Verkehr, Mobilität, Freiheit – und Verantwortung

„Ich fahre besser als der Durchschnitt“ – davon dürften die meisten Autofahrer:innen überzeugt sein – und auch davon, in schwierigen Situationen wie eine nasse Fahrbahn oder ein abrupt bremsendes Fahrzeug vor einem rechtzeitig reagieren zu können.

 „Die Tendenz zur Selbstüberschätzung ist gerade beim Autofahren weit verbreitet“, erklärt Psychologe Klaus Peter Kalendruschat von TÜV Nord und betont: „Die eigenen Fähigkeiten zu überschätzen, steigert die Risikobereitschaft.“

Doch mittlerweile werden nicht nur die eigenen Fähigkeiten überschätzt, auch die Bereitschaft die Straßenverkehrsordnung gelinde gesagt etwas lockerer auszulegen, nimmt zu. Mal eben schnell noch über die rote Ampel an der Kreuzung fahren, Vorfahrtsregelungen komplett ignorieren oder aber im Stau die leere Abbiegespur zu nutzen, um sich ganz vorne wieder in die Geradeausspur zu drängeln, ist beispielsweise im Münchner Stadtverkehr keine Ausnahme, sondern Alltag. Ganz zu schweigen vom „Kavaliersdelikt“ Nummer 1 – überhöhte Geschwindigkeit. Die erlaubte Höchstgeschwindigkeit auf Straßen ist keine Empfehlung, die man mal eben einhält, wenn es gerade in den eigenen Zeitplan oder die Gemütsverfassung passt. Sondern ein verbindlicher Grenzwert für die Geschwindigkeit eines Fahrzeugs, um vor allem die Verkehrssicherheit zu gewährleisten. Kein Wunder, dass die Zahl der Verkehrstoten wieder steigt. So sind im Jahr 2022 in Deutschland 2.782 Menschen bei Unfällen im Straßenverkehr ums Leben gekommen. Das waren 220 Todesopfer mehr als 2021. Der Mensch ist Risikofaktor Nummer 1 – rund 90 Prozent aller Unfälle passieren aufgrund menschlichen Versagens.

Die Zahl der Unfalltoten auf null zu reduzieren – das ist das Ziel des automatisierten Fahrens. Auf dem Weg dorthin sind Fahrerassistenzsysteme nicht mehr wegzudenken. Sie helfen dem Fahrer nicht nur beim Einparken, sondern halten automatisch Abstand zum Vordermann, halten die Spur, warnen vor Fahrzeugen im toten Winkel oder leiten eine Notbremsung ein. Darüber hinaus helfen Fahrerüberwachungssysteme, wenn der Fahrer abgelenkt, müde oder gestresst ist und sich somit nicht komplett auf die Straße konzentriert. Das wird vor allem auch bei Level-3-Fahrzeugen eine wichtige Rolle spielen, wenn das Fahrzeug die Kontrolle an den menschlichen Fahrer zurückgeben will – dieser muss dann auch dazu in der Lage sein. Unser Schwerpunkt Fahrerassistenz und automatisiertes Fahren ab Seite 20 bildet das aktuelle Entwicklungsgeschehen ab und beleuchtet zudem den AI Act der Europäischen Union zur Regulierung kritischer künstlicher Intelligenz.

Stefanie Eckardt, Chefredakteurin <a href="mailto:stefanie.eckardt@hanser.de">stefanie.eckardt@hanser.de</a>

16:9

Editorial - Hauptartikel

Eckardt, Stefanie

Durch Remote-Expert-Support dem Fachkräftemangel trotzen

Neue Technologien und Systeme in Fahrzeugen stellen Werkstätten vor große Herausforderungen: Wartung und Reparatur werden komplexer und erfordern ein stärkeres Verständnis für Systemzusammenhänge. Der Fachkräftemangel verschärft die Lücke zwischen Bedarf und örtlich vorhandener Expertise zusätzlich.

Neue Technologien und Systeme in modernen Fahrzeugen stellen Werkstätten vor große Herausforderungen: Wartung und Reparatur werden komplexer und erfordern ein stärkeres Verständnis für Systemzusammenhänge. Der Fachkräftemangel verschärft die Lücke zwischen Bedarf und örtlich vorhandener Expertise zusätzlich.

Technische Innovationen in der Automobilindustrie werden durch die Daten- und Software-getriebene Entwicklung immer dynamischer: die Digitalisierung macht es möglich. So werden Fahrzeugfunktionen schon heute über die Systemgrenze Fahrzeug hinaus realisiert. Die Folge: effiziente Wartung und Reparatur kommender Fahrzeuggenerationen werden immer komplexer. Das ist nur mit hochspezialisierten Fähigkeiten und Unterstützung durch digitale Diagnosetester in Werkstätten möglich. Hinzu kommt, dass sich das Tempo der Veränderung und Funktions-Updates aus der Entwicklung merklich erhöht. Aus Unternehmenssicht hat dieser Paradigmenwechsel grundlegenden Einfluss auf die Service-Prozesse im Aftersales. Werkstätten und Händler müssen sich in ihrer Expertise – der Wartung und Reparatur von Fahrzeugen – in Zukunft noch schneller an sich ändernde Rahmenbedingungen anpassen. Die Herausforderung besteht darin, sich dem kontinuierlich steigenden Tempo von Entwicklung und Funktions-Updates durch Fahrzeug- und Komponentenhersteller anzugleichen. Sie müssen möglichst schnell neues Wissen erlangen und konstant auf aktuellem Stand halten. Neue Diagnosetester für den Aftersales bieten darüber hinausgehende Lösungen an, zum Beispiel in Form von integriertem Remote-Expert-Support, und erleichtern dadurch die technische und organisatorische Umsetzung digitaler Lösungen.

Komplexität in Werkstätten  ohne Fachkräfte nicht reduzierbar

Hochkomplexe Fahrzeugarchitekturen stellen Werkstätten und mobile Reparatur-Teams vor enorme Herausforderungen. Der Entwicklungszyklus verkürzt sich – Funktions-Updates wird es immer regelmäßiger geben. Insbesondere neu auf den Markt kommende Fahrzeugmodelle stellen die Werkstattmitarbeiter vor Probleme, weil kaum Erfahrungswerte für auftretende Fehlerbilder existieren. Es entsteht eine zeitliche Lücke zwischen technisch notwendigem Wissen und in den Werkstätten vorhandenem. Das Ziel einer effizienten Wartung und Reparatur rückt, ohne das Wissen von qualifizierten Mechanikern und Expertise auf dem entsprechenden Gebiet, in weite Ferne.

Nicht nur, dass das Wissen über die aktuellen Wartungs- und Reparaturmaßnahmen bei Mechanikern aufgrund fehlender Tools, Prozesse und Trainings nicht auf dem letzten Stand oder sogar nicht vorhanden ist. Der akute Mangel an Fachkräften verschärft die Situation zusätzlich. Laut einer Mitgliederbefragung des Verbands der Automobilindustrie (VDA) im Februar 2023 sehen 77,6 Prozent der Befragten den Fachkräftemangel als eine der größten Herausforderungen der Zukunft. Lediglich die aktuellen Strompreise wurden mit 81,9 Prozent höher bewertet. Die Lösung besteht darin, vorhandenes Expertenwissen mittels geeigneter Technologien zur richtigen Zeit am richtigen Ort den Werkstätten bei Bedarf zur Verfügung zu stellen.

Remote-Experten ergänzen Bestehendes  und schaffen Neues

Das Gros der Aftersales-Diagnosetester auf dem Markt unterstützt die Service-Techniker bereits durch geeignete Reparaturdokumente oder Manuals, die bei einer Reparatur anleiten. Diese werden direkt im Service-Tool passend zur jeweiligen Situation angezeigt. Einige bieten darüber hinaus sogar zusätzliches Videomaterial, wie eine spezifische Reparatur genau durchzuführen ist. Das Problem: die Dokumentation ist nicht immer aktuell und für die Lösung unbekannter Zusammenhänge, wie vorab beschrieben, für den einzelnen als Unterstützung ungeeignet. Das bedeutet, für einige Fälle ist das Experten-Wissen absolut notwendig, um zum Ziel zu gelangen. Im Aftersales geht es um das effektive und effiziente Erkennen von Fehlerursachen an Fahrzeugen und deren Behebung. Das ist ohne die richtige Expertise – insbesondere bei neuen Fahrzeuggenerationen – kaum möglich.

Hierfür bietet sich das Konzept der Remote-Experten gerade zu an. Remote-Expert-Lösungen sind Tools, die die Zusammenarbeit im Aftersales Service zur Lösung technischer Probleme erleichtern. So wird es Service-Technikern vor Ort am Fahrzeug möglich, sich virtuell mit Fachexperten zu verbinden, um Anleitung aus der Ferne zu erhalten. Durch die Unterstützung des Service-Technikers durch den Remote-Experten können mögliche Fehlerursachen schneller gefunden und behoben werden. Manchmal hilft schon das Vieraugenprinzip, um zu einer schnellen Lösung zu kommen. Das gilt umso mehr bei komplizierteren Sachverhalten, bei denen gegebenenfalls das benötigte Expertenwissen beim Mechaniker vor Ort nicht vorhanden ist. Des Weiteren kann der Remote Support auch als Entscheidungshilfe für eine geeignete Maßnahme dienen. Bei nicht eindeutigen Fehlerbildern, beispielsweise ob ein kostspieliger und ggf. nicht notwendiger Steuergerätetausch durchgeführt werden sollte oder nicht. Möglicherweise gibt es für solch unklare Situationen Vorschläge durch den Remote-Experten, die eine günstigere Lösung des Fehlers ermöglichen. Teilweise lässt sich auch die komplette Maßnahme selbst durch den Remote-Experten durchführen. Hier ist zum Beispiel die Parametrierung von Steuergeräten, das Software-Update oder andere Aufgaben, für die der Service-Techniker vor Ort nicht ausgebildet sind, zu nennen. Diese Use Cases können ohne Probleme vom Remote-Experten, aus Safety-Gründen unter der Beobachtung des Service-Technikers vor Ort, durchgeführt werden. Setzt man sogar noch einen Schritt weiter vorne an, lassen sich sogar Schulungen und Trainings von Mechanikern remote durchführen. Das verhindert große Reisetätigkeit und spart Zeit und Kosten.

