Das Raspberry Pi Blockset stellt Blöcke und Funktionen in MATLAB und Simulink zur Verfügung, um für Anwendungen auf Raspberry Pi®-Hardware Prototypen zu erstellen und sie zu implementieren. Sie können auf Hardware-Peripheriegeräte wie GPIO, I2C, SPI und Kameramodule für Rapid Prototyping zugreifen.
Mit dem Raspberry Pi Blockset können Sie Sensordaten erfassen, Aktoren steuern und Anwendungen für die Bild- und Audioverarbeitung, Signalverarbeitung sowie IoT-Systeme (Internet der Dinge) entwickeln. Sie können auch Machine Learning- oder Deep-Learning-Anwendungen für Edge Computing auf dem Raspberry Pi bereitstellen.
Sie können Algorithmen in MATLAB und Simulink entwickeln und diese mithilfe der automatischen Codegenerierung (mit Embedded Coder) auf Raspberry Pi bereitstellen. Das Blockset unterstützt die Live-Parameterabstimmung, die Signalüberwachung und Connected I/O-Workflows, die eine Echtzeitinteraktion mit der Hardware ermöglichen.
Erste Schritte
Richten Sie MATLAB-Algorithmen und Simulink-Modelle für die Raspberry Pi-Hardware auf Windows®-, Mac®- und Linux®-Plattformen ein und setzen Sie diese ein.
Gerätetreiberblöcke
Verwenden Sie Gerätetreiberblöcke, um hardware-spezifische Funktionen Ihres Boards zu nutzen, wie beispielsweise Kommunikationsprotokolle oder Hardwarebibliotheken.
Predictive Maintenance
Überwachen Sie den Zustand eines rotierenden Geräts oder anderer Ausrüstungen mithilfe eines Machine Learning-Algorithmus für Predictive Maintenance. Verwenden Sie ThingSpeak, um den Betriebszustand in der Cloud anzuzeigen.
Lidar-Scandaten über ROS lesen
Lesen und empfangen Sie 2D-Lidar-Scandaten einer Innenumgebung über ein ROS-Netzwerk mithilfe der Raspberry Pi-Hardwareplatine.
Kantendetektion
Erfassen Sie ein Livebild von einer Webcam und setzen Sie eine Kantendetektionsfunktion auf der Raspberry Pi-Hardware als eigenständige ausführbare Datei ein.
Bildklassifikation mit Deep Learning
Generieren und stellen Sie Code für das neuronale Netzwerk ResNet-50 bereit, um das Bild, das als Eingabe mithilfe der Befehlszeile des Raspberry Pi übergeben wird, zu identifizieren.
Unterstützte Hardware
Raspberry Pi Model
- Raspberry Pi 5
- Raspberry Pi Compute Module 4
- Raspberry Pi Zero 2 W
- Raspberry Pi 4 Model B
- Raspberry Pi 3 Model B+
- Raspberry Pi Zero W
- Raspberry Pi 3 Model B
- Raspberry Pi 2 Model B
- Raspberry Pi 1 Model B+
Hinweis: Raspberry Pi 1 Model A, Raspberry Pi Model B, Raspberry Pi 1 Model A+ und Raspberry Pi Zero werden derzeit nicht unterstützt. Der Raspberry Pi Pico wird ab dem Arduino-Support-Paket in R2024b unterstützt.
Produktressourcen:
Raspberry Pi Blockset – Häufig gestellte Fragen
Das Raspberry Pi Blockset ist ein MathWorks-Produkt, das Blöcke und Funktionen in MATLAB und Simulink bereitstellt, um Anwendungen auf Raspberry Pi-Hardware zu prototypisieren, zu entwickeln und bereitzustellen.
MATLAB + Raspberry Pi Blockset - Interaktiv Hardware steuern, Sensoren auslesen und Bilder aufnehmen. Fügen Sie Simulink hinzu für Model-Based Design mit visuellen Blöcken, Simulation und Tests mit angeschlossener Hardware. Fügen Sie Embedded Coder hinzu, um Standalone- C/C++-Ausführungsdateien zu erzeugen, Monitor and Tune zu ermöglichen und auf dem Pi bereitzustellen.
