Die Älteren unter uns kennen sicher noch die Schnellratesendung Montagsmaler, die Mitte der 70er Jahre lief und in der gezeichnete Begriffe in einer vorgegebenen Zeit von Kandidaten erraten werden mussten. „Hund! Katze! Maus!“, brüllten die Kandidaten, sobald die ersten Kritzeleien auftauchten, die es zu erraten galt.

Für die Jüngeren unter uns: Auch selbstfahrende Autos müssen Objekte und Personen wahrnehmen und richtig zuordnen. Sie brüllen zwar nicht „Baum! Fußgänger! Straßenschild!“, aber die Aufgabe ist nicht weniger trivial als für die Kandidaten der Ratesendung.

Algorithmen, die dies ermöglichen, lernen durch Training an einer Vielzahl von Bild- und Videoaufnahmen. Sie lernen anhand von Beispielen, und je mehr Beispiele es gibt, desto effektiver arbeiten sie. Deshalb benötigt die Autoindustrie eine große Menge Bild- und Videomaterial zum Maschinellen Lernen. Die Objekte auf den Bildern werden herkömmlicherweise von Menschen in Handarbeit gekennzeichnet. Große Firmen wie Tesla beschäftigen dafür tausende Arbeiter in Nigeria oder Indien, das Verfahren ist mühsam und zeitaufwendig.

Viele Autofirmen setzen daher vermehrt auf künstliche Trainingsdaten für Autonomes Fahren. Also Intelligenz, die es ermöglicht, diese Kennzeichnung zehnmal schneller und präziser auszuführen. Dieses Labeling genannte Verfahren hat nun das deutsche Start-up understand.ai mit Künstlicher Intelligenz noch besser und schneller gemacht. Bild- und Videodarstellungen müssen dabei pixelgenau mit der realen Umgebung übereinstimmen. Denn je besser die Qualität der bearbeiteten Bilddaten, desto besser der Algorithmus, der damit trainiert.

Welcher technische Aufwand betrieben wird, um Fahrzeuge mit Level-3-Funktion auf die Straße zu bringen, zeigt BMW mit seinem neuen Datenzentrum für Autonomes Fahren. Hier werden die Datenmengen, die die Testfahrzeuge liefern, selektiert, gespeichert und verwaltet. Die Basis für den Prozess bildet das Sammeln von rund fünf Millionen Kilometern realer Fahrdaten mit 80 Versuchsfahrzeugen. Davon erfolgt die Auswahl von zwei Millionen Kilometern besonders relevanter Fahrszenarien und Umfeldfaktoren. Ergänzt werden diese qualifizierten zwei Millionen Kilometer durch per Simulation generierte 240 Millionen Kilometer. Täglich werden so 1.500 Terabyte neue Rohdaten gesammelt. Das Re-Processing dieser Daten erfordert eine Datenplattform mit über 230 Petabyte Speicherkapazität sowie eine Rechnerplattform mit mehr als 100.000 Prozessorkernen und über 200 <a href="http://GPUs.So">GPUs.So</a> können die BMW-Entwicklungsteams Daten von Fahrzeugsensoren nicht in Tagen oder Wochen, sondern in Sekundenschnelle sammeln, speichern und verwalten.

Und trotzdem ist die Kombination von Technik und menschlicher Sorgfalt insbesondere bei sicherheitskritischen Themen wie dem Autonomen Fahren wichtig. Am Schluss übernimmt der Mensch die Qualitätskontrolle, damit aus einem „Baum! Fußgänger! Straßenschild!“ nicht „Hund! Katze! Maus!“ wird.

Ihr Klaus Oertel

Editorial Oertel

Oertel, Klaus

Qualität der Sensordaten  ist entscheidend

Das Zusammenspiel zwischen Sensor-Modalitäten, Sensorfusion, Signalverarbeitung und KI hat tiefgreifende Auswirkungen auf die Fortschritte bei autonomen Fahrzeugen und das Vertrauen in diese Technik. All dies ist nur mit hochzuverlässigen, genauen und präzisen Sensorinformationen erreichbar – ein absolutes Muss für sichere autonome Fahrzeuge.

Das Zusammenspiel zwischen Sensor-Modalitäten, Sensorfusion, Signalverarbeitung und KI hat tiefgreifende Auswirkungen auf die Fortschritte bei autonomen Fahrzeugen und das Vertrauen in diese Technik.

Obwohl Machine Learning und Künstliche Intelligenz eine wesentliche Rolle bei autonomen Fahrzeugen spielen, hängt ihre Effizienz von der Qualität der Eingangsdaten ab. Daher kann kein autonomes Fahrzeug als sicher betrachtet werden, solange es nicht auf einer Basis von leistungsfähigen Sensor-Signalketten mit hoher Integrität aufbaut, die die Daten für kritische Entscheidungen liefern. Doch noch ist der Weg zum autonomen Fahrzeug voller Hindernisse. Zwischenfälle der jüngsten Vergangenheit mit selbstfahrenden Autos nähren das Lager der Skeptiker, die meinen, die Fahrzeuge und die Umgebung, in der sie sich bewegen, seien zu komplex, es gäbe zu viele Variablen und die Algorithmen sowie die Software enthielten noch zu viele Fehler. Diese Skepsis wird unterstützt durch eine Statistik aus dem Silicon Valley, die aufzeigt, wie viele Meilen die autonomen Testfahrzeuge von fünf Herstellern zurückgelegt haben und wie oft dabei ein Mensch die Kontrolle übernehmen musste (Bild 1). Zahlen für 2018 sind derzeit noch nicht verfügbar.

Trotzdem wird die Fahrzeugautonomie kommen, und die Sicherheit steht an erster Stelle. Um dies zu erreichen, muss jedoch der Weg der beteiligten Entwicklungspartner gemeinsam beschritten werden. Automobilhersteller müssen mit Halbleiterherstellern sprechen, Sensorhersteller die Sensorfusion mit KI-Algorithmenentwicklern diskutieren und Softwareentwickler sich mit Hardwareanbietern vernetzen. Bestehende Geschäftsbeziehungen werden sich daher ändern und neue sich bilden mit dem Ziel, Leistung, Funktionalität, Zuverlässigkeit, Kosten und Sicherheit im endgültigen Design zu optimieren.

Auf dem Weg dahin werden höhere Automatisierungsgrade erzielt, was u. a. auf Verbesserungen bei Sensoren zurückzuführen ist. Konkret geht es um Sensortechnologien wie Kameras, Lidar, Radar, MEMS und IMUs (Inertial Measurement Units), Ultraschall und GPS, die die Eingangsdaten für KI-Systeme liefern. Zum komplett kognitiven autonomen Fahrzeug steigt auch die Zahl der Sensoren signifikant. Zusätzlich müssen sich die Leistungsfähigkeit sowie die Reaktionszeiten der Sensoren verbessern (Bild 2).

Zu der Zeit, als die ersten kognitiven Konzepte entwickelt wurden, erschienen sie wegen der hohen Anforderungen an Messtechnik, Verarbeitung, Speicherkapazität und Schnittstellen (Connectivity) als weit hergeholt. Doch inzwischen hat sich vieles verändert. Heute sind historische Daten in Echtzeit abrufbar und können in die Daten der Fahrzeugsensoren einbezogen werden. Zum Beispiel kann eine IMU eine plötzlich auftauchende Bodenwelle erkennen oder dafür sorgen, dass das Fahrzeug Hindernissen wie Schlaglöcher ausweicht. In der Vergangenheit war diese Information nicht nutzbar. Heute ermöglicht Echtzeit-Connectivity, diese Daten an eine zentrale Datenbank zu übermitteln, wo sie genutzt werden, um andere Fahrzeuge vor einem Schlagloch oder einem Hindernis zu warnen. Auf diese Art lassen sich vorausschauende Analysen auf der Grundlage aktueller und historischer Fahrzeugzustände und Umgebungsinformationen erstellen. Niemals ermüdend, aber stets lernend, sich anpassend und verbessernd, wird das kognitive Fahrzeug zunehmend bessere und sicherere Entscheidungen treffen und zwar bis zu dem Punkt, an dem sie aller Wahrscheinlichkeit nach in vielen Situationen die des Menschen übertrifft.

Deutliche Fortschritte wurden bereits bei der Fahrzeugselbstwahrnehmung erzielt. Der Schwerpunkt dabei ist, Daten der einzelnen Sensoren zu sammeln und geeignete Sensorfusions-Strategien anzuwenden (Bild 3).

Doch es gibt noch viel zu tun, damit zukunftsfähige Lösungen entstehen. Noch immer benötigen selbst die besten Machine-Learning-Algorithmen etwa 300 ms, um eine Seitwärtsbewegung mit ausreichend geringen Fehlalarmraten zu erkennen. Für einen Fußgänger können Millisekunden entscheidend sein, ob kleine oder lebensbedrohliche Verletzungen entstehen. Die Reaktionszeit ist also definitiv entscheidend.

Die Verzögerung von 300 ms ist bedingt durch die Zeit, die zur Durchführung von Delta-Vektor-Berechnungen von aufeinander folgenden Videobildern erforderlich ist. Zehn oder mehr aufeinander folgende Bilder sind für eine verlässliche Erfassung nötig. Diese Zahl muss jedoch auf ein oder zwei aufeinander folgende Bilder reduziert werden, damit das Fahrzeug aureichend Zeit hat, zu reagieren.

