Atti

Loren Shure

Insight. Implementation. Integration.

AI, or artificial intelligence, is transforming the products we build and the way we do business. It also presents new challenges for those who need to build AI into their systems. Creating an “AI-driven” system requires more than developing intelligent algorithms. It also requires:

• Insights from domain experts to generate the tests, models, and scenarios required to build confidence in the overall system
• Implementation details including data preparation, compute-platform selection, modeling and simulation, and automatic code generation
• Integration into the final engineered system

Loren Shure demonstrates how engineers and scientists are using MATLAB^® and Simulink^® to successfully design and incorporate AI into the next generation of smart, connected systems.

Luca Cistriani, LEONARDO

Il Reparto “Modelling & Distributed Missions Simulation” della Divisione ELECTRONICS di LEONARDO in Ronchi dei Legionari si occupa dello sviluppo di modelli di simulazione per ambienti sintetici destinati alla simulazione distribuita su rete locale o geografica mediante l’utilizzo di protocolli HLA/DIS; tali attività hanno portato al prodotto RIACE che è oggi la piattaforma di riferimento per diverse attività di Training & Simulation quali la partecipazione nazionale alle esercitazioni NATO “Spartan” coordinate dal Warrior Preparation Center dell’USAF basato a Ramstein in Germania.  

Gli ambienti sintetici costituiscono un complesso ambiente di simulazione all’interno della quale vengono replicati (e distribuiti in rete) una variegata moltitudine di attori sintetici i quali interagiscono tra loro e con modelli matematici di fenomeni atmosferici complessi, terreno, edifici etc.

In questo mondo sintetico è possibile addestrare diverse tipologie di figure professionali quali ad esempio piloti di linea e controllori di volo. Il personale in addestramento può trovarsi all’interno di simulatori o nei sistemi reali quali ad esempio un centro di Comando e Controllo militare (C2) collegato in rete geografica.

Questa presentazione mostra come MATLAB^® e Simulink^® hanno supportato il flusso di lavoro necessario a gestire in maniera efficiente la grande varietà delle applicazioni, il livello di realismo richiesto alla simulazione e la necessità di sviluppare software complessi che operino in real-time.

Francesca Perino e Maurizio Dalbard, MathWorks

Come evolvono e si rinnovano ad ogni release MATLAB e Simulink per supportare il workflow della ricerca, progettazione e sviluppo?

In questa sessione si discuteranno le principali novità introdotte per progettare modelli di AI e sistemi guidati dall'AI; per la progettazione di sistemi wireless a supporto degli standard più recenti; per rendere più efficienti le attività di progettazione model-based, dalla definizione dell’architettura di sistema, alla modellazione, simulazione, e verifica del design nell’intero di sviluppo.

Marco Basilico, TRE ALTAMIRA

TRE ALTAMIRA è un’azienda dall’elevato profilo innovativo che opera nel settore del telerilevamento satellitare. Nelle attività di R&D, MATLAB^® è sempre stato il nostro strumento di riferimento. 

MATLAB è stato utilizzato con successo grazie a tre suoi grandi punti di forza: il fatto di possedere un potente “motore di calcolo” capace di supportare sia la notevole mole di dati sia la complessità degli algoritmi; l’estrema facilità con cui i dati possono essere visualizzati e come rapidamente e facilmente gli utenti possono interagire con essi; il fatto che negli ultimi anni MATLAB è stato dotato di strumenti di sviluppo non facilmente individuabili in altri ambienti di sviluppo free presenti oggi sul mercato.

Verrà presentato proprio il percorso fatto negli ultimi 20 anni dal ruolo di semplici utilizzatori di MATLAB fino a quello di developers in/con MATLAB, condividendo anche una serie di metodologie per lo sviluppo e la messa in linea del codice così come alcune best practice di programmazione.

Andrea Palazzetti, Magneti Marelli

A causa della sempre maggiore importanza e complessità dei sistemi a controllo elettronico a bordo veicolo, i principali e più importanti OEM, sempre più spesso richiedono ai propri fornitori di sviluppare software di controllo con architettura AUTOSAR e di adottare un processo di sviluppo conforme al modello di riferimento A-SPICE.

