
Mit Mobile Mapping lassen sich raumbezogene Daten aufzeichnen. Prof. Dr. Alexander Reiterer und sein Team vom Fraunhofer IPM haben ein neues System entwickelt, dessen Rechen- und Steuerleistung auf einem GPU-Computer von compmall basiert.
Unsere GPU-Computer zeichnen sich durch hohe Rechenleistung und beste Verarbeitungsqualität aus. Daher sind sie bei härtesten Bedingungen zuverlässig und langlebig. Unsere GPU-Computer bieten CPU-Leistung bis 9. Gen. Intel Xeon/Core i7 und die Integration mit full-size Dual-GPU-Karten. Für schnellen Datentransfer sorgen Standards wie 10GbE, USB 3.2 Gen2 und NVMe SSDs. Unsere GPU Computer sind MIL-STD-810G-geprüft. Einmalige patentierte Add-on-Karten-Halterungen gewährleisten Stabilität bei extremen Erschütterungen.
Navigation
Unterstützung und Beratung unter: +49 (0)89 / 85 63 15-0 Mo-Fr: 09:00 - 17:00 Uhr
info@compmall.de
Mit Mobile Mapping lassen sich raumbezogene Daten aufzeichnen. Prof. Dr. Alexander Reiterer und sein Team vom Fraunhofer IPM haben ein neues System entwickelt, dessen Rechen- und Steuerleistung auf einem GPU-Computer von compmall basiert.
11.05.21
Embedded PC oder GPU-Computer – der GP-3000 ist beides! Es liegt an der einmaligen Konstruktion, dass der GP-3000 alle Anforderungen in der industriellen Automation erfüllt und andererseits mit GPU-Expansion-Boxen anspruchsvolle KI-Anwendungen bewältigt.
lässt sich die Leistung eines Embedded PC potenzieren. Im Gegensatz zur CPU enthält eine GPU tausende von Kernen von geringerer Komplexität, die sich nur für bestimmte Arten von Berechnungen eignen. GPU-Kerne sind spezialisiert auf Gleitkomma-Operationen und die Berechnung von Matrizen und Vektoren. Ihre Stärke liegt im gleichzeitigen Ausführen gleichförmiger Aufgaben wie das Einfärben von Pixeln oder der Multiplikation großer Matrizen.
Grafik-Prozessoren haben einen langen Entwicklungsweg hinter sich - von einfachen Ausgabekarten bis hin zum programmierbaren Parallelprozessor mit tausenden Kernen. GPUs, die über ihren eigentlichen Aufgabenbereich, der Grafikbearbeitung, hinaus verwendet werden, sind GPGPUs oder General Purpose Computation on Graphics Processing Unit.
sind aus den Shadern der Grafikprozessoren hervorgegangen. Shader sind Software-Routinen, die bestimmte grafische Berechnungen parallel abarbeiten. So sind Vertex-Shader für geometrische Berechnungen zuständig, Pixel- oder Fragment-Shader für Effekte, Farben und Texturen. Geometrie-Shader erhalten die vom Vertex-Shader ausgegebenen Polygondaten und verarbeiten diese weiter. All diese spezialisierten Shader haben den Vorteil, ihre jeweilige Aufgaben sehr effizient und schnell abzuarbeiten. Ihr Nachteil ist, dass die unterschiedlichen Shader nicht immer gebraucht werden und so die GPU-Leistung nur zu einem Bruchteil ausgenutzt wird. Eine grundlegende Änderung haben die Unified Shader herbeigeführt, da sie universell einsetzbar sind und die Aufgaben von allen Shadern übernehmen. Mit den frei programmierbaren Unified Shadern änderte sich die Art der GPU-Nutzung und verhalf der GPGPU zum Durchbruch.
GPUs sind für Matrix- und Vektorberechnungen ausgelegt und hochgradig parallelisiert. Damit ein Grafikprozessor überhaupt sinnvoll genutzt werden kann, muss die Anwendung eine sehr hohe Zahl von parallel ausführbaren Berechnungen enthalten. Wenn man die Rechenwerke eines Grafikprozessors kontinuierlich auslasten will, dann sollte man mindestens eine Millionen gleichartiger Berechnungen liefern können, sonst hat man gegenüber einer normalen CPU keine Vorteile. Mögliche Anwendungen sind Mustererkennung in der Qualitätskontrolle (Machine-Vision), Predictive Maintenance, Müdigkeitserkennung im Fahrzeug und Verkehrsüberwachung. Insbesondere Anwendungen im Bereich der Künstlichen Intelligenz lassen sich perfekt mit GPU-Computing realisieren, da Matrixberechnungen eine große Rolle spielen.
GPGPU-Anwendungen bestehen aus Host-Code und Device-Code/GPU-Kernel. Der Host-Code wird von CPU abgearbeitet und organisiert den Programmablauf (Steuerung der Grafikkarte, Daten in Grafikkarte importieren und exportieren). Der GPU-Kernel enthält die rechenintensiven Programmteile. Die beiden großen GPU-Karten-Hersteller Nvidia und AMD setzen auf unterschiedliche GPU-Programmierschnittstellen: Nvidia hat CUDA entwickelt, AMD setzt auf das hardware-unabhängige OpenCL. Nvidia bietet mit CUDA nicht nur eine Schnittstelle, sondern auch eine Computing-Plattform mit Bibliotheken, Entwicklungstools, Runtime-Umgebung und Compiler.