In ähnlicher Weise bietet Radar viele Vorteile zur Geschwindigkeits- und Objekterkennung. Zum Beispiel hohe Auflösung bei Azimuth und Elevation sowie die Fähigkeit um Objekte herum zu „sehen“. Doch auch hier muss zukünftig mehr Zeit zur Verfügung stehen, damit das Fahrzeug entsprechend reagieren kann. Der Schwerpunkt bei der Entwicklung von Analog Devices bei 24-GHz- sowie bei den neu entstehenden 77-/79-GHz-Anwendungen ist, die Leistungsdaten zu erhöhen sowie die Abmessungen, das Gewicht und den Leistungsbedarf des gesamten Systems zu verringern. Der neue hochintegrierte Millimeterwellen-Transceiver von Analog Devices meistert die Herausforderungen bei Hochleistungs-Radar-Systemen. Diese SoC- und zugehörige Powermanagement-Lösung bietet eine Winkelauflösung von &lt;1˚ und eine Bereichsauflösung von nur 3 cm. Aufgrund dieser Genauigkeit kann das System Objekte schneller, genauer und mit wesentlich niedrigerer Fehlalarmrate erkennen und klassifizieren.

Aufgrund seiner Eigenschaften ist Lidar (Light Detection and Ranging) zu einem wesentlichen Element des komplett kognitiven Fahrzeugs geworden (Bild 4). Doch auch bei Lidar gibt es Herausforderungen, die es noch zu meistern gilt. Lidar ergänzt Radar- und Kamerasysteme durch höhere Winkelauflösung und Tiefenwahrnehmung.

Da der Betrieb von Lidar nahe Infrarot (850 bis 940 nm) der Netzhaut schaden kann, ist die Ausgangsenergie auf 200 nJ/Impuls bei 905 nm begrenzt. Durch den Übergang auf Kurzwellen-Infrarot bei über 1500 nm wird das Licht über die gesamte Augenoberfläche absorbiert, was geringere regulatorische Anforderungen von 8 mJ/Impuls ermöglicht. Beim 40.000-fachen Energielevel von 905-nm-Lidar bieten mit 1500 nm gepulste Lidar-Systeme den vierfachen Bereich. Auch sind 1500-nm-Systeme robuster gegenüber Nebel, Staub und Aerosole.

Die Herausforderung bei 1.500-nm-Lidar sind die Systemkosten, die hauptsächlich durch die Fotodetektortechnologie (die heute auf InGaAs-Technologie mit 2-Zoll-Wafern basiert) getrieben werden. Eine qualitativ hochwertige Lösung – mit hoher Empfindlichkeit, niedrigem Dunkelstrom und kleiner Kapazität – ist die Grundvoraussetzung für das 1.500-nm-Lidar. Lidar-Systeme der zweiten und dritten Generation erfordern zusätzlich eine „applikationsoptimierte” Schaltkreisintegration, um die Abmessungen sowie die Leistungsaufnahme zu verringern und die Gesamtsystemkosten zu senken.

Analog Devices verfügt über eine Reihe von Signal- und Powermanagement-Bauteilen, mit denen sich praktisch jedes Lidar-System aufbauen lässt. Die Produkte eignen sich für gepulste oder FMCW-Systeme sowie für Systeme, die für Wellenlängen von 900 bis 1.500 nm entwickelt wurden. Zukünftig wird das Unternehmen weitere optische und elektrische Produkte herausbringen, die das Design von Lidar-Systemen unterstützen.

So wichtig wie die Sensor-Modalitäten auch sein mögen, ist keines der Sensoreingangssignale von Bedeutung, wenn die Sensoren selbst nicht zuverlässig arbeiten und ihre Ausgangssignale nicht exakt erfasst werden. Der Satz „Garbage in, Garbage out” hatte selten so viel Bedeutung.

Mit den richtigen Bauteilen und Design-Methoden lassen sich die Herausforderungen wie zum Beispiel Biasdrift in Abhängigkeit von der Temperatur, Phasenrauschen, Interferenzen und andere Instabilitäten reduzieren. Genaue und wertige Daten sind entscheidend für das Machine Learning und das Training von KI-Prozessoren, damit die richtigen Entscheidungen getroffen werden.

Das Zusammenspiel zwischen Sensor-Modalitäten, Sensorfusion, Signalverarbeitung und KI hat tiefgreifende Auswirkungen auf die Fortschritte bei autonomen Fahrzeugen und das Vertrauen in diese Technik. All dies ist nur mit hochzuverlässigen und präzisen Sensorinformationen erreichbar – ein absolutes Muss für sichere autonome Fahrzeuge. (oe)

<a href="http://www.analog.com">www.analog.com</a>

16:9

Bild 1: Tests mit autonomen Fahrzeugen zeigen, dass zwischen Dezember 2016 und November 2017 insgesamt über 840.090 Meilen gefahren wurden. In diesem  Zeitraum mussten Fahrer 7.065 Mal die Kontrolle über das Fahrzeug übernehmen.

Bild 2: Ein komplett kognitives Fahrzeug, welches Position, Geschwindigkeit, Straßenverlauf und mechanischer Zustand erkennt, ist für sichere autonome Fahrzeuge notwendig.

Bild 3: Jede Messmodalität hat eigene Stärken und Schwächen. Geeignete Sensorfusions-Strategien können Stärken ergänzen und Schwächen verbessern.

Bild 4: Das komplett kognitive Fahrzeug wird größtenteils durch 360˚-Rundumsicht mit fortschrittlichem Radar, Lidar und Kameras sowie IMUs (Inertial Measurement Units) und Ultraschall ermöglicht.

Hauptartikel

Chris Jacobs ist Vice President  Autonomous Transportation  & Safety bei Analog Devices.

Referenzdesign für hochintegrierte Kamera

Ich habe meine Remote- Fahrzeugkamera geschrumpft

Kameras sind bei Fahrerassistenzsystemen ein Schlüsselelement. An ausgewählten Stellen am Fahrzeug installiert, werden immer mehr Kameras eingesetzt, um einen Rundumblick zu ermöglichen und dem Fahrer neue und bisher unerreichbare Außenansichten zu bieten. Diese Remote-Kameramodule mit ihren integrierten Power-Management-Systemen müssen klein, effizient und kostengünstig sein. Doch typische Power-Management-Implementierungen haben ihre Schwächen.

Remote-Kameramodule mit ihren integrierten Power-Management-Systemen müssen klein, effizient und kostengünstig sein. Doch typische Power-Management-Implementierungen haben ihre Schwächen.

Der Markt für Fahrerassistenzsysteme zählt zu den schnellst wachsenden Märkten der Automobilelektronik. Kameras sind dabei ein Schlüsselelement. An ausgewählten Stellen am Fahrzeug installiert werden immer mehr Kameras eingesetzt, um einen Rundumblick zu ermöglichen und dem Fahrer neue und bisher unerreichbare Außenansichten zu bieten. Diese Remote-Kameramodule mit ihren integrierten Power-Management-Systemen müssen klein, effizient und kostengünstig sein. Doch typische Power-Management-Implementierungen haben ihre Schwächen. Wie können hochintegrierte Lösungen helfen?

Das Remote-Kameramodul wird typischerweise über eine POC-Leitung (Power-over-Coax) mit 8 V versorgt und hat eine Leistungsaufnahme von unter einem Watt (&lt;125 mA). Diese Spannung wird heruntergesetzt, um die elektronischen Onboard-Verbraucher, einschließlich des Bildgebers (engl. Imager) und des Serialisierers (engl. Serializer), zu versorgen (Bild 1). Die Kamera ist entweder vollständig eingeschaltet oder vollständig ausgeschaltet. Aus diesem Grund ist es kostengünstiger, optimierte Abwärtswandler-ICs zu wählen, die für einen hohen Wirkungsgrad bei Volllast ausgelegt sind, ohne zusätzliches Silizium (oder Kosten) für einen verbesserten Leichtlastbetrieb aufzuwenden. In Bild 1 werden die passiven Komponenten der Übersichtlichkeit halber weggelassen.

Die typische Lösung: diskrete Abwärtswandler

Die typische Lösung basiert auf einem speziellen, 8-V-betriebenen, diskreten Abwärtswandler (engl. Buck) für jede benötigte Spannung. Die vier Wandler sind in der Regel mit identischen ICs konzipiert, um Größenvorteile und ein einfaches Design zu erzielen. Da die Lasten der Abwärtswandler jedoch sehr unterschiedlich sind, ist das Gesamtkonzept von Natur aus ineffizient.

In diesem Abschnitt werden nur zwei der vier in Bild 2 gezeigten Regler (Abwärtswandler 1 und Abwärtswandler 4) im Detail erläutert. Abwärtswandler 2 und Abwärtswandler 3 spiegeln die Situation von Abwärtswandler 1 und Abwärtswandler 4 wider und werden aus Gründen der Übersichtlichkeit nicht behandelt.

Der Wirkungsgrad von Abwärtswandler 1 mit 30 mA Last ist suboptimal (78%), da er unter leichter Last arbeitet. Der Wirkungsgrad von Abwärtswandler 4 ist ebenfalls suboptimal (82%), da er mit einem niedrigen Tastverhältnis arbeitet (1,8 V/8 V = 0,225). Das Endergebnis ist eine Systemstromaufnahme von 71 mA von der 8-V-Spannungsversorgung (568 mW).

Diese diskrete Lösung ist kostspielig und platzraubend, da für jede Spannung ein IC und die zugehörigen passiven Komponenten benötigt werden. Wie in Bild 3 dargestellt, beträgt der Platzbedarf auf der Leiterplatte von zwei der vier Abwärtswandler einschließlich der passiven Komponenten 160,4 mm2.