In questa presentazione verrà esposto come, a tal proposito, Magneti Marelli Ride Dynamics abbia utilizzato la tecnica del Model-Based Design, con generazione automatica del codice, per lo sviluppo e messa in produzione del software di controllo di un sistema di sospensioni semiattive, con architettura AUTOSAR e secondo il processo di riferimento A-SPICE.

Mario Antonelli, MBDA

Un tool di pianificazione della missione (MPT) è un software che fornisce all’operatore del Comando e Controllo i mezzi per pianificare la missione identificando lo spiegamento di unità di sensori e/o sistemi di difesa. Una funzionalità cruciale, tra quelle implementate nel MPT, è la valutazione della copertura radar. Nella pianificazione della missione una buona copertura radar è fondamentale; infatti, uno schieramento che garantisce una buona copertura, fornisce sicuramente una buona efficacia della sorveglianza e della difesa. In situazioni critiche, quando l'utente deve pianificare uno schieramento in poco tempo, può essere molto utile avere uno strumento che suggerisca all'utente quali aree geografiche sono preferibili per il posizionamento del radar.

In questo lavoro si presenta una tecnica basata su Machine Learning in grado di predire la percentuale di copertura radar, a partire da caratteristiche geomorfologiche, con un grado di precisione elevata e con un costo computazione molto ridotto. Una volta individuate le posizioni nel terreno che massimizzano la percentuale di copertura radar, l’operatore può richiedere il calcolo della copertura effettiva e verificare lo schieramento. Tale procedura assistita riduce il carico di lavoro per l’operatore e velocizza notevolmente la pianificazione di missione.

Giuseppe Ridinò, MathWorks

L’intelligenza artificiale sta giocando un ruolo sempre più importante nelle nostre vite professionali e private.

In particolare, due tecniche, Deep Learning e Reinforcement Learning, stanno trasformando l’industria e migliorando le applicazioni nell’ambito della diagnosi medica, dei sistemi di guida autonoma e della robotica.

In questa presentazione avrete modo di apprendere come MATLAB^® supporta le tecniche di Deep Learning e Reinforcement Learning, e tra i punti trattati troviamo:

• preparazione ed etichettatura automatica dei dati di addestramento
• interoperabilità con ambienti Open Source
• addestramento di una rete neurale per immagini, segnali e testo
• ottimizzazione dei parametri per accelerare l’addestramento e incrementare l’accuratezza
• generazione automatica di codice per sistemi NVIDIA^®, Intel^®, and ARM^®

Aldo Caraceto, MathWorks

A partire da un esempio di convertitore elettronico di potenza DC-DC, questo talk spiega come Simulink e Simscape Electrical™ sono utilizzati per sviluppare, simulare e implementare un controller che mantenga la tensione di uscita desiderata, in presenza di variazioni della tensione di ingresso e cambiamenti di carico, per ottenere una risposta rapida e stabile. La presentazione copre:

• modellazione di componenti circuitali passivi, semiconduttori di potenza e diverse fonti di alimentazione e carichi
• simulazione del convertitore in modalità di conduzione continua e discontinua
• determinazione delle perdite di potenza elettrica e simulazione del comportamento termico del convertitore
• regolazione del controller per soddisfare i requisiti di progettazione come tempo di salita, overshoot e tempo di assestamento
• generazione automatica del codice C dal modello del controller per l'implementazione su un microcontrollore Texas Instruments™ C2000™