Remote-Expert-Support im operativen Einsatz

Die Möglichkeiten für den Einsatz von Remote Expert Support sind mannigfaltig, das Potenzial riesig. Wie aber kann Remote Support operativ eingesetzt werden? Zuerst muss die technologische Basis dazu vorhanden sein. Mit Softing TDX steht eine Aftersales Lösung zur Verfügung, in die der Remote Expert Support bereits integriert ist. Zur Realisierung des Remote-Supports kommt das Websocket-Protokoll zum Einsatz (Bild 1). Dieses verbindet die beiden Anwendungen „Werkstatt Client“ und „Support Client“ über einen zentralen Server miteinander. Durch die bidirektionale Kommunikation ist ein effizienter und dynamischer Austausch von Daten möglich. Dadurch eignet sich das Protokoll insbesondere für Echtzeitapplikationen, wie es für den Remote Expert Support oder auch zusätzliche Chat-Funktionalität notwendig ist. In diesem Szenario werden die grafischen Inhalte der Werkstattapplikation übertragen und durch den Support aus der Ferne gesteuert. Das Besondere: es wird lediglich die Oberfläche der Applikation selbst übertragen, nicht jedoch umfangreiche Rechte des ganzen PCs freigegeben. Damit bietet diese Lösung Vorteile gegenüber gängigen Remote Desktop Protokollen (RDP) im Hinblick auf Datensicherheit und Datenschutz. Das Protokoll basiert dabei auf TCP/IP und bietet somit die gängige Absicherung (TLS) der Kommunikation über das Internet.

Durch die zentrale Server-Komponente mit ihren Schnittstellen (APIs) ist es auch möglich, sich mit dieser Lösung an existierende Support-Management-Systeme anzubinden und damit bestehende Infrastruktur und Prozesse zu nutzen.

Die Anfrage des Remote-Supports wird direkt aus der Werkstattapplikation durch den Service-Techniker gestellt. Der zentrale Server prüft und authentifiziert, ob diese Anfrage erlaubt ist. Dabei können weitere Daten, beispielsweise Benutzer-IDs, Name der Werkstatt, Ort, Art der Anfrage und Beschreibung direkt mit übertragen werden. Nach erfolgreicher Authentifizierung und Autorisierung wird die Anfrage in einer Pipeline des Support-Clients hinterlegt. Der Remote-Experte wählt nun aus einer Liste den jeweiligen Support-Fall aus. Die Remote-Support-Session wird durch den Remote-Support gestartet und erscheint auf dem Bildschirm des Werkstatt-Clients. Diese wird vom Mechaniker bestätigt, die Remote-Session startet. Durch die bidirektionale Kommunikation ist es möglich, dass die Session sowohl von der einen als auch der anderen Seite beendet werden kann (Bild 2).

Digitale Geschäftsprozesse erhöhen Wettbewerbsfähigkeit

Remote-Experten helfen dabei, Wartungs- und Reparaturprozesse zu ermöglichen und effizienter zu gestalten. Durch den Einsatz digitaler Technologien sichern sie den reibungslosen Ablauf von Prozessen im Aftersales, unabhängig von der physischen Präsenz von Experten und deren Wissen vor Ort. Dabei bringt es nicht nur Effizienz- und Kostenvorteile in Form von reduzierten Reiseaufwänden. Durch die gestiegene Service-Qualität erhöht sich auch die Kundenbindung, was wiederum zukünftige Aufträge sichert. Darüber hinaus erleichtert die Einführung digitaler Technologien und Prozesse in die Organisation ein Wandel hin zu Service-orientierten Geschäftsmodellen, wie Free, Freemium oder Pay per Use. Das eigene Leistungsspektrum kann somit erweitert werden und bietet Möglichkeiten für zusätzliches Geschäft. Der Vorteil dieser Lösungen besteht in ihrer hohen Flexibilität, die sich auf jedes Unternehmen und die individuelle Strategie anpassen lassen. Im Detail ergibt sich eine „Win-Win-Win-Situation“. Für den Automobilhersteller selbst lassen sich Schulungen reduzieren und Services in Form des Remote-Supports abrechnen. Der Vorteil für Werkstätten und Händler liegt darin, dass mit weniger Mitarbeitern mehr Fahrzeuge repariert werden können. Auch die vorhanden Service-Techniker müssen weniger geschult werden. Am Ende steigt die Zufriedenheit der Kunden, weil ihre Fahrzeuge schneller repariert werden können.

Die Lücke zwischen dem in den Werkstätten vor Ort benötigten Bedarf und der tatsächlich vorhandenen Expertise wird immer größer. Treiber dieser Entwicklung sind komplexere Wartungs- und Reparaturvorgänge sowie der Fachkräftemangel. Daher müssen Technologie und Neuheiten insbesondere auch im Aftersales eine tragende Rolle in der Optimierung von Reparatur und Wartung neuer Fahrzeuggenerationen spielen. Einen nennenswerten Beitrag liefern Diagnosetester mit integriertem Remote-Expert-Support, die den Mechaniker vor Ort bei Bedarf anleiten. Das führt zu effizienteren Service-Prozessen sowie erhöhter Kundenzufriedenheit und -bindung. Darüber hinaus lassen sich durch diese Möglichkeiten Service-orientierte Geschäftsmodelle leichter im Unternehmen einführen, was das Leistungssektrum und damit das zukünftige Geschäftspotenzial stärkt. (eck)

MBA & Eng. Julian Mayer ist als Produktmanager bei Softing Automotive Electronics für die Aftersales Diagnose und Softing TDX verantwortlich.

Bild 1: Bidirektionale Kommunikation zwischen Remote-Experte und Service-Techniker mittels WebSocket Protokoll 

Bild 2: Workflow über den Aufbau des bidirektionalen Support-Kanals

MBA & Eng. Julian Mayer ist als Produktmanager bei Softing Automotive Electronics für die Aftersales Diagnose und Softing TDX verantwortlich.  

Softing

Service-orientierte Geschäftsmodelle | Fachkräftemangel | Aftersales-Service ►Schulungen reduzieren und Services in Form des Remote-Supports abrechne

Softing | Remote-Expert-Support | Digitaler Diagnosetester 

Entwicklungs-Tools

Elektronik

Kfz-Elektronik

Messtechnik, Testlösungen, Diagnose

In Fahrzeugen kommen unterschiedlichste digitale Schnittstellen und Netzwerkarchitekturen zum Einsatz, die den Datenaustausch zwischen den zahlreichen Sensoren und elektronischen Steuergeräten gewährleisten.

In Fahrzeugen kommen unterschiedlichste digitale Schnittstellen und Netzwerkarchitekturen zum Einsatz, die den Datenaustausch zwischen den zahlreichen Sensoren und elektronischen Steuergeräten gewährleisten. Die Kommunikation erfolgt meist mit Datenraten von weniger als 1 Mbit/s, manche Anwendungen erfordern aber auch mehr als 100 Mbit/s. Für Test, Verifizierung und Debugging in verschiedensten Szenarien werden geeignete Werkzeuge benötigt.

Um autonome Fahrfunktionen, Vernetzung, Elektrifizierung und Car-Sharing-Anwendungen zu unterstützen, verbauen Hersteller immer weitere Elektronik in ihren Autos. Fahrzeuge werden inzwischen mit zahlreichen Sensoren wie Radar, Lidar und leistungsfähigen Kameras ausgestattet. Innerhalb eines typischen Fahrzeugs finden sich über 100 elektronische Steuergeräte (ECU). Da die meisten Steuergerätefunktionen sicherheitsrelevant sind, ist ein Höchstmaß an Zuverlässigkeit zu jeder Zeit und unter allen Bedingungen erforderlich. Hierbei müssen sämtliche erfasste Daten in Echtzeit übertragen und verarbeitet werden, um sicherheitskritische Entscheidungen zu ermöglichen. Eine Vielzahl neuer digitaler Schnittstellen und Netzwerkarchitekturen wie Automotive Ethernet (100BASE-T1 und 1000BASE-T1) erlaubt wesentlich höhere Datendurchsätze und ist hinsichtlich Komplexität, Leistung und Gewicht optimiert.

Solche leistungsfähigen Netzwerke mit hohen Datenraten (über 100 Mbit/s) sind zwar für Anwendungen wie ADAS und Infotainment essenziell. Der Großteil der Fahrzeugkommunikation findet aber weiterhin am unteren Ende des Spektrums statt (bis 10 Mbit/s). Klassische Fahrzeugnetzwerke wie CAN, CAN FD und FlexRay sind hierfür verantwortlich. Diese nutzen ein signalbasiertes Kommunikationsverfahren, das für Anwendungen wie die Motor- oder Karosseriesteuerung besser geeignet ist. Das klassische CAN mit Übertragungsgeschwindigkeiten bis zu mehreren Mbit/s wird seit über drei Jahrzehnten in Fahrzeugen eingesetzt und bietet über verdrillte Leitungspaare zahlreiche Funktionalitäten wie z. B. Multi-Drop, verteilte Steuersysteme, ein Plug-and-Play-Konzept und eine hervorragende Fehlererkennung. Dank dieser Vorzüge hat sich CAN zum De-facto-Standard für Pkws entwickelt.