Eine überlegene Lösung: Zweikanaliger Abwärtswandler

Durch die Erzeugung der vier Spannungen mit zwei zweikanaligen Abwärtswandler-ICs wird zusätzlicher Platz gespart und der Wirkungsgrad erhalten. Bild 4 zeigt die Lösung mit einem zweikanaligen Abwärtswandler für zwei der vier Spannungen mit dem MAX20019. Die externen passiven Komponenten werden der Einfachheit halber nicht dargestellt.

Hier sind zwei integrierte Abwärtswandler für den kaskadierten Betrieb optimiert. Beide arbeiten bei oder nahe Volllast und haben eine hohe Einschaltdauer für den höchsten Wirkungsgrad. Der 1,8-V-Abwärtswandler mit nur 3,3 V am Eingang (im Gegensatz zu 8 V in der typischen Architektur) ist für ein mittleres Tastverhältnis (1,8 V/3,3 V = 0,545) optimiert und arbeitet mit einem maximalen Wirkungsgrad von 92%. Der 3,3-V-Abwärtswandler ist optimiert für Tastverhältnisse von POC-Spannungen von 8 V (3,3 V/8 V = 0,412) bis 12 V und für nahezu Volllast, was einen respektablen Wirkungsgrad von 86% bei 8-V-Spannungsversorgung ergibt. Das Endergebnis ist eine Entnahme von 71 mA aus der 8-V-Schiene. Dies zeigt, dass diese Konfiguration den Wirkungsgrad erhält. Noch wichtiger ist, dass diese Lösung die Materialkosten reduziert, da sie einen einzigen IC und kleinere passive Bauteile verwendet (mehr dazu im nächsten Abschnitt).

Viele Verbesserungen wirken sich positiv auf den Platzbedarf der Lösung mit zweikanaligem Abwärtswandler aus. Erstens trägt die Integration von zwei Abwärtswandlern in einen einzigen Chip dazu bei, den Platzbedarf auf der Leiterplatte zu verringern, da ein IC-Gehäuse entfällt. Zweitens reduzieren die hohe Taktfrequenz (3,2 MHz) und das schnelle Einschwingverhalten die erforderliche Platinenfläche weiter, da kleinere Ausgangsinduktivitäten und -kondensatoren zum Einsatz kommen. Drittens glätten die phasenverschobenen Taktgeber der beiden Wandler den Eingangsstrom und reduzieren die Größe der Eingangskondensatoren. Bild 5 veranschaulicht den Platzbedarf auf der Leiterplatte mit dem zweikanaligen Abwärtswandler-IC.

Die integrierte Zweikanal-Abwärtswandler-Lösung belegt eine Leiterplattenfläche von nur 125,1 mm2. Dies entspricht einer beachtlichen Reduzierung der benötigten Leiterplattenfläche um 22%. Ein zweiter IC kann für die beiden anderen in Bild 1 dargestellten Spannungen (Abwärtswandler 2 und Abwärtswandler 3) verwendet werden. Die gesamte POC-Lösung der Remote-Kamera ist effizient mit nur zwei ICs und den dazugehörigen passiven Komponenten aufgebaut.

Ein weiterer Vorteil des ICs ist die intern feste Frequenz bei 3,2 MHz, die kleine externe Komponenten, reduzierte Ausgangswelligkeit und den Betrieb oberhalb des AM-Bandes ermöglicht, um Hochfrequenzstörungen zu reduzieren. Das Bauelement arbeitet im forcierten PWM-Modus (FPWM) mit konstanter Frequenz und bietet eine optionale Spread-Spectrum-Frequenzmodulation für eine Minimierung der EMI-Emissionen.

Bild 6 zeigt den PCB-Prototypen des Maxim Integrated Remote-Kameramoduls mit zwei ICs, die die POC-Lösung für die vier Spannungen implementieren. Die Abmessungen der Leiterplatte beträgt nur 22 mm mal 19 mm und zeigt, dass sich mit dem IC besonders kompakte und energieeffiziente Remote-Kameralösung realisieren lassen.

Remote-Kameramodule, die mit On-Board-Power-Management-Systemen ausgestattet sind, müssen klein, effizient und kostengünstig sein. Typische Power-Management-Lösungen benötigen viel Platz und Energie, da sie mehrere ICs verwenden und mit einem suboptimalen Wirkungsgrad arbeiten. Der für den kaskadierten Betrieb optimierte Zweikanal-Abwärtswandler MAX20019 ermöglicht Power-Management-Lösungen für Remote-Kameras, die einen Bruchteil der typischen Leiterplattenfläche einnehmen und gleichzeitig einen hohen Wirkungsgrad gewährleisten. (jr)

<a href="http://www.maximintegrated.com">www.maximintegrated.com</a>

Bild 5: Platzbedarf für die integrierte Zweikanal-Abwärtswandler-Lösung: 18,4 mm x 6,8 mm = 125,1 mm2.

Bild 3: Grundfläche für die Zwei-Chip-Lösung: 21,1 mm x 7,6 mm = 160,4 mm2.

Bild 4: Ein-Chip-Lösung für zwei Spannungen.

Bild 1: Blockdiagramm für die Stromversorgung der Remote-Kamera über Koaxialkabel.

Bild 2: Diskrete Abwärtswandler zur Erzeugung von zwei Spannungen.

Illustration der Umgebungsansicht eines ADAS.

Chikara Kakizawa ist ein Anwendungsingenieur für Automotive bei Maxim Integrated. Chintan Parikh ist Executive Business Manager bei Maxim Integrated. Kevin Frick ist Product Definer bei Maxim Integrated. Dr. Nazzareno (Reno) Rossetti ist ein Experte in Analogtechnik und Powermanagement bei Maxim Integrated.

Chintan Parikh ist Executive Business Manager bei Maxim Integrated.

Kevin Frick ist Product Definer bei Maxim Integrated.

Dr. Nazzareno (Reno) Rossetti ist ein Experte in Analogtechnik und Powermanagement bei Maxim Integrated.

Ständig wechselnde Umgebungen sind eine große Herausforderung für moderne Fahrerassistenzsysteme. SW-gesteuerte Radare bieten hier ganz neue Chancen: Sie sind kompakt, günstig und darüber hinaus enorm vielseitig und rekonfigurierbar.

Das Fraunhofer FHR hat ein MIMO-Radar entwickelt, das die Radarszene adaptiv wahrnimmt und mittels komplexer Algorithmen aus vorangegangenen Messungen die neue Position des Radarziels mit hoher Genauigkeit vorhersagt. Mit diesen One-step-Ahead-Vorhersagen wählt der Controller im System aus einem MIMO-Array mit 32 virtuellen Kanälen adaptiv nur die vier bis sechs für die nächste Messung nötigen Empfänger- und Transmitterkanäle aus. So kann eine exakte Positionsbestimmung auch mit einem vergleichsweise kleinen und günstigeren System bei geringerem Datenaufkommen in Echtzeit erreicht werden. Die Ergebnisse jeder neuen Messung fließen nach dem Close-Loop-Prinzip in die Berechnungen für die nächste Messung ein. So lernt das Radarsystem, seine adaptive Strategie laufend situationsabhängig zu verbessern und ein optimales Bild der Radarszene zu erzeugen.

Das kognitive Radar tastet seine Umgebung adaptiv ab. Dabei passt es seine Parameter an, indem es auf Informationen aus vorherigen Messungen, wie die Anzahl der Ziele, ihre Parameter, das Rauschniveau und die Clutter-Verteilung, sowie auf Wissen aus anderen Quellen (weitere Sensoren, kartografische Daten) zurückgreift. Der Aufbau eines kognitiven Systems besteht in der Regel aus vier Elementen: der beleuchteten Szene, dem Sensor, einem Prozessor, der durch die Verarbeitung der Rohdaten und Schätzung der Szenen-Parameter die Wahrnehmung der Szene erzeugt, und einem kognitiven Controller. Dieser optimiert dynamisch die operativen Parameter des Systems und weist die Ressourcen für die nächste Messung zu.

Eine Herausforderung für die räumliche Auflösung ist das Übertragen und Empfangen der Kanalauswahl für die Positionsbestimmung. Anders als bei der Abstands- und Geschwindigkeitsbestimmung, bei der Bandbreite, Messzeit und -anzahl entscheidend sind, um nah gelegene Ziele auflösen zu können, hängt die Genauigkeit der Winkelschätzung von der Länge des Antennenarrays ab. Je länger, also je mehr Antennenelemente, desto genauer wird sie. Diese Elemente müssten aber adäquat verteilt sein, um Aliasing zu verhindern, und würden zudem zusätzliche Tx- und Rx-Module mit großen Mengen an zu prozessierenden Daten benötigen. Das hätte deutlich höhere Systemkosten zur Folge. Deshalb entwickeln FHR-Wissenschaftler neue Compressed-Sensing-Algorithmen, die Informationen auch aus dünn besetzten Anntenen-Arrays ermitteln können.

Der aktuelle Fokus liegt darüber hinaus auf der adaptiven Auswahl der Empfangskanäle und Transmitter-Aktivierungs-Sequenzen in einem Zeit-Multiplexverfahren, das den kosteneffizienten Multiple Input-Multiple Output  (MIMO)-Betrieb ermöglicht. Informationen aus vorherigen Messungen werden dazu mit einem Bayesschen Filter sequenziell in die wahrscheinliche Verteilung der Winkelposition einbezogen. Mit komplexen statistischen Metriken zur Optimierung der Kanalauswahl für die nächste Messung erreichen die Forscher so eine sehr schnelle Annäherung an den aktuellen Wert der Winkelposition. (oe)

<a href="http://www.fhr.fraunhofer.de">www.fhr.fraunhofer.de</a>

 Architektur eines kognitiven Fahrzeugradars, das Feedback vorangegangener  Messungen und externe Quellen für eine adaptive, optimale Ausleuchtung der Szene nutzt.

