстепенное
поворотное
устройство
φ=-45…+45º
φ=-180…+180º (крен)
ω=-100…+100º/с
δ < 0,1 º/с
ε≤1800º/с2
12. 12
Задачи полунатурного моделирования
- проверка логики, алгоритмов и циклограммы работы
системы управления ракеты;
- проверка алгоритмов самонаведения ракеты на цель по
сигналам пассивной ГСН;
- оценка конечных промахов наведения ракеты на цель;
- проверка точностных и динамических характеристик
ГСН;
- корректировка программно-алгоритмического
обеспечения цифровых устроств ракеты.
13. 13
Пример реализации полунатурной модели
1 – оптическая скамья, 2,3,4 – блок лазеров, 5 – неподвижное зеркало,
6 – двухстепенной привод зеркала, 7 – имитатор точечной цели,
8 – экран, 9 – ГСН, 10 – программно-аппаратный комплекс