Im Laufe der Zeit stiegen allerdings die Anforderungen an die Bandbreite des Netzwerks, da zeitkritische Anwendungen wie die Fahrgestell- oder Karosseriesteuerung an Bedeutung gewannen. Vor diesem Hintergrund entwickelte Bosch ab 2011 den Standard CAN FD (CAN mit flexibler Datenrate), der höhere Datenraten (über 1 Mbit/s) und größere Datenfelder (bis zu 64 Bytes) ermöglicht. Eine Modifikation der CAN-Bitübertragungsschicht war nicht notwendig. Im Vergleich dazu erlauben der FlexRay-Standard Datenraten bis 10  Mbit/s sowie der MOST-Standard Datenraten bis 150  Mbit/s.

Anwendungen, die in der Vergangenheit FlexRay und MOST verwendet haben, werden wohl bald durch Ethernet ersetzt werden können. Aktuell stehen zwei Technologien in Konkurrenz um diesen Aufgabenbereich – CAN XL und 10BASE-T1S. Wie jedoch bereits erwähnt, findet der Großteil der Kommunikation aber bei Geschwindigkeiten bis 10  Mbit/s statt.

Im Jahr 2018 stieß die CiA SIG (CAN in Automation Special Interest Group) unter der Führung von Bosch die Entwicklung von CAN XL, der dritten Generation des Standards an, die alle drei Protokolltypen (CAN/CAN FD/CAN XL) unterstützen sollte. Diese Technologie ist zwar CAN FD insofern sehr ähnlich, als ebenfalls eine Arbitrierungsphase und eine Datenphase verwendet werden, kann aber einige der Einschränkungen der früheren Standards überwinden. CAN XL unterstützt skalierbare Datennutzlasten von bis zu 2048 Bytes und verspricht Geschwindigkeiten von bis zu 10  Mbit/s.

Das Protokoll bietet auch einige neue Features wie die Aufteilung des CAN-ID-Felds in das 11-Bit-Prioritätsfeld und das 32-Bit-Akzeptanzfeld zur Adressierung (Bild 1). Bei CAN und CAN FD wurde das CAN-ID-Feld sowohl für die Arbitrierung als auch die Adressierung verwendet. CAN XL ist auch für eine einfache Integration in TCP/IP-Netzwerke ausgelegt und ermöglicht nahtloses Tunneling von Ethernet-Paketen über CAN. Es enthält außerdem zwei CRC-Felder (Cyclic Redundancy Fields), die das Protokoll sehr zuverlässig machen.

Wie bei jedem neuen Standard spielen Test, Verifizierung und Debugging in verschiedensten Szenarien eine entscheidende Rolle bei der Etablierung von CAN XL in der Industrie. Rohde & Schwarz bietet mit den neuen Oszilloskopen der R&S MXO 4 Serie nun Protokoll-Trigger- und Decodier-Lösungen für CAN/CAN FD und CAN XL (Bild 2). Die neue Option K520 ermöglicht eine schnelle und effiziente Verifizierung und Fehlersuche an CAN-Schnittstellen. Durch die Farbcodierung der decodierten Frames ermöglichen die R&S MXO 4 Oszilloskope eine einfache Unterscheidung der einzelnen Abschnitte. So können fehlerhafte Frames oder Teile eines Frames leichter identifiziert und ein schneller Überblick über den Bus gewonnen werden. Details wie CAN-Identifier und -Daten werden im Hex- oder Binärformat angezeigt (Bild 3).

Alle erfassten Daten sind zeitkorreliert und können im vollständigen Zeitverlauf oder als eine Tabelle angezeigt werden, die den Status jedes Pakets und den jeweiligen Inhalt des Frames hervorhebt. Die Daten lassen sich in verschiedenen Formaten (.csv oder .txt) speichern und weiterverarbeiten.

Der Benutzer kann den seriellen Bus in Sekundenschnelle über ein intuitives Menü einrichten. Die Oszilloskope bieten eine einfache und effiziente Menüstruktur unweit der Bedienelemente an der Frontplatte, sodass der Benutzer schnell zwischen dem Touchscreen und den physischen Tasten und Reglern wechseln kann. Der Menüdialog für das CAN-Protokoll enthält alle relevanten Einstellungen. Auf der linken Seite befinden sich Registerkarten für eine einfache Navigation und die Maximierung des Messkurven-Anzeigebereichs.

Der größte Vorteil bei der Protokoll-Decodierung mit einem Oszilloskop ist die Korrelation zwischen den elektrischen Signalen und den Paketen selbst. Dies hilft bei der Isolierung und Behebung von Protokollfehlern, die auf Zeit- oder Signalintegritätsprobleme zurückzuführen sind. Ein weiterer wichtiger Vorteil ist die Vielzahl der protokollbasierten Trigger, die für solche Pakete verfügbar sind. Das R&S MXO 4 besitzt eine vollständig digitale Trigger-Architektur, mit der sich Protokollereignisse und -fehler zuverlässig isolieren lassen. Es zeichnet sich durch sehr geringe Blindzeiten aus, die wiederum der Erfassungsrate zugute kommen. Die Oszilloskope eignen sich somit ideal zum schnellen Aufspüren von Fehlern mit hoher Zuverlässigkeit. Mit der Option K520 kann der Benutzer auf Protokollinhalte wie CAN-ID, Daten oder bestimmte Fehler wie Bit-Stuffing- oder CRC-Fehler triggern.

Die R&S MXO 4 Serie bietet einen erweiterten Speicher, mit dem eine größere Zahl von Datenpaketen erfasst werden kann. Mit einer Speichertiefe von bis zu 800 MPunkten kann das Gerät auch lange Zeiträume erfassen, wenn Ursache und Folge weit auseinander liegen. Während der gesamten Aufzeichnung sind die Signaldetails mit dem Paketinhalt zeitkorreliert, was eine schnelle Fehlersuche ermöglicht. Weiterhin erlaubt der standardmäßige segmentierte Speicher des Oszilloskops die Erfassung relevanter Pakete, während die langen Leerlaufzeiten zwischen den Paketen ignoriert werden. Dank dieser Funktion lassen sich bis zu 1 Million Pakete mit Zeitstempel erfassen.

Herkömmliche Oszilloskope erfassen Datenpakete im Decodierpfad in der Regel mit der gleichen Abtastrate wie im Messkurvenpfad. Die R&S MXO 4 Serie bietet dagegen eine Zweipfad-Protokollanalyse, bei der der Benutzer die Abtastrate des Geräts für den Messkurvenpfad einstellt und das Oszilloskop dann automatisch eine andere, intern entkoppelte Abtastrate für den Decodierungspfad verwendet. So ist es möglich, serielle Protokolle auch dann problemlos zu decodieren, wenn sehr langsame Zeitsignale erfasst werden. Mit herkömmlichen Oszilloskopen wäre hier eine Decodierung oder Protokoll-Triggerung aufgrund von Unterabtastung nicht möglich.

CAN XL soll die Lücke zwischen klassischem CAN und Automotive Ethernet schließen. Dank Abwärtskompatibilität mit CAN und CAN FD ergibt sich ein einfacher Migrationsweg, der es Entwicklern erlaubt, die Komplexität und Kosten für bestimmte Schlüsselanwendungen eines Fahrzeugs zu reduzieren. Welcher Standard für die 10-Mbit/s-Kommunikation sich in Zukunft durchsetzen wird, hängt jedoch von den verschiedenen OEMs und Systementwicklern ab. Rohde & Schwarz will beide Technologien unterstützen und Ingenieuren und Nutzern bereits in der Frühphase umfassende Mess- und Analysemöglichkeiten zur Hand geben – damit das Auto der Zukunft bald Realität werden kann. (hh)

<a href="http://www.Rohde-Schwarz.com" target="_blank">www.Rohde-Schwarz.com</a>

Jithu Abraham ist Product Manager Oscilloscope and Probes bei Rohde & Schwarz.

Bild 1: Struktur des CAN-XL-Header-Frames

Bild 2: Die R&S MXO 4 Serie umfasst Vierkanal-Modelle mit Bandbreiten von bis zu 1,5 GHz.

Bild 3: Durch die Farbcodierung der decodierten Frames ermöglichen die R&S MXO 4 Oszilloskope eine einfache Unterscheidung der einzelnen Abschnitte. 

Jithu Abraham ist Product Manager Oscilloscope and Probes  bei Rohde & Schwarz.

Hauptartikel

Datenaustausch zwischen Sensoren und elektronischen Steuergeräten | 10-Mbit/s-Kommunikation | Test, Verifizierung und Debugging

Rohde & Schwarz | Busanalyse mit Oszilloskop | CAN XL

Oszilloskope

Messtechnik

Elektrische / Magnetische Messtechnik

Wie moderne Big-Data-Lösungen die Produktqualität verbessern

Milliarden Messwerte  im Validierungstest

Bei Validierungstests der Mercedes-AMG-Fahrzeuge entstehen riesige Mengen an Testdaten, die im richtigen Zusammenhang analysiert werden müssen. Dieser Herausforderung stellen sich der Automobilhersteller und Werum Software & Systems. Gemeinsam wurde eine flexible und leistungsfähige Software-Architektur geschaffen.