Hauptartiklel

Bearbeitet nach Unterlagen des  Fraunhofer-Institut für Hochfrequenzphysik und Radartechnik FHR, D-53343 Wachtberg.

»Piezo-Feedback  bietet viele Vorteile«

Haptisches Feedback bei Displays ist für Manfred Sauer, Geschäftsführer und Präsident der Kyocera Automotive and Industrial Solutions GmbH, der Einstieg in intelligente Mensch-Maschine-Schnittstellen. Als Aktor bevorzugt der japanische Werkstoffspezialist Piezoaktoren, die vielfältige haptische Eindrücke auf der  Displayoberfläche auslösen können.

Haptisches Feedback bei Displays ist für Manfred Sauer, Geschäftsführer und Präsident der Kyocera Automotive and Industrial Solutions GmbH, der Einstieg in intelligente Mensch-Maschine-Schnittstellen.

Herr Sauer, seit wann ist Kyocera am Thema Piezoaktoren für haptisches Feedback dran?

Manfred Sauer: Bereits Mitte 2000 kamen beispielsweise erste Smartphones mit Magnetspulentechnik auf den Markt. Inzwischen gibt es auch Systeme mit Unwuchtmotoren und elektrostatischer Anregung. Kyocera hat erstmals 2008 ein aktives haptisches Feedback für Touchpanels auf Basis der Piezotechnik konzipiert. Diese Technik, bei Kyocera „Haptivity“ genannt, bietet bezüglich Bauraumbedarf und haptischem Erlebnis unbestreitbare Vorteile.

Die Magnetspulentechnik etwa ist bis heute relativ voluminös und somit nur bedingt für flache Touchpanels geeignet. Sie ermöglicht nur sinusförmige Erregungen, die nicht unbedingt für das gewünschte Klick-Gefühl analog einem mechanischen Schalter sorgen. Zudem haben die oben genannten Systeme hohe Latenzzeiten. Der Benutzer empfindet dieses deutlich zeitversetzte Rückmeldesignal nicht als natürliches haptisches Erlebnis.

Und der Piezoaktor ist bei diesen Faktoren besser?

Absolut. Erstens ist er nur wenige Millimeter hoch und somit selbst für sehr flache Anwendungen prädestiniert. Hinzu kommt die lange Lebensdauer deutlich über der des Fahrzeugs. Außerdem weist der Piezoaktor Latenzzeiten von nur wenigen Millisekunden auf, insbesondere, wenn die Kommunikation mit der Headunit entsprechend optimiert wurde. Der Benutzer erlebt dadurch eine sofortige haptische Rückmeldung, ähnlich wie beim Betätigen eines mechanischen Schalters.

Wie sieht es mit der Qualität des haptischen Feedbacks aus?

Piezoaktuatorik kann mehr als 40 verschiedene haptische Bediengefühle erzeugen, die von unseren extrem empfindlichen Fingerkuppen noch unterschieden werden: etwa harte und weiche Tasten, ein- oder zweistufige Auslösungen – alles darstellbar. Beim Überstreichen des Touchpanels können wir beispielsweise Hyperlinks herausheben, ja sogar die Braille-Schrift haptisch so ersetzen, dass ein Blinder mit unserer Piezotechnik quasi „lesen“ kann. Selbst die Struktur eines Pullovers lässt sich dank der Piezoaktoren inzwischen auf dem Display so erzeugen, als ob man mit den Fingern das Textil direkt befühlt.

Hinzu kommt: Der Piezoaktor fungiert gleichzeitig als Sensor und setzt einen mechanischen Druck in ein elektronisches Signal um. Wir können aber auch kapazitive, induktive oder andere Techniken zur Initiierung auswählen. Das hängt immer von den Spezifikationen der Kunden ab.

Warum ist die Piezotechnik dann nicht schon längst im Markt?

Wir waren 2008 mit unserem haptischen Feedback per Piezotechnik einfach der Zeit ein Stück voraus. Damals konnte man sich die ungeheuren Einsatzmöglichkeiten dieser Technik noch nicht so recht vorstellen. Einige Jahre später gelangte Kyocera aber zur Überzeugung, dass sich Anfang der 20er Jahre ein riesiger Markt für Touchpanels mit intelligentem Feedback auftun würde. Inzwischen haben wir sehr viele Anwendungsmöglichkeiten im Fokus, da Smartphones die Akzeptanz für intelligente Touchfunktionen rasant erhöhen. Bei diversen Benchmarks von Kunden kam immer die Rückmeldung, dass das piezogestützte Feedback die beste aktuell verfügbare Technik ist.

Welche Anwendungsfälle stehen denn im Fokus?

Das reicht von klassischen Automotive-Anwendungen über die Steuerung von Maschinen bis hin zur Medizintechnik. Überall dort, wo eine eindeutige Bestätigung der Eingabe zwingend erforderlich ist. Eine sehr charmante Funktion ist der bis zu siebenfache Tiefenklick. Ähnlich wie bei einem Fotoapparat mit den zwei Stufen „Scharf stellen“ und „Auslösen“ sind bei unseren Piezoaktoren bis zu sieben Druckstufen möglich. Damit lässt es sich sehr einfach zwischen verschiedenen Menühierarchien wechseln. Bei herkömmlichen Touchpanels ist dieses Navigieren durch die Menüstrukturen deutlich aufwendiger.

Wann wird Kyocera mit dem piezobasierten haptischen Feedback in Serie gehen?

Erste Displays für Maschinensteuerungen und Factory Automation liefert Kyocera im zweiten Quartal 2019. Im Automobil wird die Technik 2020 oder 2021 erstmalig bei europäischen OEMs in Serie gehen. Auch in der Medizintechnik stehen Serienanläufe an.

Displays im Automobil werden immer größer. Sind haptische Feedbacks auf solch großen Bildschirmen überhaupt noch darstellbar?

Bildschirme mit 21 oder 26 Zoll Bildschirmdiagonale sind absehbar. Dort wären für ein haptisches Feedback etwa sechs Piezoaktoren erforderlich, je nach zu bewegender Masse. Ich denke, dass wir bis zu acht Piezoaktoren sauber ansteuern können. Die eigentliche Herausforderung bei dieser Technik ist eher die Konstruktion der Aktoren und ihr Einbau.

Etwa, wie die Hebelwirkung gestaltet ist und wo und wie die Aktoren im Gesamtsystem „Display“ integriert sind. Dieses Design- und Implementierungs-Know-how ist unser Betriebsgeheimnis und wird von Kunde zu Kunde unterschiedlich angewandt. Basis ist ein System aus Feder, Piezoelement und mechanischer Anbindung. Dazu erhält unsere Kundschaft jeweils eine individuelle Applikationsempfehlung für die Integration im Produkt.

Bei der Kraftstoffeinspritzung sind Piezoinjektoren deutlich teurer als Magnetventile. Wie sieht das Kostenverhältnis beim haptischen Feedback aus?

Erst mal hängen die Kosten von den konkreten Stückzahlen, Anwendungen und der patentrechtlichen Situation ab. Stand heute hält Kyocera 98 technologie-unabhängige Patente bezüglich Druckmessung und haptischer Rückmeldung. Deshalb könnte auch eine magnetgestützte oder elektrostatische aktive Haptik unter diesen Patentschutz fallen. In der Regel dürfte unsere piezogestützte Technik etwas mehr kosten als die anderen Lösungen. Dafür bietet sie aber die vorhin angesprochenen Bauraum- und funktionellen Vorteile. Bei sehr knappem Displaypackage kann die Piezoaktorik manchmal die einzige realisierbare Lösung sein.

Wie kam es zu der Lizenzvereinbarung mit Bosch?

Es ist kein Geheimnis, dass die beiden Unternehmen weltweit intensive Geschäftsbeziehungen pflegen. In diesem Fall kam Bosch mit dem Wunsch auf uns zu, unsere Patente für die Entwicklung von Bosch Touchpanels mit intelligenter Rückmeldung nutzen zu dürfen. Im Idealfall integrieren sie auch unsere Produkte in ihren Displaysystemen. Sie dürfen aber auch andere Techniken nutzen, um eine aktive Haptik zu realisieren. Mit anderen Unternehmen sind wir ebenfalls in Gesprächen über Lizenzvergaben.

Wird Mitte bis Ende des nächsten Jahrzehnts jedes Fahrzeug über  Displays mit haptischem Feedback verfügen?

Grundsätzlich wird das intelligente Display die heute üblichen Touchpanels ersetzen. Ob dieser Prozess bis 2025 oder 2030 abgeschlossen sein wird, lässt sich nicht mit Sicherheit sagen. Sobald Bildschirme von Consumergeräten (Smartphones, Lichtschalter, Geldautomaten, Ampelbetätigungen) über eine intelligente Rückmeldehaptik verfügen, wird es auch bei Fahrzeugdisplays sehr schnell gehen.

Wird der Piezoaktor zum Schlüssel für den Einstieg in intelligente Mensch-Maschine-Schnittstellen, oder stehen dafür auch andere  Techniken bereit?

Unsere Piezoaktorik ist sicher der Einstieg. Es gibt aber schon Techniken, bei denen ein haptisches Erlebnis auch ohne physische Berührung möglich ist. Mit diesen „Augmented Haptivity“ Techniken kann dann den Handflächen suggeriert werden, dass man beispielsweise einen Tennisball in der Hand hält – völlig berührungslos. Natürlich steckt eine solche Technik noch in den Kinderschuhen, könnte aber die nächste Evolutionsstufe nach dem displaybasierten haptischen Feedback werden. Dann könnten Passagiere in autonomen Fahrzeugen völlig positionsflexibel Steuervorgänge einfach per Hologramm und Handbewegung vornehmen.