Francesco Alderisio, MathWorks

La manutenzione predittiva riduce i costi operativi delle aziende che utilizzano e producono apparecchiature costose, prevedendo guasti a partire dai dati ricevuti dai sensori. L'identificazione e l'estrazione di informazioni utili da tali dati è un processo che richiede diverse iterazioni, una profonda comprensione della macchina e delle sue condizioni operative. Scoprirai come MATLAB^® e il Predictive Maintenance Toolbox™ combinano tecniche di machine learning con quelle tradizionali di model-based design e signal processing creando approcci ibridi per predire e isolare guasti. Scoprirai anche come app integrate possano essere utilizzate per estrarre e visualizzare features partendo dai dati misurati, senza dover scrivere alcuna riga di codice. Queste features possono essere utilizzate come indicatori di salute per implementare algoritmi di classificazione dei guasti e di stima della vita utile residua. Gli algoritmi di manutenzione predittiva hanno un impatto notevole quando sono sviluppati per una flotta di macchine e distribuiti in sistemi di produzione. Scoprirai come validare i tuoi algoritmi e integrarli con i tuoi dispositivi embedded e con le piattaforme IT / OT aziendali.

Vincenzo Petrella, MathWorks

Esistono diverse definizioni di Ingegneria dei sistemi. Tutte condividono l’esistenza di un insieme di requisiti di sistema, a partire dai quali è definita la decomposizione del sistema e l’allocazione dei requisiti stessi alle varie componenti. Sulla base di studi di mercato l’architettura sviluppata viene selezionata tra quelle potenzialmente valide ed infine verificata attraverso la simulazione.

Questa presentazione mostra come MATLAB^® e Simulink^® supportano questo flusso di lavoro, se utilizzati assieme a Simulink Requirements™ e System Composer™, permettendo agli utenti di:

• catturare, visualizzare, analizzare e gestire i requisiti
• sviluppare un modello di architettura di sistema a partire da requisiti, modelli Simulink pre-esistenti, ICDs, architetture esterne o combinazioni di questi
• esaminare il modello di architettura di sistema utilizzando differenti viste a seconda degli scopi.
• allocare i requisiti alle varie componenti costituenti l’architettura di sistema ed effettuare la coverage analysis e la change impact analysis
• effettuare studi di mercato per comparare, ottimizzare l’architettura di sistema
• progettare le componenti del modello di architettura di sistema
• simulare la composizione del sistema per verificarne il comportamento

Francesca Perino e Giuseppe Ridinò, MathWorks

Sempre più spesso i modelli sviluppati in MATLAB necessitano di essere integrati in servizi on-premise o in cloud, oppure di essere utilizzati su sistemi embedded. Diventa quindi cruciale poter adottare in MATLAB pratiche tipiche dello sviluppo software per la verifica e validazione del codice, oltre alla sua manutenibilità. In questa Master Class, vedremo come sia possibile integrare MATLAB con strumenti di source control come gitHub e integration server come jenkins, a supporto di un processo di Continuous Development. Impareremo a scrivere degli Unit test e a gestire il codice in termini di progetto, per poter rilasciare codice ‘’industry grade”.

Aldo Caraceto e Maurizio Dalbard, MathWorks

Il sistema di gestione delle batterie (BMS) garantisce le massime prestazioni, un funzionamento sicuro e una durata ottimale dei sistemi di accumulo dell'energia del pacco batterie in diverse condizioni ambientali e di carica.

Con Simulink, i progettisti possono utilizzare la simulazione per progettare algoritmi di controllo e di supervisione che monitorano la tensione e la temperatura delle singole celle, stimare lo stato di carica (SOC) e lo stato di salute (SOH) di tutto il pacco batteria, controllare la velocità di carica e scarica, bilanciare il SOC tra le celle della batteria e isolare la batteria dalla sorgente e dal carico, quando necessario.

Simulink può aiutare i progettisti in tutta la fase di sviluppo del sistema di controllo, dai requisiti fino al test del software, attraverso simulazioni desktop per garantire che il BMS funzioni come previsto in tutte le condizioni operative desiderate e soddisfi i requisiti di durata espressi dal progetto.

In questa Master Class, imparerete come progettisti con background differenti (meccatronica, chimica, elettronica, teoria dei controlli, ingegneria del software, etc.) utilizzano Simulink per collaborare durante l'intero ciclo di sviluppo del sistema.