Bei Validierungstests der Mercedes-AMG-Fahrzeuge entstehen riesige Mengen an Testdaten, die im richtigen Zusammenhang analysiert werden müssen. Dieser Herausforderung stellen sich der Automobilhersteller und Werum Software & Systems.

Mercedes-AMG produziert leistungsstarke Fahrzeuge von hoher Qualität. Um Qualität und Sicherheit in diesem Segment zu gewährleisten, werden umfangreiche Validierungstests mit den Fahrzeugen durchgeführt und dabei unzählige Testkilometer bei unterschiedlichen Einsatzbereichen auf der ganzen Welt absolviert. So entstehen riesige Mengen an Testdaten, die im richtigen Zusammenhang verwaltet und ausgewertet werden müssen.

Im Validierungstest werden auf der einen Seite Messdaten, basierend auf einem geplanten Versuchsaufbau, erfasst und auf der anderen Seite müssen diese Messdaten ausgewertet werden, um Ergebnisse zu erhalten. Die Erfassung großer Datenmengen ist mit heutigen Standardlösungen recht einfach zu realisieren. Pro Messkanal lassen sich problemlos pro Sekunde große Datenmengen erfassen und mit gängigen Speichertechnologien lokal speichern. Allerdings stellt sich die Frage, wer diese riesigen Datenmengen auswerten soll, die auf einer mehrstündigen Testfahrt aufgezeichnet wurden. Hinzu kommt, dass die Messdaten für sich allein betrachtet wertlos sind, wenn nicht auch die zugehörigen Metadaten wie der Einbauort des Sensors, die Konfiguration des Versuchsträgers oder die Umgebungsbedingungen im korrekten Zusammenhang zu den Messdaten gespeichert werden.

Zusätzlich wird die versuchsübergreifende Auswertung zur Ermittlung von Trends und der Erstellung unterschiedlicher Vorhersagemodelle immer bedeutender. Wichtige Erkenntnisse fließen dabei in die einzelnen Forschungsabteilungen zurück und ermöglichen eine optimale Steuerung des Entwicklungsprozesses.

An dieser Stelle trifft der klassische Validierungstest auf den Bereich Data-Analytics. Im Validierungstest arbeitet Mercedes-AMG schon seit vielen Jahren mit Werum Software & Systems aus Lüneburg zusammen und setzt erfolgreich Werums Testdatenmanagementsystem HyperTest ein, um die Versuchsaufbauten zu dokumentieren, zu versionieren und die Messstellen zu konfigurieren. Im Bereich Data-Analytics war man auf der Suche nach einer flexiblen leistungsfähigen Lösung, die auch von den eigenen Mitarbeitern weiterentwickelt und gepflegt werden kann. Weil Werum bereits über langjährige Erfahrungen im Bereich Data-Analytics verfügt, konnte eine Lösung geschaffen werden, die auf die individuellen Anforderungen von Mercedes-AMG zugeschnitten ist und dabei auf Standardkomponenten basiert (Bild 1).

Die realisierte Lösung besteht aus einem Verbund vieler einzelner Software-Komponenten, die jeweils ihre Stärken ausspielen und eine leistungsstarke Gesamtlösung schaffen.

Nachdem die Versuche mit HyperTest vorbereitet wurden, liefern die Versuchsträger während des Feldtests unzählige Messdaten, die zunächst lokal im standardisierten Binärformat ASAM MDF4 abgelegt werden. Anschließend werden die lokal gespeicherten Daten in die zentrale Datenablage der Validierungsabteilung übertragen. Hier beginnt nun der Import der Daten in die Data-Analytics-Toolchain.

Als Kernkomponente kommt ein Kubernetes-Cluster zum Einsatz, das die geeignete Skalierung sowie den störungsfreien Betrieb aller beteiligten Komponenten sicherstellt (Bild 2). Der Data-Ingest-Prozess unterstützt eine automatische Validierung der Daten.

Dabei werden unter anderem Plausibilitätsprüfungen und eine Metadatenextraktion vorgenommen, bevor die Daten an einen Speicherservice übergeben werden, der die Daten in einem S3-Speichersystem ablegt. Sind die Daten in der internen Infrastruktur des Kubernetes-Clusters angekommen, starten die automatisierten Prozessketten, die nun höherwertige Informationsprodukte erzeugen und für das Data Warehouse Daten fachlich gruppieren, verdichten und gezielt Informationen extrahieren. An dieser Stelle kommt die Apache Spark Data Processing Engine zum Einsatz, um aus den unterschiedlichen Datenquellen konsolidierte Dataframes zu erzeugen. Im letzten Schritt werden den Anwendern die zusammengestellten Informationsprodukte in Form von Data Marts zur Verfügung gestellt.

Die Anwender führen ihre Auswertungen auf den Data Marts mit dem Datenanalysetool Tableau durch. Neben der vollautomatisierten Datenprozessierung stellt das System interaktive Auswertetools, wie JupyterLab bereit. Mit dessen Hilfe können die Data-Analysten von Mercedes-AMG explorativ in die Daten des untergelagerten Data-Lakes eintauchen. Außerdem stellt das System eine skalierbare, standardisierte SQL-Schnittstelle zur Verfügung, sodass auch externe Systeme Zugriff auf die Daten des Data-Lakes erhalten.

Der Aufbau der Data-Analytics-Toolchain, der weitestgehend auf Open-Source-Tools basiert, hat die gesteckte Erwartungshaltung in Bezug auf die Leistungsfähigkeit voll und ganz erfüllt. Weil viele Funktionen einfach über Skriptsprachen wie Python implementiert werden können, konnte auch der Wunsch nach eigenen Anpassungen und Erweiterungen durch die Data-Analysten von Mercedes-AMG einfach realisiert werden.

Für das seit einiger Zeit erfolgreich eingesetzte System wird aktuell an weiteren Instanzen gearbeitet. Während das aktuelle System on premise implementiert ist, sollen parallel dazu Systeme in der Cloud aufgebaut und betrieben werden, um eine Flexibilisierung über Standorte hinweg zu erreichen. Weil die Entwicklung und der Betrieb von vornherein mithilfe der DevOps-Konzepte Continuous Integration und Continuous Delivery umgesetzt wurden, lassen sich weitere Systeme mit äußerst niedrigem Aufwand instanziieren. Dabei kommen Technologien wie Azure DevOps und Git zum Einsatz.

Werum unterstützt das Advanced-Data-Analytics-Team von Mercedes-AMG nicht nur beim Aufbau der notwendigen Data-Analytics Infrastruktur, sondern auch bei dem Betrieb der unterschiedlichen Cluster.

Damit die entwickelten Fahrzeuge auch in Zukunft ihre Spitzenleistung auf die Straße bringen können, wird die Data-Analytics-Architektur bei Mercedes-AMG auch zukünftig kontinuierlich weiterentwickelt und damit an neue Anforderungen angepasst. (eck)

<a href="http://www.werum.de" target="_blank">www.werum.de</a>

Dipl.-Inform. (FH) Uwe Zenker ist als Senior Project Manager bei der Werum Software & Systems AG tätig.

Dipl.-Ing. (FH) Thomas Rönpage ist Sales & Business Consultant bei der Werum Software & Systems AG.

Bild 1: Gemeinsam entwickelte Software- Architektur von Werum und Mercedes-AMG. (1) Mercedes-AMG C 43 4MATIC Limousine Kraftstoffverbrauch kombiniert 9,1–8,7 l/100 km, CO2-Emissionen kombiniert 206–196 g/km (2) Mercedes-AMG EQE 53 4MATIC+ Stromverbrauch kombiniert (vorläufig, WLTP): 23,2–20,3 kWh/100 km; CO2-Emissionen kombiniert (WLTP): 0 g/km; Reichweite (vorläufig, WLTP): 444–518 km (3) Mercedes-AMG EQE 53 4MATIC+ Stromverbrauch kombiniert (vorläufig, WLTP): 23,2–20,3 kWh/100 km; CO2-Emissionen kombiniert (WLTP): 0 g/km; Reichweite (vorläufig, WLTP): 444–518 km

Bild 2: Als Kernkomponente der Data-Analytics-Toolchain kommt ein Kubernetes-Cluster zum Einsatz, das die geeignete Skalierung sowie den störungsfreien Betrieb aller beteiligten Komponenten sicherstellt.  

Dipl.-Inform. (FH) Uwe Zenker ist als Senior  Project Manager bei der Werum Software & Systems AG tätig. 

Dipl.-Ing. (FH) Thomas Rönpage ist Sales & Business  Consultant bei der Werum Software & Systems AG.  

Werum

Big-Data | Data-Analytics-Toolchain | Software-Architektur | Data Marts

Mercedes AMG | Werum | Testdatenmanagementsystem

Digitale Zwillinge bestimmen die Zukunft des automatisierten Fahrzeugs

Autonome Fahrzeuge erfordern neue Testansätze, um das Risiko zu minimieren. Indem sie die Straße ins Labor holt, erlebt die Automobilindustrie einen Paradigmenwechsel in Bezug auf Innovation – und digitale Zwillinge ermöglichen dies.

Autonome Fahrzeuge erfordern neue Testansätze, um das Risiko zu minimieren. Indem sie die Straße ins Labor holt, erlebt die Automobilindustrie einen Paradigmenwechsel in Bezug auf Innovation – und digitale Zwillinge sind die stillen, aber mächtigen Kräfte, die diese neuen Möglichkeiten ermöglichen.