Das Interview führte Hartmut Hammer, freier Mitarbeiter der Hanser automotive.

Die Fingerkuppe kann bis zu 40 verschiedene haptische  Impulse des Piezoaktors unterscheiden. 

Dank der sehr dünnen Piezoaktoren bleiben Kyocera-Displays mit haptischem Feedback angenehm schlank. 

Manfred Sauer (50) studierte Elektrotechnik und arbeitete anschließend im Vertrieb von Data Modul, einem Display-Distributor in München. 2000 wechselte er zu Optrex Europa, einem Joint Venture von VDO und der japanischen Optrex Corporation. Dort arbeitete er in der strategischen Geschäftsentwicklung und im Vertrieb von Displays. Durch den Aufkauf von Optrex Europa kam Sauer 2012 zur Kyocera Corporation, wo er seit 2015 als Geschäftsführer und Präsident der Kyocera Automotive and Industrial Solutions GmbH fungiert.

» Grundsätzlich wird das intelligente Display die heute üblichen Touchpanels ersetzen. Sobald Bildschirme von Consumergeräten über eine intelligente Rückmeldehaptik verfügen, wird es auch bei Fahrzeugdisplays sehr schnell gehen.

Je höher der Grad der Automatisierung, desto mehr Sensoren sind notwendig. Röchling Automotive entwickelt ein intelligentes System, das diese effizient und zuverlässig von Verschmutzungen des Fahrbetriebs reinigt.

Röchling Automotive setzt mit seinem AACS (Advanced Active Cleaning System) bei den Systemanforderungen Ausfallsicherheit und Robustheit an. Dies führt zu einer proportionalen Zunahme an Reinigungspunkten und Bedarf an Reinigungsflüssigkeit. Wesentliche Anforderungen stellt das smarte Reinigungssystem vor allem an die Faktoren Wasser- und Energiemanagement, bedarfsgerechte Steuerung, Füllstandmessung und Heizung.

Bei besonders sparsamem Wassereinsatz muss das System jederzeit das optimale Reinigungsergebnis erzielen, um einen fehlerfreien Betrieb zu ermöglichen. Je effizienter das Wassermanagement, desto geringer die Bauraumanforderungen des Tanks. Zudem muss das System bis zu 30 Sensoren, zusätzlich zu Front- und Heckscheibe oder Scheinwerfern, reinigen. Speziell im Hinblick auf den verstärkten Einsatz in Elektrofahrzeugen spielt die generelle Energiebilanz des Systems eine wesentliche Rolle. Ausgehend von einer automatisch vorgenommenen, softwarebasierten Priorisierung der zu reinigenden Sensoren bieten die eingesetzten Pumpen einen entscheidenden Ansatz, da sie eine bedarfsgerechte Reinigung ermöglichen und sensorspezifisch Wassermenge und -druck variieren. Registriert beispielsweise ein integrierter Sensor einen niedrigen Füllstand, könnte automatisch eine restmengenabhängige „Notfall-Priorisierung“ einsetzen.

Ein weiterer Faktor sind die Außentemperaturen, denn bei Frost stellen sie unabhängig vom Antriebskonzept eine Herausforderung für die zuverlässige Aufrechterhaltung der Reinigungsleistung dar. Hier bieten sich entweder ein sensorgesteuertes Heizsystem oder Frostschutzzusätze als Lösung an.

Röchling Automotive nutzt für das AACS sein langjähriges Know-how bei Waschsystemen. Die flexiblen Wassertanks aus Polyethylen (PE) oder Polypropylen (PP) sind leicht, individuell anpassbar und variabel positionierbar. Beim AACS kommt alternativ zu einer Mono-Pumpe eine kompakte zweistufige Dual Pressure-Pumpe zum Einsatz. Diese wird kundenspezifisch im Hoch- und Niederdruck-Bereich bei 3,7 und 2,3 bar mit Volumenströmen von 75 und 35 cm3/min eingesetzt. Die bedarfsorientierte Drucksteuerung und Dosierung übernimmt ein Master Cleaning System, das die Wasserverwendung bedarfsorientiert und somit energiesparend steuert. Das derzeitige Konzept bietet bei einem einzigen Eingang acht verschiedene Ausgänge. Zudem kann ein Wechsel zwischen zwei Ausgängen in weniger als 50 ms erfolgen.

Der neue Füllstandsensor sorgt als kapazitives Modul kontinuierlich für präzise Niveaumessungen und erkennt zudem Eis und Luft. Ist ein Sensor verschmutzt, sendet er ein Signal an die ECU von Röchling, die wiederum eine Meldung an die ECU des Fahrzeugs sendet. Aktuell sind ECU, Antrieb und Verteiler zusammen im Tank verbaut, zukünftig sollen die Komponenten jedoch außerhalb davon untergebracht werden, um ihre Positionierung flexibler zu gestalten. Alternativ zu einem Heizsystem kontrolliert ein Sensor im Tankinneren den Aggregatzustand der Flüssigkeit.

Das AACS verfügt als modular angelegtes System über vier Einheiten: Dual-Pumpe, Füllstandsensor, Heizung und Aktuator plus ECU. Durch diese Schlüsseleigenschaft des Systems ist der Übergang vom unterstützten zum Autonomen Fahren (Level 5) flexibler gestaltbar. Der Grad der Automatisierung steigt parallel zu den erzielten interdisziplinären Fortschritten stufenweise bis hin zum komplett selbstfahrenden Automobil. (jr)

<a href="http://www.roechling.com">www.roechling.com</a>

Bild 1: Das modulare Reinigungssystem AACS verfügt über vier Einheiten: Dual-Pumpe, Füllstandsensor, Heizung und Aktuator plus ECU.

Walter Kral ist Head of Product Line Fluid Components and Systems bei Röchling Automotive in Leifers (Italien). Stefano Dalpez arbeitet bei Röchling Automotive im Bereich Advanced Development Electronics EF/FS.

Stefano Dalpez arbeitet bei Röchling Automotive im Bereich Advanced Development Electronics EF/FS.

Die achte Generation des Porsche 911 ist nicht nur stärker und schneller als seine Vorgänger, auch die Assistenzsysteme basierend auf der neuen elektronische  Fahrwerksplattform und dem zentralen ADAS-Steuergerät wurden gründlich überarbeitet. Mit dem neuen Wet Mode kann die Baureihe 992 nun automatisch eine nasse Fahrbahn erkennen und regt den Fahrer an, die Fahrweise anzupassen.

Die 8. Generation des Porsche 911 ist nicht nur stärker und schneller als seine Vorgänger, auch die Assistenzsysteme wurden überarbeitet. Mit dem Wet Mode kann die Baureihe 992 eine nasse Fahrbahn erkennen und regt den Fahrer an, die Fahrweise anzupassen.

Mit dem „Porsche Wet Mode“ haben die Zuffenhausener dem Elfer ein noch besseres Fahrverhalten auf nassen Straßen verpasst. Die Assistenzfunktion besteht aus einer Nässe-Erkennung und einer entsprechenden Abstimmung zur Steigerung der Fahrstabilität auf nassen Fahrbahnen.

Der Porsche Wet Mode erkennt automatisch eine nasse Fahrbahn und warnt den Fahrer vor Fahrbahnnässe, indem Körperschall-Sensoren in den vorderen Radhäusern aufgewirbeltes Spritzwasser registrieren. Damit unterscheidet sich das System grundlegend von Regensensoren zur Ansteuerung der Scheibenwischer, die unabhängig vom Fahrbahnzustand lediglich optisch auf Wassertropfen auf der Windschutzscheibe reagieren. Das System ist zweistufig ausgelegt: In der ersten Stufe wird das Ansprechverhalten des Porsche Stability Management (PSM) und Porsche Traction Management (PTM) vorkonditioniert. Beide Systeme greifen dann früher und sensibler ein. Zudem informiert eine Einblendung den Fahrer im Display über die erkannte Nässe und empfiehlt, manuell per Bedienrad am Lenkrad in den Wet Mode zu wechseln. Wird das Fahrprogramm „Wet“ aktiviert (Stufe 2), passen sich unter anderem das PSM, das PTM, die adaptive Aerodynamik, das (optionale) Porsche Torque Vectoring Plus und das Ansprechverhalten des Antriebs an, um eine größtmögliche Fahrstabilität zu gewährleisten. Der variable Heckspoiler fährt ab 90 km/h in die Performance-Position, die Kühlluftklappen öffnen, die Gaspedal-Kennlinie wird flacher und die Funktion PSM Off oder der Sport-Modus können nicht mehr aktiviert werden. Auch der Drehmomentaufbau des Motors wird sanfter und die Schaltstrategie des Achtgang-PDK-Getriebes passt sich automatisch daran an. Beim Allradmodell 911 Carrera 4S fließt dann grundsätzlich mehr Antriebskraft zur Vorderachse als im Normalmodus, um den Stabilisierungseffekt zu verstärken. Reduzierte Sperrgrade der elektronisch geregelten Hinterachs-Quersperre ergänzen die Nässeabstimmung zusätzlich.

Dieser elektronische Copilot ist nicht nur bei Nässe von Nutzen. Auch bei reduzierten Reibwerten auf verschneiten Straßen kann das Fahrprogramm Wet manuell aktiviert werden, um die Fahrstabilität zu erhöhen.

