Modulbeschreibung
Embedded Systems 2
Kürzel:
M_EmbSys2
Durchführungszeitraum:
FS/13-FS/25
ECTS-Credits:
4
Lernziele:
Das Modul behandelt fortgeschrittene Hardware- und Software-Komponenten und deren Schnittstellen für komplexere Rechnerplattformen und Echtzeit-Anwendungen in eingebetteten Systemen.
Die Studierenden lernen, die Systemkomponenten unter dem Aspekt der System-Performance (Multiprozessor, Speicherverwaltung, Hardware-Beschleunigung, etc.) zu entwerfen, zu analysieren und auf einem entsprechenden Mikrocomputer-System umzusetzen.
Verantwortliche Person:
Prof. Dr. Breitenmoser Andreas
Standort (angeboten):
Rapperswil-Jona
Empfohlene Module:
Zusätzlich vorausgesetzte Kenntnisse:
- Programmieren in C und C++
- Software Engineering und OO-Analyse/Design
Skriptablage:
Modultyp:
Wahlpflicht-Modul für Elektrotechnik STD_05(Empfohlenes Semester: 6)
Wahlpflicht-Modul für Elektrotechnik STD_14(Empfohlenes Semester: 6)
Wahlpflicht-Modul für Elektrotechnik STD_21(Empfohlenes Semester: 6)
Wahlpflicht-Modul für Elektrotechnik STD_24(Empfohlenes Semester: 6)
Wahlpflicht-Modul für Informatik STD_14(Empfohlenes Semester: 6)
Wahlpflicht-Modul für Informatik STD_21(Empfohlenes Semester: 6)
Wahlpflicht-Modul für Informatik STD_23(Empfohlenes Semester: 6)
ECTS-Credits pro Kategorie
Modulbewertung
Bewertungsart:
Note von 1 - 6
Leistungsbewertung
Während der Prüfungssession:
Schriftliche Prüfung, 120 Minuten
Zulassungsbedingungen zur Prüfung:
Testat
Kurse in diesem Modul
Embedded Systems 2
Kürzel:
EmbSys2
Semester:
1
Lernziele:
- Die Studierenden können eingebettete Echtzeit-Systeme modellieren, analysieren, und auf einem Mikrocomputer in C++ implementieren.
- Sie können ein RTOS für die Event-getriebene nebenläufige Datenverarbeitung auf dem Zielsystem verwenden.
- Sie können verschiedene Speicherbausteine entlang der Speicherhierarchie in einem Embedded System einsetzen und Speicher effizient und sicher verwalten.
- Sie können die unterschiedlichen Arten von Parallelität in modernen Rechnerplattformen verstehen und auf Einprozessor- sowie auf Mehrprozessor-Systemen nutzen.
- Sie können grundlegende Deep Neural Networks (fully-connected DNN, CNN, RNN) auf einem Mikrocomputer unter Verwendung geeigneter Methoden und Tools umsetzen.
Plan und Lerninhalt:
Das Modul behandelt anhand von leistungsstarken Mikrocomputern fortgeschrittene Bestandteile und Eigenschaften eines modernen eingebetteten Systems:
- Themenblock I "Real-Time OS": Concurrency, IPC/Locks (Mutex, Semaphore), Shared Resources, Message Passing, Context Switch/Multi-Tasking, Kernel/User Modes, Privilege Level.
- Themenblock II "Memory Management": Persistency, Flash/EEPROM, Protection, MPU, MMU, Virtualization, Caching, File Systems, Hashing.
- Themenblock III "Multi-Prozessor System": Parallelism, Instruction-Level (Pipelining, VLIW), Data-Level (SIMD, VPU), Allocation, Distribution, homogen/heterogene (Co-)Prozessoren.
- Themenblock IV "Embedded AI": TinyML-Anwendungen, Quantisierung und Pruning, Deep Learning Workflows für Edge Devices (z.B. TensorFlow Lite, Cube.AI), HW-Support (z.B. NPU, TPU).
Inhaltliche Änderungen und weitere Themen sind möglich.
Unterrichtssprache:
Deutsch
Kursart:
Durchführung gemäss Stundenplan
Praktikum mit 2 Lektionen pro Woche
- Max. Teilnehmer: 16
- Harte Grenze: ja
Vorlesung mit 2 Lektionen pro Woche
- Max. Teilnehmer: 80
- Harte Grenze: ja