Sitz eingestellt. Check. Sicherheitsgurt angelegt. Check. Zündung eingeschaltet. Check. Ein selbstfahrendes Auto rast auf einer futuristischen Teststrecke von null auf 192,2 km/h – die heutige Rekordgeschwindigkeit [1] für ein autonomes Fahrzeug. Während das Auto ohne menschlichen Eingriff durch diesen Parcours navigiert und für Kurven abbremst, steht viel auf dem Spiel. Denn auf dieser Teststrecke bleibt keine Variable in einem beliebigen Fahrszenario unangetastet, und jede Variable wird reproduzierbar und zuverlässig gemessen. Auch wenn der Mensch nicht am Steuer des Fahrzeugs sitzt, geht es bei dieser Testfahrt darum, den Algorithmus für das autonome Fahren des Fahrzeugs so zu trainieren, dass es jedes Mal die optimale Entscheidung trifft, ohne dabei katastrophale Fehler zu machen.

In der realen Welt, in der praktisch alle Variablen rund um ein selbstfahrendes Auto unvorhersehbar sind und Unfälle bei Testfahrten vorprogrammiert sind, klingt das wie ein unmögliches Unterfangen. Eine neue Flotte digitaler Zwillinge macht diese Art von idealistischen Szenarien in den heutigen digitalen Testumgebungen jedoch zur Realität. Obwohl das Konzept der reproduzierbaren Messung jeder einzelnen Variable rund um ein selbstfahrendes Auto noch in der Entstehung begriffen ist, kommt man diesem Modell mit jedem neuen Fortschritt in der Automobilemulation ein Stück näher. Automobilhersteller greifen zunehmend auf die Hilfe digitaler Zwillinge zurück, um bestimmte Fahrzeugkomponenten und -funktionen genau zu testen und zu messen, bevor sie sie in der realen Welt einführen.

 Komplexe Sicherheitsszenarien digital testen

Digitale Zwillinge sind digitale Abbilder von Echtzeitdaten und helfen bei der Erstellung von Vorhersagemodellen, mit deren Hilfe die Erfolgswahrscheinlichkeit von physischen Prototypen bestimmt werden kann. Der weltweite Markt für die Technologie des digitalen Zwillings, der heute 9,5 Milliarden US-Dollar wert ist, soll laut einem aktuellen Bericht [2] des Marktforschungsunternehmens Future Market Insights bis zum Jahr 2032 mit einer durchschnittlichen jährlichen Wachstumsrate von 22,6 Prozent auf 77,65 Milliarden US-Dollar anwachsen. Eine Vielzahl von Branchen, vom Gesundheitswesen und der Telekommunikation bis zum Immobiliensektor und dem Einzelhandel, nutzen die Hilfe digitaler Zwillinge, wobei der größte Marktanteil der Technologie des digitalen Zwillings mit 15 Prozent auf die Transport- und Automobilindustrie entfällt. In der Automobilindustrie trägt die steigende Nutzung für Simulation, Design, Wartung, Reparatur und Überholung (MRO), Fertigung und Unfallnachbereitung zum Bedarf an der Technologie des digitalen Zwillings bei. Diese Technologie erleichtert alles – angefangen vom Testen komplexer Sicherheitsszenarien für automatisierte Fahrzeuge bis hin zur Einschätzung, ob Komponenten eines Rennwagenmotors Gefahr laufen, beschädigt zu werden oder durchzubrennen und somit gewartet werden müssen.

Mithilfe der Technologie des digitalen Zwillings nutzen Automobilhersteller riesige Datenmengen, die bei Tests von selbstfahrenden Autos im Labor gesammelt wurden, um komplexe Simulationen zu erstellen. Diese Simulationen ermöglichen es, genauer zu erforschen, wie die künstliche Intelligenz (KI) eines autonomen Fahrzeugs auf unvorhersehbare Situationen reagieren wird, zum Beispiel auf Wetterbedingungen wie Hagel oder Schnee oder auf einen Stau. Außerdem können die Produktentwickler so in viel kürzerer Zeit eine viel größere Anzahl von Funktionstests programmieren. Beispielsweise lassen sich mithilfe der Technologie des digitalen Zwillings Crashtestsimulationen schneller und sicherer durchführen. Selbstfahrende Autos sind letztlich Roboter, die in der realen Welt unterwegs sind. Digitale Zwillinge sind digitale Umgebungen, die Menschen aufbauen, manipulieren und kontrollieren können. Ziel ist es, autonomen Fahrzeugen beizubringen, wie sie in der virtuellen Welt sicher funktionieren, bevor sie ihre Intelligenz in reale Szenarien integrieren, in denen sie mit spontanen Ereignissen und menschlichen Verhaltensweisen interagieren.

Automobilhersteller setzen heute digitale Zwillinge für jede Fahrzeugfunktion, die sie testen, ein –angefangen von Radar und C-V2X bis hin zum Netzwerk im Fahrzeug und Cybersecurity. Durch die Integration mehrerer digitaler Zwillinge können sie eine umfassende Testplattform aufbauen, auf der sie den autonomen Fahralgorithmus des Fahrzeugs trainieren können, um seine komplexe und dynamische Umgebung genau zu erkennen und darauf zu reagieren.

Sieht man sich das Beispiel Radar genauer an: Automobilhersteller setzten zunehmend Radarsensoren mit einem breiteren, kontinuierlichen Sichtfeld ein. Das Bild, das diese Sensoren von der Umgebung erzeugen, ist sehr komplex. Zur Erkennung und Unterscheidung mehrerer Objekte in dichten, komplexen Szenen, wie sie beispielsweise im dichten Stadtverkehr vorkommen, werden hochmoderne Algorithmen benötigt. Diese Algorithmen basieren oft auf KI und Machine Learning, das heißt, sie müssen trainiert werden.

Um das Risiko beim Training zu minimieren, sollte es im Labor stattfinden und nicht auf der Straße. Dazu müssen die komplexen Straßenszenen möglichst realistisch emuliert werden. Der Radar Scene Emulator [3] von Keysight verwendet eine patentierte Technologie, die von einem auf die Objekterfassung ausgerichteten Ansatz mittels Zielsimulation zur Emulation von Verkehrsszenen übergeht. Er kombiniert Hunderte Miniatur-HF-Frontends zu einem skalierbaren Emulationsschirm, der bis zu 512 Objekte und Entfernungen von 1,5 Metern darstellen kann. Automobilhersteller können damit reale Fahrszenen im Labor nachbilden und dabei die Verkehrsdichte, die Geschwindigkeit, die Entfernung und die Gesamtzahl der Ziele variieren, wodurch sich die Testzeiten für häufige Szenen bis zu Sonderfällen deutlich verkürzen, bei gleichzeitig minimierten Risiken (Bild 1).

Auch über Radar hinaus verwenden Entwickler digitale Zwillinge, um Sensoren zu modellieren, sie in realen Szenarien im Labor zu testen und neue Designs und Sensorkombinationen zu untersuchen. Darüber hinaus kommen digitale Zwillinge zum Einsatz, um das Netzwerk im Fahrzeug zu modellieren und die Netzwerkbandbreite und Datengeschwindigkeit zu testen und so die Reaktionszeiten zu verbessern. Wenn es um Cybersecurity-Tests geht, nutzen Automobilhersteller digitale Zwillinge, um alle Zugangspunkte in einer Design-Umgebung zu testen und so ein klareres Bild davon zu erhalten, wie sicher ein Fahrzeug in der realen Welt sein wird, während gleichzeitig Sicherheitsbedrohungen eliminiert werden.

Der Einsatz der Technologie des digitalen Zwillings in der Automobilproduktentwicklung birgt natürlich einige Herausforderungen. Die Emulation kann die reale Welt im Allgemeinen nie vollständig abbilden, aber durch Hinzufügen von zum Beispiels Rauschen oder Stress zu einer Testumgebung kann der digitale Zwilling der Nachbildung realer Szenarien recht nahekommen. Weil die Variablen nicht völlig zufällig sind, können die Produktentwickler diese Variablen kontrollieren und manipulieren, was die Wahrscheinlichkeit erhöht, dass es schneller gelingt und kostspielige Nacharbeiten und Verzögerungen minimiert werden. (eck)

<a href="http://www.keysight.com" target="_blank">www.keysight.com</a>

[1] <a href="https://www.iotworldtoday.com/2022/05/03/" target="_blank">https://www.iotworldtoday.com/2022/05/03/</a>self-driving-race-car-sets-new-speed-record/

[2] <a href="https://finance.yahoo.com/news/transportation-automotive-sector-sway-digital-123000186.html" target="_blank">https://finance.yahoo.com/news/transportation-automotive-sector-sway-digital-123000186.html</a>

[3] <a href="https://youtu.be/qDSP8O8JwBs" target="_blank">https://youtu.be/qDSP8O8JwBs</a>

Renee Morad ist Marketingleiterin des Bereichs Lösungen für autonome Fahrzeuge bei Keysight Technologies.

Bild 1: Der Keysight Radar Scene Emulator kann vollständige Szenen emulieren, um so das Training von Radar-Algorithmen im Labor zu ermöglichen.

Renee Morad ist Marketingleiterin des Bereichs Lösungen für  autonome Fahrzeuge bei Keysight Technologies.

Keysight

Keysight | Digitale Zwillinge | Test Automatisiertes Fahren

Fahrerassistenzsysteme / Automatisiertes Fahren

Graceful Degradation für automatisierte Fahrzeuge nach Level 2+

Hochautomatisierte Fahrzeuge, bei denen der Fahrer in bestimmten Situationen für eine gewisse Zeit die Steuerung des Fahrzeugs abgeben kann, werden bald Realität sein. Die Entwicklung dieser Technologie ist jedoch komplex und die Markteinführung teuer. Daher liegt der Entwicklungsschwerpunkt zunächst auf Level-2-Fahrzeugen.