Bei den im vorderen Radkasten verbauten Sensoren handelt es sich um Körperschall-Sensoren. Die Vorverarbeitung des Signals mit Filterung und Auswertung im Zeit- und Frequenzbereich erfolgt dabei in einem ASIC, der in den Sensor integriert ist. Anschließend wird das Signal über den LIN-Bus an das neue Fahrwerkssteuergerät 4D Chassis Control geschickt. Dort findet eine Plausibilisierung mit anderen Sensoren im Fahrzeug statt.

Das Fahrwerkssteuergerät ist eine erweiterte Software-Eigenentwicklung zur Porsche-spezifischen Ausprägung des Fahrverhaltens mit deutlich gesteigerter Rechenleistung. Neben der Reduzierung des Momentenaufbaus bei signifikanter Fahrbahnnässe und einer flachere Gaspedalkennlinie wird auch die ASR-Regelung sensibler, zusätzlich werden die Regelschwellen des ASR abgesenkt, das Kurvenbremsmodul angepasst und ein maximaler Abtrieb bei untersteuernder Balance eingestellt.

Um die Zuverlässigkeit der Nässe-Erkennung des Systems zu validieren, haben die Porsche-Ingenieure die auf den Testfahrten gesammelt Daten mithilfe von Machine Learning ausgewertet und optimiert. Entstanden ist ein Assistenzsystem, das dem neuen Elfer bei Nässe nicht nur mehr Sicherheit verleiht, sondern auch ein deutlich besseres Handling auf nassen Straßen. Nichtsdestotrotz greifen die Gesetze der Physik: Der Wet Mode begrenzt weder die maximale Leistung des Motors noch schränkt er die Höchstgeschwindigkeit ein. August Achleinter, Baureihenleiter bei Porsche für den 911 zum neuen Wet Mode: „Es sollte nicht als Versicherung für zu schnelles Fahren bei starker Fahrbahn-Nässe verstanden werden, sondern im wahrsten Sinne des Wortes als Assistenzsystem“. (oe)

<a href="http://www.porsche.de">www.porsche.de</a>

Elektronische Fahrwerksplattform (EFP) – 4D Chassis Control: Die Systeme nutzen zentral bereitgestellte Informationen als Grundlage für ihre Regelfunktionen.

Ohne reale Daten aus dem Straßenverkehr geht es bei der Entwicklung von ADAS-Funktionen schon längst nicht mehr. Zu diesem Zweck schicken OEMs und Systemlieferanten mit High-End-Datenloggern ausgestattete Testfahrzeuge mit Sensoren unterschiedlicher Ausprägung und Herkunft auf die Straße. Sensor-spezifische Aufzeichnungssysteme sind dabei zu unflexibel und aufwendig. Flexible und skalierbare Ansätze und Strategien sind die Lösung.

OEMs und Systemlieferanten schicken mit High-End-Datenloggern ausgestattete Testfahrzeuge mit Sensoren unterschiedlicher Ausprägung und Herkunft auf die Straße. Flexible und skalierbare Ansätze und Strategien sind die Lösung.

Automatisierte Fahrzeuge müssen jede erdenkliche Situation meistern. Abhängig von der Funktion der Fahrzeuge werden bis zu einer Million reale Testkilometer mit einer Testflotte eingefahren, was einer Aufzeichnungsdauer von mehr als 20.000 Stunden entspricht. Einmal aufgezeichnet, lassen sich Logging-Daten anschließend beliebig oft zum Testen neuer Softwarestände verwenden, wofür High-End-Server mit tausenden Rechenkernen zum Einsatz kommen, um die Dauer der Re-Simulation von 20.000 Stunden Testfahrt auf beispielsweise drei Wochen (500 Stunden) zu senken.

Je mehr Aufgaben Fahrerassistenzsysteme übernehmen, desto höher ist die Anzahl an Sensoren von verschiedenen Zulieferern im Fahrzeug. Die perfekten Referenzdaten zum Testen liefern der reale Straßenverkehr in unendlicher Vielfalt. Zu diesem Zweck schicken OEMs und Systemlieferanten mit High-End-Datenloggern ausgestattete Testfahrzeuge auf die Straße, um anschließend in einer Re-Simulation bestimmte Verkehrssituationen exakt im Labor mit einem neuen Softwarestand zu überprüfen. Anstelle einer Vielzahl von sensorspezifischen Aufzeichnungssysteme sind skalierbare Ansätze und Strategien notwendig.

Ohne realistische  Tests kein autonomes Fahren denkbar

Je nach ADAS-Level sind Logging-Fahrzeuge mit den notwendigen Sensoren sowie zahlreichen Messtechnikkomponenten ausgestattet. Sensorseitig gehören im Wesentlichen Videokameras, Radarsensoren und Laserscanner (LIDAR) dazu. Als Herzstück der ADAS-Systeme fungiert das Fusionssteuergerät, das auf Basis aller Sensordaten ein jeweils aktuelles Umgebungsmodell in Echtzeit berechnet, um letztendlich die Antriebs-, Lenk- und Bremssysteme entsprechend anzusteuern.

Zum Aufzeichnen von Sensor-, Steuergeräte- und Kommunikationsdaten sind eine Vielzahl technischer Lösungen notwendig: Fahrzeugtaugliche auf Performance und Dauerbetrieb ausgelegte RAID-Storages, Hochleistungs-PC mit automatischem Powermanagement, Rohdatenmesstechnik für Video, Radar- und Fusionssteuergeräte, zusätzliche Kontextkameras, Inertialmesssysteme für exakte Fahrzeugpositionsbestimmung sowie zahlreiche Busschnittstellen für Automotive Ethernet, CAN, CAN FD, FlexRay usw. sind in solchen hochgerüsteten Fahrzeugen vereint.

In der Regel bietet jeder Sensorhersteller für seine Sensoren eine individuelle Logging- bzw. Debugging-Lösung an. Treffen aber im Fahrzeug eine Vielzahl von Sensoren unterschiedlicher Hersteller zusammen (Bild 1), ist eine übergreifende Lösung nötig, welche alle notwendigen Sensoren unterstützt und die Daten in einem einheitlichen, standardisierten Format wie ASAM-MDF4 zeitsynchron abspeichert.

Die gesamte Messtechnik muss mechanisch robust und fahrzeugtauglich ausgelegt sein sowie eine hohe Ausfallsicherheit aufweisen. Weitere Anforderungen sind: Automotive-tauglicher Temperaturbereich, geringe Leistungsaufnahme und ein zuverlässiges Powermanagement.

Zum Visualisieren, Bedienen und Beobachten bietet die Logging-Software idealerweise eine anpassbare Benutzeroberfläche, die unterschiedlichen Anwendungsprofilen gerecht wird: vom einfachen Bedienpanel auf Smartphones, bis hin zu komplexen Visualisierungen für Experten während der Testfahrt, sowie für nachgelagerte Messdatenanalysen. Um die aufgezeichneten Daten in späteren Arbeitsprozessen besser verwenden zu können, werden die Aufzeichnungen gelabelt (Bild 2). Das Labeln erfolgt dabei während der Fahrt durch eine mitfahrende Person oder nach der Aufzeichnung beim Betrachten der Messdaten.

Für die aussagekräftige Darstellung der Sensor- und Fusionsdaten sind verschiedene Anzeigefenster erforderlich, wie Status-, Signal- und Trace-Fenster, Objektdarstellungen aus der Vogelperspektive, Video mit Objektüberlagerung, GPS-Kartendarstellung oder 3D-Szenenfenster (Bild 3). Über einen grafischen Editor lässt sich ein Großteil der Visualisierungsanforderungen einfach und ohne Programmieraufwand konfigurieren, zusätzlich können komplexe Darstellungen programmatisch umgesetzt werden.

Im Fahrzeug sind zahlreiche Messmodule über 1- oder 10-Gbit/s-Ethernet mit dem Logger zu verbinden. Insgesamt erreicht die zu speichernde Datenmenge bei einem Level-2-Setup mit 200 MByte/s an einem Arbeitstag 6 TByte und bei einem Level-3-Setup mit 1 GByte/s an einem Arbeitstag 30 TByte. Über 100 TByte in acht Stunden fallen entsprechend bei Level-4- und Level-5-Logging-Systemen an.

Über WLAN oder Mobilfunkschnittstellen lassen sich die aufgezeichneten Datenmengen nicht transferieren, somit ist es notwendig die komplette Speichereinheit einfach aus dem Fahrzeug entfernen zu können. Für den Transfer ins Rechenzentrum gibt es zwei Ansätze: Relativ kostengünstig ist das bei geringeren Datenmengen möglich, indem die Daten auf mehrere HDDs übertragen und dann zum Rechenzentrum versandt werden. Bei größerem Datenvolumen werden hingegen die SSD-Raids direkt ins Rechenzentrum versendet. Im Rechenzentrum gibt es dann auf das jeweilige Speichersystem abgestimmte Ingestion-Stationen, welche die Daten automatisch auf Petabyte große Datenserver übertragen.

Implementierungen  für unterschiedliche Sensoren

Welche Art von Datentypen aufgezeichnet werden muss, unterscheidet sich grundlegend, ob es sich um einen intelligenten Sensor handelt oder nicht. Dies gilt gleichermaßen für Radar- und Videosensoren. Im Fall eines einfachen Sensors werden die Rohdaten beispielsweise über breitbandige Videoschnittstellen wie FPD-Link oder GMSL an das Fusionssteuergerät übertragen. Die Sensor-Messanforderung besteht hier ausschließlich in der Aufzeichnung der Rohdaten. Im Fall eines intelligenten Sensors verarbeitet dieser bereits die Rohdaten und liefert über Busschnittstellen wie CAN FD oder Automotive Ethernet Objektlisten an ein Fusionssteuergerät. Für eine Analyse oder Re-Simulation reichen diese Objektlisten alleine aber nicht aus. Es müssen zusätzlich die Rohdaten sowie Mikrocontroller-interne Daten erfasst werden.

