Le Raspberry Pi Blockset propose des blocs et des fonctions dans MATLAB et Simulink pour le prototypage et l'implémentation d'applications sur le hardware Raspberry Pi®. Vous pouvez interfacer avec des périphériques hardware tels que GPIO, I2C, SPI et des modules caméra pour le prototypage rapide.
Avec Raspberry Pi Blockset, vous pouvez acquérir des données de capteurs, contrôler des actionneurs et développer des applications pour le traitement d'images et d'audio, le traitement du signal, ainsi que pour les systèmes Internet of Things (IoT). Vous pouvez également déployer des applications de Machine Learning ou de Deep Learning pour le traitement en périphérie sur Raspberry Pi.
Vous pouvez développer des algorithmes dans MATLAB et Simulink, puis les déployer sur Raspberry Pi en utilisant la génération automatique de code (avec Embedded Coder). Le blockset supporte le réglage en direct des paramètres, la surveillance des signaux et les workflows d'E/S connectés, permettant une interaction en temps réel avec le hardware.
Pour débuter
Configurez et déployez des algorithmes MATLAB et des modèles Simulink sur le hardware Raspberry Pi sous les plateformes Windows®, Mac® et Linux®.
Blocs de driver de périphériques
Utilisez les blocs de driver de périphériques pour accéder aux fonctionnalités spécifiques du hardware de votre carte, telles que les protocoles de communication ou les bibliothèques hardware.
Maintenance prédictive
Surveillez l'état d'un dispositif rotatif ou d'un autre équipement en utilisant un algorithme de Machine Learning pour la maintenance prédictive. Utilisez ThingSpeak pour visualiser l'état opérationnel dans le cloud.
Lire des données de balayage lidar via ROS
Lisez et recevez des données de balayage lidar 2D d'un environnement intérieur à partir d'un réseau ROS en utilisant la carte hardware Raspberry Pi.
Détection de contours
Acquérez une image en direct à partir d'une webcam et déployer une fonction de détection de contours sur le hardware Raspberry Pi sous forme d’exécutable autonome.
Classification d'images par Deep Learning
Générez et déployez du code pour le réseau de neurones ResNet-50 afin d'identifier l'image transmise en entrée en utilisant la ligne de commande du Raspberry Pi.
Hardware supporté
Modèles Raspberry Pi
- Raspberry Pi 5
- Raspberry Pi Compute Module 4
- Raspberry Pi Zero 2 W
- Raspberry Pi 4 Modèle B
- Raspberry Pi 3 Modèle B+
- Raspberry Pi Zero W
- Raspberry Pi 3 Modèle B
- Raspberry Pi 2 Modèle B
- Raspberry Pi 1 Modèle B+
Remarque : Le Raspberry Pi 1 Modèle A, le Raspberry Pi Modèle B, le Raspberry Pi 1 Modèle A+ et le Raspberry Pi Zero ne sont actuellement pas supportés. Le Raspberry Pi Pico est supporté à partir du support package Arduino de la version R2024b.