Mit der von der Industrie verwendeten Bezeichnung Level 2+ (L2+) werden bedingt automatisierte Fahrzeuge, die zwischen den Autonomiestufen L2 und L3 angesiedelt sind, benannt. L2+-Fahrzeuge sind in der Lage, Fahrfunktionen auf einer vorgegebenen Route auszuführen, während der Fahrer die Hände vom Lenkrad nimmt, aber mit den Augen das Verkehrsgeschehen aufmerksam verfolgt und so jederzeit für die Fahrzeugführung verantwortlich bleibt.

Traditionell haben Fahrzeughersteller Fehlermechanismen eingesetzt, die bei Erkennung eines den Systembetrieb beeinträchtigenden Fehlers die betroffenen Systemfunktionen sofort deaktivieren und den Fahrer über die Nichtverfügbarkeit der Funktionen informieren, unabhängig von der Tatsache, dass das System auch mit eingeschränkter Funktionalität oder unter eingeschränkten Bedingungen der Operating Design Domain (ODD) sicher arbeiten kann.

Solche Fehlermanagement-Mechanismen waren für Systeme mit L0/L1/L2-Merkmalen akzeptabel, weil der menschliche Fahrer seine Hände am Lenkrad hatte und die Wiederübernahme der Kontrolle keine größeren Schwierigkeiten verursachte. In einem autonomen L2+-Fahrsystem, bei dem der menschliche Fahrer die Hände vom Lenkrad nimmt, aber mit offenen Augen das Verkehrsgeschehen verfolgt, übernimmt das Fahrzeug die Fahrfunktionen, angefangen von der Beachtung einer kartierten Route über den Spurwechsel bis hin zur Geschwindigkeitsanpassung im Verkehr. Dabei wird im Falle eines Fehlers und wenn dem System nicht genügend Zeit gegeben wird, sich zu erholen, der Fehlermanagement-Mechanismus für die Abschaltung des L2+-Systems befolgt, wobei das System auch mit reduzierter Leistung funktioniert und die erforderliche Integrität gemäß der ISO 26262 erfüllt, was größere Unannehmlichkeiten für den menschlichen Fahrer verursachen kann.

Die Automobilhersteller versuchen, dieses Problem durch die Einführung eines Graceful-Degradation-Managementansatzes zu lösen (Bild 1). Das bedeutet, wenn die Systemfähigkeit aufgrund eines Fehlers reduziert ist, aber die verbleibende Systemfähigkeit die ODD-Bedingungen, unter denen das Fahrzeug betrieben wird, unterstützt und mit dem erforderlichen Integritätsniveau gemäß der Norm ISO 26262 übereinstimmt, wird das System sanft herabgestuft (gracefully degraded). Gleichzeitig wird das dem menschlichen Fahrer durch Systemwarnungen mitgeteilt, so dass das System genügend Zeit hat, sich selbst zu erholen, ohne gefährliche Situationen zu verursachen. Oder es behält den herabgestuften Zustand bei, bis der Benutzer die Servicestation erreicht, um die notwendigen Diagnosen und Reparaturen durchzuführen.

Optimale Nutzung der L2+-Onboard-Systemressourcen

In der Vergangenheit wurde die L0/L1/L2-Autonomie größtenteils durch die Konfiguration multipler elektronischer Steuergeräte (ECUs) erreicht, um verschiedene Funktionen in ein Fahrzeug zu integrieren. Die zunehmende L2+-Autonomie erfordert die Umstellung auf eine konsolidierte ECU-Konfiguration, bei der eine leistungsstarke Recheneinheit verwendet wird, die alle im Fahrzeug angebotenen Funktionen enthält. Früher haben AV-Systeme nur Strategien implementiert, die auf Systemfehler mit der Deaktivierung der Funktion reagieren. Der konsolidierte ECU-Konfigurationsansatz ermöglicht es, auf einen Systemfehler mit der Einführung von Graceful Degradation zu reagieren, die die Verfügbarkeit der Funktion erhöht und gleichzeitig die nötige Systemintegrität sicherstellt. So verhindert man, dass es zu einem unangemessenen Risiko gemäß ISO 26262 kommt. Das Diagramm in Bild 2 zeigt eine typische multiple ECU-Konfiguration, bei der die drei bis vier Funktionen in drei separaten Steuergeräten untergebracht sind. Diese Konfiguration wird aufgrund von zwei Schlüsselfaktoren über begrenzte Ressourcen verfügen, nämlich:

<ul><li>Die Steuergeräte wurden speziell für die Onboard-Funktionen entwickelt, wodurch die Onboard-Ressourcen begrenzt sind.</li><li>Konstruktionsbedingt sind die Funktionen für den Zugriff auf Ressourcen zwischen ECUs eingeschränkt.</li></ul>

Das Diagramm in Bild 3 zeigt den konsolidierten ECU-Ansatz, bei dem alle Funktionen auf einer Hochleistungs-Rechenplattform (HPC) untergebracht sind. Dieser Ansatz versucht die Beschränkungen des multiplen ECU-Ansatzes zu überwinden, indem alle bordeigenen 25+ Funktionen Zugang zu den gesamten Ressourcen erhalten, die Teil des konsolidierten Steuergeräts sind, und auf diese effizient zugreifen können.

Auf dem HPC stehen ausreichend Ressourcen zur Verfügung, die von den Funktionen gemeinsam genutzt werden können, um eine N+1– und in einigen Fällen eine N+2-Redundanz der Komponenten zu gewährleisten, wie in Bild 4 zu sehen ist. Hier können Komponenten 3 und 5 von den Funktionen 1 und 3 sowie die Komponente 9 von den Funktionen 2 und 3 gemeinsam genutzt werden.

Der Übergang zum konsolidierten ECU-Ansatz ist aufgrund der Funktionsüberschneidungen, die durch die gemeinsame Nutzung von Ressourcen in der ECU verursacht werden, äußerst komplex. Ohne systematische Analyse kann das zu verschiedenen Fehlern mit gemeinsamer Ursache und zu gefährlichen Szenarien führen.

KPIT wendet die siebenstufige AIAG- und VDA-FMEA-Struktur an, um die Auswirkungen von Komponentenfehlern auf die Multifunktionalität und gleichzeitig ihre Kritikalität für die Integrität der Funktionen auf dem L2+-System zu ermitteln (Bild 5). Dieser Prozess hilft bei der Identifizierung geeigneter Graceful-Degradation-Strategien. So wird dem menschlichen Fahrer bei reduziertem Funktionsumfang die verfügbare Restkapazität des Systems zur Verfügung gestellt, die den ODD unterstützen kann, während gleichzeitig das Integritätsniveau gemäß ISO 26262 erreicht wird.

Dieser Ansatz erhöht die Systemkomplexität, die auf verschiedenen Architekturebenen kaskadiert werden muss, während gleichzeitig die Rückverfolgbarkeit und Vollständigkeit der kaskadierten Anforderungen sichergestellt wird. Um das zu erreichen, verfolgt KPIT den Ansatz des Model Based System Engineering (MBSE). So kann die beträchtlich gestiegene Anzahl von Systemanforderungen, systemspezifischen Anwendungsfällen und Szenarien, Schnittstellen und Interaktionen adressiert werden, was zu zusätzlichem Aufwand in der Gesamtentwicklung führt und starke Systementwicklungsprozesse erfordert, die durch die richtigen Werkzeuge unterstützt werden müssen.

Die Industrie konzentriert sich darauf, vollautomatisierte Fahrzeuge baldmöglichst auf die Straße zu bringen. Daher müssen auch die entsprechenden L2+-Fahrzeuge so schnell wie möglich entwickelt werden. Während verschiedene Automobilzulieferer Lösungen für die L2+-Recheneinheit anbieten, die alle erforderlichen Funktionen beherbergen können, indem sie ein konsolidiertes Steuergerät an Bord des Fahrzeugs vorsehen, liegt die Verantwortung für die Entwicklung einer geeigneten Graceful-Degradation-Strategie beim Automobilhersteller. Seine Aufgabe besteht darin, den nötigen Komfort sicherzustellen und gleichzeitig die Integrität der Funktionen gemäß ISO 26262 während eines Systemfehlers zu erhalten.

Die von KPIT vorgeschlagene Vorgehensweise zur Realisierung von Graceful Degradation beinhaltet auch den weit verbreiteten Industrie-Analyseansatz, um die Auswirkungen der Fehler auf die L2+-Funktion und ihre Integrität zu verstehen und geeignete Strategien abzuleiten. Das Unternehmen ist sich der Komplexität bei der Implementierung dieser Strategien in das konsolidierte Steuergerät und der strengen Geschäftsanforderungen bewusst, die eine verkürzte Markteinführungszeit und optimierte Entwicklungskosten erfordern. Zu diesem Zweck setzt man das Model-Based-System- Engineering zusammen mit unterstützenden Werkzeugen ein. (eck)

Joseph Sylvester ist Subject Matter Expert Autonomous Driving bei KPIT.

Bild 5: Ansatz für die Implementierung von Graceful Degradation in L2+-Systemen

Joseph Sylvester ist Subject  Matter Expert Autonomous Driving bei KPIT.