Videosensoren erreichen in der Regel die höchste Rohdatenrate, beispielsweise 100 MByte/s bei einer 1,7-Millionen-Pixel-Kamera und 500 MByte/s bei einer 8-Millionen-Pixel-Kamera. Da Bildverarbeitungsalgorithmen eine verlustfreie Komprimierung voraussetzen, kann die Rohdatenrate durch den Einsatz von verlustfreien Videokompressoren nur um circa 40% gesenkt werden. Videokompressoren erzeugen allerdings eine starke CPU-Belastung des Messrechners und sind deshalb idealerweise in der Hardware der Videomesstechnik realisiert. Ein weit verbreiteter Videobildprozessor ist der EyeQ-Chip von Mobileye. Er liefert einige MByte/s an Debug-Daten über das sogenannte TAPI-Protokoll und Ethernet. Vorteilhaft ist das Online-Auswerten des TAPI-Protokolls, denn der Entwickler stellt sofort fest, ob die gelieferten Daten dem gewünschten Qualitätsanspruch genügen.

Bis zu zehn Kontextkameras kommen in einem Fahrzeug zum Einsatz um die Fahrsituation visuell zu erfassen bzw. zu kontrollieren. Pro Kamera werden hierbei cirka 60 MByte/s erzeugt, diese lassen sich aber mit einem verlustbehafteten H.264-Videokompressor sehr stark um bis zu Faktor 50 reduzieren, sodass diese Datenrate bei der Aufzeichnung weniger ins Gewicht fällt.

Aktuelle Radarsensoren erreichen Rohdatenraten von 20 bis 80 MByte/s, für kommende Generationen von 4D-Imaging-Radare kann sich das Datenvolumen um den Faktor 5 bis 10 steigern. Zusätzlich können bis zu 40 MByte/s Debug-Daten anfallen, die FFT-, Detektion- und Tracking-Ergebnisse enthalten. Jeder Radar-Chip verfügt in der Regel neben der Rohdaten-Schnittstelle über eine Aurora-Datentrace-Schnittstelle. Über diese lassen sich die Daten aus dem Radarprozessor mit hoher Geschwindigkeit rückwirkungsfrei extrahieren. Die Aurora-Schnittstelle bietet die Möglichkeit jede Änderung im RAM eines Multicore-Mikrocontroller über bis zu 20 Gbit/s an eine Messtechnik weiterzuleiten, welche dann ein kontinuierliches Abbild des RAMs erstellt ohne den Mikrocontroller zu belasten. Grundsätzlich ist die notwendige Messtechnik-Integration in Radarsensoren eine Herausforderung, da Radarsensoren sehr klein sind und der Messtechnik-Verbau idealerweise bauraumneutral erfolgen soll. Zudem darf die Position des Radars nicht verändert werden und der Energieeintrag sollte möglichst gering ausfallen. Aufgrund der üblichen Einbauposition im Motorraum muss die Messtechnik auch hinsichtlich des Temperaturbereichs und der rauen Umgebung geeignet sein.

Fusionssteuergeräte bestehen häufig aus einem Mikrocontroller für sicherheitskritische ASIL-D-Anwendungen und einem oder mehrerer Mikroprozessoren für leistungsfähige Berechnungen. Typischerweise verfügt der Controller über die bereits beschriebene Aurora-Messtechnik-Schnittstelle. Neben der Ethernet-Schnittstelle kann auch die PCIe-Schnittstelle des Prozessors für besonders große Datenmengen verwendet werden. Für eine kompakte Ausführung der Messtechnik werden Aurora- und PCIe-Daten über eine gemeinsame Hardware erfasst.

Skalierbare Messtechnik interpretiert herstellerspezifische Protokolle

Weitere Sensoren wie Lidar, Ultraschall oder Inertial-Messeinheiten liefern die Roh- und Debug-Daten typischerweise über Ethernet und Objektlisten über Busschnittstellen. In zahlreichen Fällen verwenden Sensorhersteller eigene Protokolle zur Datenübertragung. Deshalb ist es nicht ausreichend diese Daten im Logger einfach nur abzuspeichern. Der Logger muss das Protokoll oder zumindest Teile davon verstehen. Folglich ist es notwendig die Logger-Software an die Sensoren anzupassen. Da die Sensorentwicklung einer hohen Dynamik unterliegt, lässt sich die Integration der Sensorprotokolle oftmals nicht an die Release-Zyklen der Logger-Software koppeln. Hier hat sich das sogenannte DHPR-Konzept (Distributed High Performance Recorder) von Vector bewährt.

Über eine Plug-In-Schnittstelle werden auf den jeweiligen Sensor abgestimmte Hochleistungsrekorder eingebunden. Ein DHPR nimmt die Sensordaten entgegen, speichert die Daten hocheffizient und zeitsynchron. Die Steuerung der DHPRs (Start, Stopp, Trigger) sowie die zeitliche Synchronisierung erfolgt über die Mess- und Kalibriersoftware CANape. Zusätzlich lassen sich DHPR-Signale oder Objekte aus den Sensordaten extrahieren und diese für Trigger-Bedingungen und komplexe Visualisierungen an die CANape Zentralsoftware weiterleiten. Da CANape mit den DHPRs über IP kommuniziert, kann man mehrere Rechner problemlos zu einem Logging-Cluster zusammenschalten und erhält somit eine komplett skalierbare Lösung.

Mit dem Einzug von SOTA (Software Over The Air) in künftige Fahrzeugarchitekturen und der generellen Öffnung der Fahrzeuge in Richtung Internet und Cloud-Services werden Datenzugriffe über Security-Zertifikate abgesichert, die bei der Integration der Messtechnik ebenfalls zu berücksichtigen sind.

Um den vielfältigen und komplexen Anforderungen an die Datenaufzeichnung von ADAS-Sensoren gerecht zu werden, ist eine durchgängige und aufeinander abgestimmte Lösung notwendig. Diese ist von Vector verfügbar. Als Mess- und Logger-Software inklusive Zertifikatsunterstützung kommt CANape zum Einsatz sowie individuelle Sensorrekorder mithilfe der DHPRs. Steuergeräte-Interfaces sind mit der skalierbaren VX1000 Hardware erhältlich – vom einzelnen Basismodul bis zum kompakten VX1161 Multi Base Module für das Messen und Kalibrieren mehrerer Steuergeräte parallel bzw. im Verbund. Dazu Netzwerk-Interfaces und Ethernet-Switches, Logger-Rechner auf der Basis der BRICK-PCs mit Kopierstationen um die aufgezeichneten Daten schnell auslesen zu können, bis hin zu Logger-Cloud-Lösungen für die Konfiguration und die Messdatenanalyse mit vMDM. Dabei gilt es den Integrationsaufwand gering zu halten. Dies gelingt mit einem individuellen, maßgeschneiderten Dienstleistungspaket von Vector.

Basierend auf zahlreichen Kundenrückmeldungen entwickelt Vector die aktuelle ADAS-Logging-Lösung kontinuierlich weiter. Obgleich bereits mehr als 50 verschiedene Sensoren integriert sind, werden weitere Sensoren entsprechend den ambitionierten Zeitplänen der OEMs und Systemlieferanten folgen. Das ab Sommer 2019 verfügbare modulare Multimesssystem VX1161 vereint in einem Gehäuse Messtechnik für alle Sensortypen (Bild 4). Damit reduzieren ADAS-Entwickler deutlich die Anzahl ihrer Systeme sowie den Verkabelungsaufwand bei gleichzeitiger Beschleunigung des Messtechnikaufbaus im Fahrzeug.

In Zukunft wird auch die Anzahl der Automotive-Ethernet-Schnittstellen und der benötigten Bandbreiten kontinuierlich steigen. Mit 12 x 100/1000Base-T1-Unterstützung trägt das VN5240 Netzwerk-Interface diesem Umstand Rechnung, da die Architektur bereits für höhere Bandbreiten als 1000Base-T1 ausgelegt ist. Sowohl das VX1161 als auch das VN5240 erhalten je 2 x 10 Gbit/s Ethernet um sie zu kaskadieren oder performant an den Logger anzubinden. (oe)

<a href="http://www.vector.de">www.vector.de</a>

Bild 2: Das Labeln von Verkehrssituationen zur beschleunigten Messdatenanalyse kann beispielswiese in einem Panel der Mess- und Kalibriersoftware CANape erfolgen. 

Bild 3: LIDAR-Punktwolken-Darstellung und Überlagerung der Fusionsergebnisse im Szenen-Fenster von CANape.

Bild 4: Kompakte Mess- und Kalibrierhardware VX1161 für den Steuergeräteverbund mit Radar-/ Videosensoren, Fusionssteuergerät und Buslogging-Anwendungen. 

Bild 1: Beispielhaftes ADAS-Level-3-Setup mit Sensoren von fünf verschiedenen Zulieferern und fünf Aufzeichnungssystemen.

Dipl.-Ing. (FH) Alfred Kless ist seit 2004 bei der bei Vector Informatik in Stuttgart als Business Development Manager für die Produktlinie „Measurement & Calibration“ beschäftigt.

Fest steht, dass automatisierte Fahrfunktionen nicht ohne die Nutzung umfangreicher Sensordaten realisiert werden können. Dabei müssen die Systemarchitekten darüber entscheiden, ob die Sensordaten zentral, dezentral oder in einer Mischform aus beiden Architekturvarianten verarbeitet werden. Voraussetzung für ein optimales Design ist die Kenntnis der Vor- und Nachteile der jeweiligen Architekturen.

