Automotive Engineering ADAS und autonomes Fahren: Wie KI und digitaler Zwilling das Engineering unterstützen

Künstliche Intelligenz und digitale Zwillinge erleichtern das Automotive Engineering enorm: Sie können mit digitalen Szenarien das Testen in realen Umgebungen flexibel ergänzen und teilweise sogar ersetzen. Dieser Beitrag zeigt, wie KI und digitaler Zwilling im Automotive Engineering konstruktiv zusammenspielen und welche IT-Infrastruktur es dazu braucht.

Insbesondere im Automotive Engineering für intelligente ADAS-Funktionen oder autonomes Fahren geht es meist darum, ein optimales Zusammenspiel zwischen mechanischen, elektronischen und Software-gesteuerten Fahrzeugkomponenten zu finden, mit dem einerseits eine sichere Teilnahme am Straßenverkehr gewährleistet und andererseits ein modernes Fahrgefühl erzeugt werden kann. Im Zeitalter Software-definierter Fahrzeuge (Software-Defined Vehicles, SDV) ist auch die optimale Nutzung von knappen Ressourcen wie Energie, Speicherplatz und Rechenkapazität sowie ihre Verteilung auf Fahrzeug (Edge) und Cloud ein wichtiger Forschungsaspekt.

Um ein optimales Zusammenspiel auf den verschiedenen Ebenen der Fahrzeugtechnik auf effiziente Weise zu finden, lassen sich digitale Zwillinge und KI gut nutzen. Gemeinsam lässt sich mit ihnen ein digitales Abbild von Fahrzeugtechnik und Fahrsituation erzeugen, mit dem das Funktionieren intelligenter ADAS-Funktionen oder ganzer autonomen Fahrsysteme in einem betrachteten Kontext simuliert werden kann, so dass der Umfang entsprechender Tests mit physischer Fahrzeugtechnik in realen Verkehrssituationen deutlich reduziert werden kann. Im Automotive Engineering können stattdessen virtuelle Testszenarien mit aufgabenspezifischen Testkatalogen aufgesetzt werden, die die Auswirkungen unterschiedlicher Einstellungen verschiedener Parameter und Komponenten auf ein betrachtetes Szenario erkennbar machen.

Cloud-basierende Testplattform mit KI und Rechen-Power

Für die KI-basierende Simulation komplexer Szenarien auf Basis von digitalen Zwillingen braucht es eine leistungsfähige IT-Plattform (Bild 1), wie sie beispielsweise die BTC AG in der vergangenen Dekade entwickelt, produktiv eingesetzt und kontinuierlich optimiert hat.

Zu einer solchen Engineering Plattform gehört zum einen eine Bibliothek mit KI-Komponenten, die zum Beispiel die Algorithmen für die Erkennung und Klassifizierung von Fahrspuren, Objekten im Straßenverkehr oder Verkehrsschildern enthalten. Außerdem benötigen die komplexen Berechnungen Computing-Kapazitäten, die riesige Datenmengen im Terra- bis Petabyte-Bereich verarbeiten können. Hier lassen sich sinnvoll projektbezogen Cloud-Kapazitäten nutzen, weil sie je nach Anforderung flexibel skaliert werden können. Eine Applikationsarchitektur sorgt schließlich dafür, dass die erforderlichen Computing-Ressourcen flexibel eingesetzt und Engineering-Prozesse optimal unterstützt werden. Auf Basis einer solchen technologischen Plattform lassen sich intelligente ADAS-Funktionen oder komplette autonome Fahrsysteme systematisch testen und Engineering-Prozesse von Automobilherstellern und Zulieferern KI-basiert zu unterstützen.

Szenarien-basierendes Testen

Im Folgenden wird gezeigt, wie das Testen für ein bestimmtes Szenario anhand eines erweiterten digitalen Zwillings mithilfe der KI-basierten Testplattform von BTC erfolgen kann. Konkret geht es hier um eine perzeptive Aufgabe, also ein Szenario, in dem zum Beispiel getestet wird, ob sich ein autonomes Fahrzeug in einer Innenstadt vor einem Zebrastreifen richtig verhält und Fußgänger erkennt und kontrolliert mit passendem Abstand anhält. Die Wahrnehmung und Erkennung dieser Umgebungssituation, wird in Bild 2 gezeigt und – etwas schematisiert – in sechs folgenden Schritten mithilfe von digitalem Zwilling und KI durchgespielt.

• Im ersten Schritt wird die Problembeschreibung und Fragestellung für das Engineering identifiziert und erfasst: Um welches intelligente Assistenzsystem geht es? Was soll getestet werden?