Bild 1: Beispiel für die Graceful-Degradation-Strategie

Bild 3: Vergleich zwischen Multipel und Konsolidiert, der ECU Konfigurationsansatz 

Bild 4: Onboard-Funktionsstruktur des konsolidierten ECU-Ansatzes

KPIT

KPIT | Graceful Degradation | Teilautomatisiertes Fahren | Level 2+

Software / Betriebssysteme / KI

Sicherer autonomer Betrieb von Nutzfahrzeugen in Logistikzentren

Herausforderung  Fahrzeugumfeldwahrnehmung

Die Nachfrage nach automatisierten Nutzfahrzeugen eröffnet neue Geschäftsfelder. Die Sicherheit hochautomatisierter Fahrzeuge in Logistikzentren bedeutet aber eine Herausforderung. Ein zusätzlicher Sicherheitskanal kann die Schwächen aktueller Algorithmen ausgleichen und eine Kollision mit unbekannten Objekten verhindern.

Fragt man Unternehmen im Bereich der Intra-Hub-Automatisierung nach der technischen Realisierbarkeit, lautet die Antwort vermutlich: „Wir können einen autonomen Betrieb gewährleisten, weil wir ein hohes Maß an Kontrolle über die Operational Design Domain (ODD) haben. Dadurch können wir die unterstützten Szenarien im Vergleich zu Fahrzeugen, die auf öffentlichen Straßen fahren, erheblich eingrenzen.“ Auf einer abstrakten Ebene scheint es nachvollziehbar, dass die Verringerung der Anzahl der unterstützten Szenarien auch die Komplexität des Systems reduziert. Aber woher kommt diese Komplexität? Trotz zahlreicher anderer technischer Herausforderungen ist es die Fahrzeugumfeldwahrnehmung, die Entwicklern und Managern immer noch schlaflose Nächte bereitet. Im öffentlichen Straßenverkehr ist eine Fehlalarmrate von nahe Null sowohl für die Sicherheit als auch für die Akzeptanz auf Seiten der Fahrzeuginsassen unerlässlich. Für eine bestimmte Sensorkonfiguration führt eine Verringerung der Fehlalarmrate jedoch auch zu einer Verringerung der Erkennungsrate und umgekehrt. Automobilhersteller ziehen es daher vor, die Erkennungsrate zu Gunsten einer niedrigen Fehlalarmrate zu reduzieren und so die Kosten für ADAS-Anwendungen zu senken. Gemäß der Definition von überwachter Automatisierung oder Level 2, also teilautomatisiertes Fahren, kompensiert der Fahrer niedrige Erkennungsraten, weil er zu jedem Zeitpunkt für das Fahrzeug verantwortlich bleibt. Dieses Reduzieren der Erkennungsrate macht ADAS-Anwendungen sowohl aus technischer als auch aus Kostenperspektive erst möglich.

Beim nicht-überwachten automatisierten Fahren (≥ Level 3) ist es keine Option, die Erkennungsrate zu verringern, weil der Fahrer nicht mehr für die Gewährleistung einer sicheren Fahrt verantwortlich ist. Stattdessen muss das System alle Objekte erkennen. Gleichzeitig darf das System keine Fehlalarme auslösen, weil das ein zusätzliches Sicherheitsrisiko darstellen kann. Diese Kombination aus höchster Erkennungsrate und geringster Anzahl von Fehlalarmen macht die Entwicklung einer unüberwachten Automatisierung von Fahrzeugen, die auf öffentlichen Straßen fahren, so schwierig.

Abgesperrte Bereiche wie Logistikzentren bieten neue Automatisierungsmöglichkeiten, weil die Anforderungen an die Wahrnehmung im Vergleich zum autonomen Fahren auf öffentlichen Straßen geringer sind. Selbst ein moderater Anstieg von Fehlalarmen ermöglicht immer noch den gesamten Business Case. Erkennt ein automatisiertes Fahrzeug irrtümlich ein nicht vorhandenes Objekt, kann es sicher anhalten und einen menschlichen Bediener – zum Beispiel per Fernsteuerung – die Situation klären lassen. Darüber hinaus können die Anforderungen an die Erkennungsrate aufgrund der strengen Kontrolle über den operativen Einsatzbereich gesenkt werden; so lässt sich zum Beispiel die Nutzung des automatisierten Bereichs für Menschen einschränken.

Derzeit beruhen die meisten ADAS-Anwendungen auf Perception-Stacks, die auf der Klassifikation von Objekten basieren. Wenn eine Kamera weiß, welche Objektart oder -klasse ein Bereich in einem Bild darstellt, kann sie aus diesem Bereich oder Bounding Box auf die Entfernung, Größe und Geschwindigkeit des Objekts schließen. Wenn die künstliche Intelligenz (KI) der Kamera den Objekttyp nicht kennt, gibt es keine Garantie dafür, dass ein solches unbekanntes Objekt erkannt wird (Bild 1). Mit anderen Worten: Wenn der Objekttyp in den Trainingsdaten nicht vorhanden war, wird das System das Objekt möglicherweise nicht erkennen. Auch wenn die Trainingsdatensätze ständig erweitert werden, können selbst die umfangreichsten Datensätze nicht gewährleisten, dass sie alle möglichen Objekttypen enthalten, die auf der Straße vorkommen können.

Typische Perception-Systeme verwenden spezifische Darstellungen oder Modelle bekannter Objekttypen, wie zum Beispiel Bounding Boxes. Diese Darstellungen sind effizient, weil sie nur eine geringe Bandbreite benötigen und sich hervorragend für die Entwicklung von Fahrfunktionen eignen. Wenn das Objekt jedoch nicht vollständig der vorgesehenen Form entspricht und beispielsweise eine unerwartete Ausdehnung hat, kann das Perception-System dennoch versuchen, das Objekt in diese Form einzupassen (Bild 2).

Für überwachte Automatisierungs- oder ADAS-Anwendungen ist es oft ausreichend, den freien Raum implizit von einer Kamera abzuleiten: Ist ein Objekt vorhanden, dann wird angenommen, dass der Raum zwischen der Kamera und diesem Objekt frei ist. Bei der unüberwachten Automatisierung birgt dies das Risiko, relevante Objekte zu übersehen. Meist enthalten die Sensordaten, wie ein Kamerabild, die benötigten Informationen über das (unbekannte) Objekt. Es ist die KI-basierte Wahrnehmung, die Schwierigkeiten damit hat, diese Informationen zu extrahieren und somit unsicheren Freiraum enthält. Von Sensoren, die direkte Entfernungsmessungen liefern, zum Beispiel Radar oder Lidar, lässt sich expliziter Freiraum zwischen dem Sensor und den erkannten Objekten ableiten, ohne dass eine KI beteiligt ist. Die Bahnplanung nutzt diesen Freiraum, um eine sichere Trajektorie zu bestimmen. Um aktuelle und konsistente Freiräume zu erhalten, werden neben der Position auch die Geschwindigkeit und die Fahrtrichtung anderer Verkehrsteilnehmer benötigt. Klassifikationsbasierte Perception-Systeme leiten die Geschwindigkeitsinformationen durch die Verfolgung von Objekten über der Zeit ab. Auch hier kommt das Ergebnis der Klassifikation zum Einsatz und stellt daher für eine unüberwachte Automatisierung keine sichere Option dar.

Zusammenfassend lässt sich sagen, dass eine sichere Bahnplanung die Berücksichtigung bekannter und unbekannter Objekte, ob statisch oder dynamisch, mit beliebigen geometrischen Formen und freiem Raum erfordert. Die Wahrnehmung darf sich nicht allein auf die Objektklassifikation stützen, weil deren Erkennungsmöglichkeiten beschränkt sind. Insbesondere beim Einsatz in geschlossenen Bereichen wie Logistikzentren innerhalb eines Hubs sollte außerdem die Datenabhängigkeit während der Entwicklung aufgrund des Mangels an umfangreichen Flottendaten gering sein.

Um zu bestimmen, ob eine geplante Bahn sicher ist, ist die Klasse eines Objekts zunächst irrelevant. Wichtiger ist festzustellen, ob sich ein potenziell gefährliches Objekt zu einem bestimmten Zeitpunkt in einem bestimmten Bereich aufhält. Das Konzept der Belegung ist Teil sogenannter Belegungsgitterverfahren oder Occupancy-Grid-Algorithmen, die sich gut etabliert haben. In ihrer klassischen Variante sind Occupancy Grids für statische Umgebungen gut geeignet, führen aber in dynamischen Umgebungen zu veraltetem Freiraum und Inkonsistenzen zwischen statischen und dynamischen Objekten. Dynamische Occupancy Grids lösen diese Probleme, indem sie statische und dynamische Objekte sowie sichere Freiräume auf integrierte Weise bestimmen (Bild 3). Sie können Daten von Radar-, Lidar- und Kamerasensoren integrieren und benötigen nur geringe Datenmengen für die Parametrisierung. Ein Beispiel hierfür ist das Baselabs Dynamic Grid für typische Automobil-CPUs wie Arm Cortex-78AE, dessen zugrundeliegende White-Box-Bibliothek für verschiedene Sensor-Setups konfiguriert werden kann, darunter Radar, Lidar und Kamera. Das System zielt auf ASIL B ab und eignet sich ideal als Ergänzung in Sicherheitsarchitekturen für kollisionsfreies Fahren.