Bei der Frage, bis wann es die ersten kommerziellen autonomen Fahrzeuge geben wird, sind sich Experten höchst uneinig. Die Antworten von Wissenschaftlern und Ingenieuren reichen von einigen Jahren bis zu einigen Jahrzehnten. Für diese Diskrepanz gibt es sicherlich eine Reihe von Gründen. Nicht zu unterschätzen sind dabei die technischen Herausforderungen, die zu meistern sind, um dieses Ziel zu erreichen. Zu diesen Herausforderungen gehören insbesondere die sensorische Erfassung der Umgebung und Sensorfusionstechnik, die für das Verständnis des Fahrszenarios beide unabdingbar sind. Derzeit gibt es zudem noch nicht mal einen Konsens darüber, ob fahrerlose Autos als automatisiert oder autonom betrachtet werden sollten, was eine große Herausforderung für die Ingenieure bei der Entwicklung von Sensor Fusion Frameworks darstellt.

Je nach Automatisierungsgrad erfüllen Sensoren unterschiedliche Aufgaben. Sensoren für assistiertes Fahren (z. B. ADAS) messen einen bestimmten Parameter, sodass das Assistenzsystem eine spezielle Aktion durchführen kann. Beim automatisierten Fahren helfen die Sensorsysteme dem Fahrzeug, einen vordefinierten Satz an Fahrmanövern so präzise wie möglich eigenständig durchzuführen. Das extreme Ende bilden autonome Fahrzeuge. Hier werden Sensoren eingesetzt, um eine hinreichend detaillierte Repräsentation der Umgebung zu erzeugen, damit das Fahrzeug reagieren und eigene Aktionen planen kann. Dies stellt natürlich eine große Herausforderung aus der Sicht der Sensorik dar, da kein einzelner Sensor entweder die Genauigkeit, Präzision oder spektrale Fähigkeit bietet, die notwendig ist, um die Umgebung so wahrzunehmen, wie es für ein völlig autonomes Fahren erforderlich ist.

Um das für autonomes Fahren erforderliche hohe Niveau der Umfelderfassung zu erreichen, gibt es eine Reihe noch offener Konzepte. Eines der wichtigsten Konzepte ist die Sensordatenfusion.

Traditionelle Architekturen zeichnen sich durch eine verteilte Datenverarbeitung in verschiedenen Steuereinheiten (ECUs) aus. Die Herausforderungen bestehen darin, dass die wachsende Anzahl an Knoten und immer ausgeklügeltere Software die Designkomplexität des Fahrzeugsystems in einer Geschwindigkeit erhöht, die nicht mit dem Zuwachs der Anwendungsfunktionalität korreliert. Auch wenn es möglich ist, für Fahrzeuge eine zentralisierte Architektur der Informations- und Kommunikationstechnologie zu entwickeln, bleibt dies eine Herausforderung, die noch nicht effektiv gelöst wurde.

Fest steht, dass mit der steigenden Anzahl von Sensoren in Fahrzeugen auch die Komplexität der Architektur weiter zunehmen wird. Hier stellt sich die Frage, ob die für die Sensorintegration gewählte Architektur einem zentralen oder besser einem dezentralen Ansatz folgen sollte. Bei letzterem schätzen einzelne Sensoren unabhängige Objekt-Tracks, die einem zentralen System zur Verfügung gestellt werden. Im Folgenden werden einige der wichtigsten technischen Herausforderungen aus Sicht der Sensordatenfusion erläutert.

Innerhalb einer zentralisierten Fusionsarchitektur sind alle abgesetzten Knoten direkt mit einem zentralen Knoten verbunden, der die eigentliche Sensorfusion durchführt. Die abgesetzten Knoten unterscheiden sich oft sowohl in Bezug auf ihre physikalische Lage und den spektralen Betrieb als auch in ihren physikalischen Eigenschaften. Beispielsweise werden Radar- und LiDAR-Sensoren an verschiedenen Orten platziert, haben unterschiedliche Fähigkeiten und Genauigkeitsgrade sowie unterschiedliche physikalische Funktionen. Diese Sensoren leiten ihre ‚Rohdaten‘ weiter, die in einem gemeinsamen räumlichen und zeitlichen Koordinatenrahmen registriert werden. Datensätze, die zu dem gleichen Objekt in der Umwelt gehören, werden assoziiert und dann zusammengeführt. Das System hat somit auf Basis der Daten verschiedener Sensoren eine Abschätzung des Status des betrachteten Objekts erzeugt.

Aus Sicht der Fusion ist eine zentralisierte Architektur vorzuziehen, weil die Messungen der verschiedenen Sensoren als bedingt unabhängig angesehen werden können, da es vor der zentralisierten Fusion keinen Austausch zwischen den Knoten gibt. Das birgt jedoch zwei große Nachteile.

Zum einen wächst die Kommunikationsbandbreite, die notwendig ist, um alle Rohdaten zum zentralisierten Knoten zu transportieren, sehr stark an und erreicht die Größenordnung von Gbit pro Sekunde.

Zum anderen steigt der Rechenaufwand für die Zuordnung aller Rohdaten zu möglichen Objekten deutlich an. Die zentralisierte Architektur hat jedoch den Vorteil, dass sie den am besten geeigneten Rahmen für eine optimale Bayessche Fusion bietet (da die Daten ja wie schon zuvor beschrieben bedingt unabhängig sind). Aus Systemperspektive reduziert eine zentralisierte Architektur zudem die Systemkomplexität (im Sinne des Systemdesigns) und verringert die Latenzzeit zwischen Abtast- und Aktionsphase.

Ein dezentrales Fusionssystem besteht aus einem Netzwerk von Sensorknoten, die in der Lage sind, die vom zugehörigen Sensor erfassten Daten lokal zu verarbeiten, um z. B. Objekt-Tracks zu bilden und diese dann sowohl an benachbarte Knoten als auch an den zentralen Knoten zu kommunizieren. In diesem System werden lokal erzeugte Objekt-Tracks an das zentrale Fusionssystem übermittelt. Dieses führt alle lokalen Tracks zu einer gemeinsamen Abschätzung zusammen, die dann als Grundlage für die globale Entscheidungsfindung verwendet wird. Diese Art von Fusionssystem kommt typischerweise in modernen, hochgradig assistierten und automatisierten Fahrzeugen zum Einsatz.

Ein dezentraler Fusionsprozess ist sowohl im Hinblick auf die Architektur aber auch der Algorithmik in vielerlei Hinsicht komplexer. Dies ist vor allem auf eine effizientere Nutzung der einzelnen Sensoreigenschaften und die Optimierung der Signalverarbeitung in jedem Sensor zurückzuführen. Aus der  Architekturperspektive erhöht dies die Latenzzeit zwischen Abtastung und Aktion, reduziert aber den Bedarf an Bandbreite und zentralisierter Verarbeitung erheblich. Aus Sicht der Fusion verringert der dezentrale Prozess die Komplexität des für Datenzuordnung erforderlichen Schritts, führt aber zu neuen Herausforderungen beim Austausch gemeinsamer Informationen. Insbesondere besteht die Gefahr, dass Informationen innerhalb des Systems doppelt gezählt werden. In diesem Bereich wird intensiv an Lösungen geforscht, um eine gemeinsame Datennutzung möglichst effektiv umzusetzen.

In diesem Zusammenhang ist es wichtig, die Relevanz der Sensormodellierung zu verstehen. Fusionsalgorithmen wie das Kalman-Filter benötigen präzise Modelle des Sensorrauschens, um effektiv arbeiten zu können. Die Sensormodellierung ist jedoch ein komplexer und anspruchsvoller Prozess. Viele Systeme verlassen sich auf geschätzte Sensormodelle, anstatt hochpräzise Messungen zur Bestimmung der realen Sensormodelle durchzuführen. In diesen Fällen degenerieren Fusionsalgorithmen zu gewichteten Mittelungsalgorithmen, die die Daten einfach zusammenwürfeln. Mit mehreren gleichzeitig über mehrere Knoten laufende Fusionsalgorithmen kann sich die Situation sogar noch verschlechtern.

Welche Architektur die geeignetere ist, lässt sich nicht einfach beantworten und hängt letztlich vom Einsatzfall ab. Beide Architekturen haben unterschiedliche Vor- und Nachteile. Zentralisierte Architekturen sind nicht so komplex, benötigen zusammengezählt weniger Gesamtrechenleistung und liefern mit hoher Wahrscheinlichkeit das optimale Fusionsergebnis. Sie erfordern jedoch komplexere Algorithmen und setzen ein Team voraus, welches über ausgezeichnete Kenntnisse zu Sensorsystemen und deren effektive Modellierung verfügt. Dezentrale Architekturen hingegen stellen geringere Anforderungen an die Bandbreite, erhöhen aber sowohl die Latenz als auch die Systemkomplexität und machen das Fusionssystem konservativer. Systementwickler können sich bei dezentralen Architekturen jedoch ausschließlich auf die Systemintegration und Entwicklung von Fusionsalgorithmen auf Objektebene konzentrieren. Sie benötigen kein tiefes Fachwissen über die Verarbeitung von Rohsensordaten und komplexe Datenzuordnungsmethoden.

Wegen dieser Eigenschaften der Architekturvarianten ist eine Kombination aus zentraler und dezentraler Informationsverarbeitung gefragt, bei der sich die jeweiligen Vorteile stärker durchsetzen als die Nachteile. Der Hersteller, dem diese Kombination am besten gelingt, wird das Rennen um das effizienteste autonome Fahrzeug gewinnen. (jr)