Konferencja motoryzacyjna 2022

W drugiej edycji konferencji motoryzacyjnej prelegenci skupią się na zagadnieniu projektowania pojazdów aut elektrycznych lub hybrydowych. Poruszanymi tematami będzie modelowanie hybrydowych układów napędowych z użyciem Simscape, integracja i wykorzystanie sztucznej inteligencji w projektowaniu systemów Automotive z użyciem Simulink czy wykorzystanie narzędzia RoadRunner i jego rozszerzeń do tworzenia scen i scenariuszy wspomagających symulacje systemów ADAS.

Road Runner i RoadRunner Scenario będą przedmiotem warsztatów przeprowadzonych w drugim dniu konferencji. Osoby zainteresowane tą tematyką zapraszamy do uczestnictwa.

Uwaga: Po rejestracji otrzymają Państwo mailowo linki niezbędne do prawidłowego dołączenia do konferencji. Jeśli wiadomości nie będzie w Państwa skrzynce odbiorczej, prosimy o:

• sprawdzenie folderu SPAM w skrzynce mailowej,
• skontaktowanie się z organizatorem.

Pytania prosimy przesyłać na adres: mktg@ont.com.pl

ABSTRAKTY i PRELEGENCI

Budowa modelu napędu hybrydowego przy pomocy środowiska Simulink/Simscape
Prezentacja będzie dotyczyć projektowania modelu hybrydowego systemu napędowego. Przedstawione zostaną zagadnienia teoretyczne związane z układami hybrydowymi oraz charakterystyka modułu Simscape, który jest przybornikiem oprogramowania Simulink służącym do modelowania układów fizycznych. Następnie będzie omówiona budowa modelu napędu hybrydowego krok po kroku. Działanie gotowego modelu zostanie wzbogacone o prezentację dodatkowych funkcjonalności oprogramowania, pomagających przy pracy z dużymi modelami.
	Konrad Grzybowski pracuje jako Młodszy Inżynier Aplikacji w firmie ONT. Zajmuje się modelowaniem fizycznym przy użyciu modułu Simscape. Absolwent kierunku Mechanika i Budowa Maszyn na Akademii Górniczo-Hutniczej w Krakowie.

Artificial Intelligence for the Automotive Industry – overview and use cases with Model-Based Design
The increasing demand in advanced functionalities in modern vehicles, from ADAS to low emissions, is forcing engineers to adopt new technologies like the Artificial Intelligence (AI). AI models are good alternatives to build high-fidelity surrogate models from data obtained from detailed simulations or other methods like data capturing or telemetry. AI techniques like Deep Learning and Machine Learning can solve complex problems that traditional computational methods cannot solve easily, for example the state of charge of a battery or the identification of objects or obstacles in an image. Often these algorithms require to be integrated with a bigger system. For example, for ADAS and Autonomous Driving systems it is necessary to integrate them with adaptative cruise controls, lane keeping controls, sensor fusions, etc. Another aspect that must be considered is the ability to test the complete system. This is the reason why the possibility to integrate AI models with the Model-based Design can help to embrace the increasing complexity of such systems and to test it using simulations, and finally to distribute the algorithm using the code generation for ECUs, CPUs and GPUs.
	Giuseppe Ridinò earned a M.S. degree in Electronics Engineering from the Polytechnic of Turin in 1997, and has studies experiences in the UPC (Barcelona, Spain) and the GhK (Kassel, Germany). He has worked many years as consultant and software engineer, gaining experiences in a broad range of industries and technological environments, mainly about modelling and simulations using MATLAB and Simulink. In 2014 he joined MathWorks, and now is Senior Application Engineer with a focus on signal and image processing, communication systems, computer vision, autonomous systems, and C/C++ and HDL code generation.