Aufgrund der Eigenschaften dynamischer Occupancy-Grid-Ansätze können Sicherheitsarchitekturen aufgebaut werden, die diversitäre Redundanz enthalten, um kollisionsfreies automatisiertes Fahren zu gewährleisten. In solchen Architekturen extrahiert das KI-basierte Sensorsystem nach wie vor relevante Objekte auf der Grundlage von Klassifikation, und die Bahnplanung verwendet ihre Ergebnisse zur Bestimmung einer Trajektorie. Diese Trajektorie wird als Vorschlag behandelt, der im Dynamic Grid auf mögliche Kollisionen geprüft wird. Weil das Grid die Welt in Zellen unterteilt, deren Größe typischerweise zwischen 5 cm und 25 cm variiert, kann es präzise auf Kollisionen mit beliebigen Objekttypen mit beliebigen Formen prüfen. Mit seiner integrierten Geschwindigkeitsinferenz stellt es die Dynamik anderer Verkehrsteilnehmer konsistent dar und ermöglicht die Vorhersage von Objekten und freiem Raum.  (eck)

<a href="http://www.baselabs.de" target="_blank">www.baselabs.de</a>

Dr.-Ing. Eric Richter ist Director Technology Innovation und Mitgründer von Baselabs.

Bild 1: Die klassifikationsbasierte Wahrnehmung erkennt nur bekannte Objekte. Dieses System übersieht die große Kiste direkt vor dem Fahrzeug.

Bild 2: Typische klassifikationsbasierte Perception-Systeme verwenden einfache Objektmodelle (grüne Bounding Box). Unbekannte Objekterweiterungen, wie das Erntewerkzeug im Bild, werden möglicherweise ignoriert und können zu Kollisionen auf dem geplanten Weg führen (magenta).  

Bild 3: Der Dynamic Grid-Ansatz ermittelt eine mögliche Kollision (rot) mit einem unbekannten dynamischen Objekt (blau) auf der geplanten Bahn.  

Dr.-Ing. Eric Richter ist Director Technology Innovation und Mitgründer von Baselabs. 

Baselabs

Baselabs | Autonome Nutzfahrzeuge | Dynamic Grid-Ansatz | ADAS

Sensoren zur Fahrer- und Innenraumüberwachung

Systeme zur Fahrerbeobachtung werden zukünftig Voraussetzung in Neufahrzeugen, um Informationen über den Aufmerksamkeits- und Müdigkeitsstatus der Fahrer bereitzustellen. Bisher erfolgte diese Messung oftmals anhand kleiner Lenkradbewegungen des Fahrers. Ein kamerabasiertes System liefert jedoch genauere Daten.

Systeme zur Fahrerbeobachtung werden zukünftig Voraussetzung in Neufahrzeugen, um Informationen über den Aufmerksamkeits- und Müdigkeitsstatus der Fahrer bereitzustellen. Ein kamerabasiertes System liefert genaue Daten.

Bei Systemen zur Fahrerbeobachtung (Driver Monitoring System, DMS) ist die aktuelle Wunschliste für die Kernfunktionalität der Branche genau definiert und auf dem Fahrplan der regulatorischen Institutionen. Mithilfe einer Innenraumkamera und Systemintelligenz muss ein DMS den Fahrer überwachen, indem es Müdigkeit und Ablenkung erkennt und die Rückkehr von der automatisierten zur manuellen Steuerung in autonomen Level 3-Fahrzeugen ermöglicht.

Wie bei Fahrerassistenz-Funktionen (ADAS) und Technologien zum autonomen Fahren liegt ein Großteil des aktuellen Entwicklungsschwerpunkts darauf, dass die Systeme korrekt funktionieren. Ebenso wichtig für die Akzeptanz der Verbraucher sind aber auch nichtfunktionale Attribute wie Design und Ästhetik, Integration und Systemflexibilität – diese sind gleichermaßen entscheidend für den langfristigen Erfolg solcher Systeme.

Verschiedene Institutionen arbeiten derzeit an Vorschriften zu den DMS:

<ul><li>General Safety Regulation (GSR – EU-Regulation)</li><li>GB/T China</li><li>NCAP Europa und China</li></ul>

Die genaue Definition der Testfälle ist noch in unterschiedlichen Reifeständen, allerdings sind sich alle Institutionen und Arbeitskreise darüber einig, dass die Funktionen Teil der nächsten Fahrzeuggeneration werden sollen. Die Funktionen hierbei sind: Müdigkeits- und Ablenkungserkennung, die GB/T fordert wahrscheinlich auch noch Zusatzinformationen, zum Beispiel ob der Fahrer telefoniert, raucht, isst oder trinkt.

Müdigkeits- und Aufmerksamkeitserkennung

Die Sicherheit des Fahrers und der Insassen sowie anderer Verkehrsteilnehmer steht beim Einsatz eines DMS an vorderster Stelle. Die Unfallstatistik zeigt auf, dass viele Unfälle auf die Übermüdung des Fahrers schließen lassen. Bisher erfolgte die Aufmerksamkeits- und Müdigkeitserkennung oftmals durch das Messen kleiner Lenkradbewegungen des Fahrers. Ein kamerabasiertes DMS jedoch liefert genauere Daten zum Zustand des Fahrers. Außerdem müssen beim autonomen Fahren ab Level 3 die Hände nicht mehr dauerhaft am Lenkrad gehalten werden, somit entfällt dieser technische Ansatz der Erfassung der Lenkbewegungen. Das Fahrzeug übernimmt dabei die Fahrtätigkeit – zumindest zeitweise – komplett und der Fahrer kann sich in dieser Zeit anderen Dingen widmen. Falls das autonome Fahrsystem nun an seine Grenzen kommt, so muss der Fahrer mit entsprechender Vorwarnzeit darauf vorbereiten werden, dass er die Fahrtätigkeit wieder übernehmen muss. Sollte dieser dazu nicht in der Lage sein, muss das System das Fahrzeug im Zweifel zum Stillstand bringen.

Ein kamerabasiertes DMS ermöglicht die Erfassung verschiedener Messgrößen, aus denen der Grad der Aufmerksamkeit und der Müdigkeit ermittelt werden kann. Die wichtigsten sind dabei die Blickrichtungsvektoren, der Lidschlag, der Öffnungsgrad der Augen sowie die Kopfposition des Fahrers.

Die Blickrichtungsvektoren werden mittels Messung der Pupillenposition im Bild oder Reflexionen im Auge erfasst. Den Liedschlag und den Grad der Augenöffnung ermittelt man über Methoden der Bildverarbeitung. Um die Kopfposition zu berechnen, werden verschiedene Merkmale, wie Augen, Nase, Mund oder Ohren am Kopf gesucht, um mit diesen dann anschließend die Position im Raum zu berechnen.

Aus allen diesen Rohfeatures werden dann anschließend mittels entsprechender Algorithmen in der Software die verschiedenen Ausgabeparameter Müdigkeit – Sekundenschlaf – Schlaf, Ablenkung, plötzlich eintretende gesundheitliche Vorfälle, etc. berechnet. Für die Müdigkeit werden hierzu vor allem der Grad der Augenöffnung und der Lidschlag, für die Ablenkung die Erfassung der Blickrichtungsvektoren – weg von der Straße – und sekundäre Faktoren wie das Halten eines Mobiltelefons, essen oder rauchen verwendet (Bild 1).

Vom Fahrer bis hin zum kompletten Innenraum

Zusätzliche Funktionen im Bereich der Fahrzeug-Innenraumüberwachung erlauben ein attraktives Angebot für Automobilhersteller und Endkunden. Individualisierung mithilfe von Fahreridentifikation, Erkennung der Hände am Lenkrad, Anzahl der Passagiere, und nicht zuletzt die Benachrichtigung an den Fahrer über zurückgelassene Lebewesen.

Diese Funktionen werden mithilfe einer Kamera mit größerem Öffnungswinkel und dadurch erweitertem Sichtfeld, aber auch durch zusätzliche Sensoren ermöglicht. Um aber einige der Funktionen in entsprechender Qualität oder überhaupt zu ermöglichen, ist eine 3D-Tiefenkartierung notwendig. Diese wird mit dem Structured-Light-Verfahren elegant ermittelt.

Das sogenannte Structured-Light-Verfahren projiziert ein für die Insassen nicht sichtbares Netz aus Infrarot-Lichtpunkten in den gesamten Innenraum und nimmt dieses dann mit der Kamera auf (Bild 2). Durch Triangulation der Position der Lichtpunkte werden dann Objekte im Bildbereich dreidimensional kartiert. Das Verfahren findet bereits in anderen Bereichen Anwendung, zum Beispiel bei der Gesichtserkennung im Smartphone. Durch diese Kombination aus zweidimensionaler Bildverarbeitung und 3D-Tiefenkartierung berechnet das System kontinuierlich die Position aller Fahrzeuginsassen und Objekte. Mittels Interferometrie erfasst das System sogar kleinste Bewegungen von Objekten, die von Atembewegungen angeregt werden, wodurch auch für die Kamera verdeckte atmende Lebewesen erkannt werden können.

Zusätzliche, optionale Funktionen im Bereich von Komfort und Kommunikation, die vom Fahrzeughersteller optional angeboten werden können, sorgen für weitere Kundenbindung. Diese können durch zusätzliche Software-Funktionen freigeschaltet werden. Es entsteht kein oder nur ein geringer zusätzlicher Systemaufwand.

Mit optionaler Gesichtserkennung kann eine Personalisierung und Freischaltung von Fahrzeugfunktionen erfolgen. Durch ein Upgrade der Kamera auf RGB/IR-Technologie lassen sich mit derselben Kamera auch Farbbilder aufnehmen. Das ermöglicht Funktionen wie Videotelefonie, Selfie-Cam und Online-Videobesprechungen.

Gentex

Kamerabasierte Fahrerassistenzsysteme | Driver and Cabin Monitoring System im Innenspiegel | Aufmerksamkeits- und Müdigkeitsstatus überwachen