Embedded Coder erzeugt lesbaren, kompakten und schnellen C/C++-Code aus Ihren MATLAB-Algorithmen und Simulink-Modellen, für ARM-Prozessoren optimiert, und stellt ihn als Standalone- ausführbare Datei auf dem Raspberry Pi bereit. Erzeugung Standalone-r ausführbarer Dateien, die beim Booten auf dem Pi laufen. Produktion von optimiertem C/C++ mit ARM-spezifischen Verbesserungen für Echtzeitleistung. Überprüfung des generierten Codes gegenüber der Simulation mittels SIL- und PIL-Tests. Profiling der Ausführungszeit auf der Hardware zur Identifizierung von Engpässen. Steuerung der Struktur des generierten Codes, Datentypen und Schnittstellen zur Integration in bestehende Codebasen.
Für Edge AI: Objekterkennung, Bildklassifikation, Spracherkennung, Keyword-Erkennung (ResNet-50, YOLOX). Für industrielle Kommunikation: CAN/CAN FD, Modbus TCP/IP, Protokoll-Encoder/-Decoder. Für Audio und Video: Audioaufnahme/-wiedergabe, I2S-DAC-Ausgang, RTSP-Videostreaming, Kameraverarbeitung. Für Sensorerfassung und Steuerung: IMU-Erfassung, GPIO, PWM, Servos, Encoder-Rückmeldung. Für Robotik und Motorregelung: Sensorfusion, autonome Navigation, LEGO MINDSTORMS. Für IoT und Cloud: ThingSpeak, WebSocket-Dashboards, MQTT, HTTP. Für Predictive Maintenance: Schwingungsanalyse, ML-basierte Zustandsüberwachung, Cloud-Dashboards.
Trainieren Sie Modelle in MATLAB, erzeugen Sie optimierten C/C++-Code mit MATLAB Coder und stellen Sie diesen als Standalone- Inferenzanwendungen auf dem Raspberry Pi bereit. Unterstützte Netzwerke umfassen unter anderem ResNet-50, MobileNetV2, YOLOX, LSTM und TensorFlow Lite-Modelle. INT8‑Quantisierung ist für schnellere Inferenz auf ARM‑Hardware verfügbar.
Raspberry Pi Blockset lässt sich mit fachspezifischen Toolboxes integrieren, um Ihre Anwendungen zu erweitern: Deep Learning Toolbox, Audio Toolbox, Computer Vision Toolbox, Image Processing Toolbox, Control Systems Toolbox, Stateflow, Signal Processing Toolbox, DSP System Toolbox, Communications Toolbox, Predictive Maintenance Toolbox und Statistics and Machine Learning Toolbox.
Aus MATLAB: Interaktiv Sensoren auslesen, Aktuatoren steuern und Bilder von der Befehlszeile aufnehmen. MATLAB-Funktionen als Standalone- ausführbare Dateien bereitstellen. Aus Simulink: Prototyping mit angeschlossener I/O, um mit echter Hardware ohne Codegenerierung zu testen. Überwachen und Abstimmen (External Mode), um Parameter anzupassen und Signale live zu überwachen, während das Modell auf dem Pi läuft. Eigenständigen C/C++-Code erzeugen, der beim Booten unabhängig läuft.
Raspberry Pi Blockset ermöglicht es, in Minuten von der Algorithmusidee zur laufenden Hardware zu gelangen, indem visuelle Blöcke und MATLAB-Funktionen anstelle des Schreibens von Embedded C-Code verwendet werden. Sie prototypen, validieren und bereitstellen aus derselben Umgebung, und die Toolchain übernimmt Codegenerierung und Hardwareanbindung für Sie.
Ja. MATLAB Online ermöglicht die Verbindung zu und das Programmieren von Raspberry Pi-Hardware vollständig über einen Webbrowser, ohne MATLAB lokal installieren zu müssen. Das ist ideal für Remote‑Entwicklung, gemeinsam genutzte Lehr- oder Laborhardware und Teams, die standortübergreifend zusammenarbeiten.
Raspberry Pi Blockset unterstützt Raspberry Pi 5, 4 Model B, 3 Model B/B+, 2 Model B, Zero W, Zero 2 W, Compute Module 4 und Compute Module 5. Das unterstützte Betriebssystem ist Raspberry Pi OS (Debian-basiertes Linux) in den Varianten 32-Bit und 64-Bit. Überprüfen Sie die versionsspezifische Kompatibilitätstabelle, bevor Sie neuere OS-Versionen verwenden.