• Als technologische Basis für den Test dient die Cloud-basierende Engineering-Plattform mit den oben genannten Komponenten und Fähigkeiten. Hier werden die gewünschten Parameter für das zu untersuchende Basis-Szenario festgehalten.

• Als Datenquellen steht dem automatisierten Fahrzeug im Beispielfall für die Umgebungswahrnehmung IoT-basierende Sensorik zur Verfügung – das könnten beispielsweise drei Kameras und einen Lidar-Sensor sein, die an bestimmten Positionen und Winkeln am Fahrzeug befestigt sind und entsprechende Datenströme als Input liefern. Außerdem dienen Geschwindigkeitsdaten des Fahrzeugs sowie externe Informationen zu Wetter, Verkehrssituation sowie Landkartendaten als weitere Informationen für die Perzeption.

• Um einen erweiterten digitalen Zwilling für dieses Szenario zu erstellen, werden aus der KI-Bibliothek der Testplattform die benötigten Algorithmen und Komponenten ausgewählt und in die Konfiguration eingespielt. Sollten zusätzliche Komponenten mit weiteren Spezialfähigkeiten erforderlich werden, kann die vorhandene KI-Bibliothek entsprechend ergänzt oder erweitert werden. Typische Komponentenfunktionen sind dabei u.a. Adapter für Kamera- und Lidar-Input, KI-Komponenten zur Erkennung von Objekten, die Beschreibungen der Objektklassen Zebrastreifen, Fußgänger oder andere Fahrzeuge.

• Ist die Konfiguration aus Komponenten und dem zwischen ihnen erforderlichen Datenfluss vollständig, wird daraus per Knopfdruck in einem automatischen Setup der erweiterte digitale Zwilling für dieses Szenario, die BTC AI Cloud & Application Runtime, in der Cloud erzeugt. Der so erstellte erweiterte digitale Zwilling ist dann bereit, die Eingangsdaten aufzunehmen, bei denen es sich um echte Videodaten von Testfahrten, um synthetische, selbst mit KI erstellte Video-Streams oder auch um andere CAN-Bus-Daten handeln kann.

• Die genutzten Eingangsdaten werden nun mithilfe der ausgewählten KI-Komponenten analysiert, um als Ergebnis eine Beschreibung der aktuellen Situation zu berechnen – diese wird dann mit den gewünschten KPIs wie eigene Position, erkannte Verkehrsteilnehmer und Geschwindigkeit ausgegeben. Diese Situationsbeschreibung zeigt dann, was vom System gut erkannt wurde, was nicht – wo etwas korrigiert werden muss oder wo eventuell verbessert werden kann.

Die ausgegebene Situationsbeschreibung ließe sich dann in einem anschließenden weiteren digitalen Zwilling, der beispielsweise die Planungs- und Steuerungsaktivitäten des Fahrzeugs simuliert, erneut als Input nutzen. Insgesamt kann man auf diese Weise eine Vielzahl von digitalen Zwillingen kombinieren und zu einem komplexeren System für autonome Fahrfunktionen zusammenstellen.

Effizienter Engineering-Prozess

Der so für ein gewünschtes Test-Szenario einmal erstellte erweiterte digitale Zwilling kann im Rahmen einer geplanten Testreihe auch verschiedene Parameter verändern. Dann lässt sich analysieren, wie sich diese Veränderungen genau auswirken und wie das System weiter optimiert werden könnte. So lassen sich Testreihen systematisch und effizient durchführen. Vorhandene Datenbestände können optimal genutzt und mithilfe von synthetischen Daten weiter aufgewertet werden. Teure physikalische Experimente lassen sich so mitunter deutlich reduzieren. Analyseergebnisse, die mithilfe des digitalen Zwillings berechnet werden konnten, lassen sich entweder in physikalische Fahrzeugkonfiguration übernehmen oder in weiteren Szenarien zu komplexeren Simulationen zusammenfügen. Eine leistungsfähige, KI-basierende Testplattform, die moderne IT-Infrastruktur in der Cloud flexibel nutzbar macht, unterstützt hier das Automotive Engineering und macht das Testen, Weiterentwickeln und Optimieren intelligenter ADAS-Funktionen oder autonomer Fahrzeuge äußerst effizient.  (se)

Batterieindustrie unter Spannung

Virtuelle Zwillinge ebnen den Weg zu nachhaltigerer Elektromobilität

Vom Software-definierten Fahrzeug zum KI-definierten Automobilhersteller

Im Wandel der Zeit

* Dr. Ulrich Keil ist Bereichsleiter KI & Cyber Security bei BTC.

(ID:50597081)