TASKING SmartCode, die neue Software-Entwicklungsumgebung für Infineons AURIX™ TC4x-Mikrocontroller, bringt künstliche Intelligenz in Automotive-Anwendungen.

Software / Betriebssysteme / KI

Elektronik

Kfz-Elektronik

Softwareentwicklung

Safety / Security

Elektromobilität

Mobilität

Fahrerassistenzsysteme / Automatisiertes Fahren

OEM Supplier

Embedded Systeme

Softwareentwicklung Automotive

Entwicklungs-Tools

KI für Ihre ADAS- und Powertrain-Anwendungen

KPIT ist ein globales Technologieunternehmen mit Software-Lösungen, die der Mobilität auf dem Weg in eine autonome, saubere, intelligente und vernetzte Zukunft helfen.

KPIT Technologies GmbH  

https://www.kpit.com

Diagnosesysteme

Werkstoffprüfung

Messtechnik

Infotainment

Kfz-Systeme

Foretellix und IPG Automotive bieten gemeinsam eine umfassenden Lösung an, durch die Entwicklungskosten gesenkt, eine schnellere Markteinführung ermöglicht und die Sicherheit von automatisierten Fahrsystemen erhöht werden.

IPG Automotive und Foretellix arbeiten gemeinsam daran, die Entwicklung und den Einsatz von ADAS- und AD-Systemen zu beschleunigen.

16:9

Virtuelle Lösung für die Validierung von ADAS und autonomen Fahrzeugen

Die Freigabe autonomer Fahrfunktionen stellt die Automobilindustrie vor große Herausforderungen. Es sind extrem viele Tests erforderlich, um mögliche kritische Szenarien abzusichern.

Minimierung des  physischen Testaufwands

Für das automatisierte Fahren ist das Nachstellen von Fahrsituationen in der Realität äußerst aufwendig. Doch allein durch Software-Simulationen ist oft keine ausreichende Testabdeckung zu erreichen. Mit dem Vehicle-in-the-Loop-Verfahren lässt sich die Lücke zwischen simuliertem und realem Fahrversuch schließen.

Messtechnik, Testlösungen, Diagnose

Eine virtuelle Welt für  selbstfahrende Automobile

ADAS und automatisierte Fahrfunktionen durch die offene Simulations- und Testplattform CarMaker absichern.

ADAS und automatisierte Fahrfunktionen werden mit der Simulations- und Testplattform CarMaker von IPG Automotive abgesichert.

Sensoren / Aktoren

Mit dem virtuellen Fahrversuch SAE-Level 3+ bewältigen

Rohde & Schwarz steigert Testeffizienz und Flexibilität seiner Automotive Radar Test Chamber

Das neue Antennentestsystem von Rohde & Schwarz bietet eine neue Temperaturtestoption und eine neue Feed-Antenne.

Antennenmesssystem mit Temperaturtestoption

Die Virtualisierungstechnologie gewinnt an Akzeptanz in der Automobilindustrie. Denn damit kann eine Architektur entwickelt werden, ohne auf Hardware oder Portierungsaufwand Rücksicht nehmen zu müssen

Virtuelle Software Plattform für das Auto

Die unabhängige Branchenorganisation MIPI Alliance hat die MIPI A-PHY SerDes-Spezifikation geschaffen. Sie dient als Eckpfeiler der MIPI Automotive SerDes Solutions (MASS), einer Suite von Spezifikationen, die ein durchgängig standardisiertes Rahmenwerk schafft. Dieses hilft, die wachsende Anzahl von Kameras, Sensoren und Displays zu verbinden, neue Automotive-Anwendungen zu ermöglichen und funktionale Sicherheit und Schutz zu bieten.

Bild 1: Dargestellt sind die wesentlichen Elemente von MASS in einer In-Car Kommunikationsarchitektur, die Daten zuverlässig und sicher von einem Bildsensor zu einem Prozessor bzw. Display transportieren.

Automotive  SerDes Framework

Mithilfe von Model-Based Design/Development (MBD) und Rapid Control Prototyping (RCP) lässt sich Motorsteuerungssoftware effizienter entwickeln. Die Nissan Motor Corporation (Nissan) forciert daher deren Einsatz.

Die Ingenieure von Nissan setzen den neuen Entwicklungsprozess in den aktuellen Motorprojekten ein und arbeiten damit spürbar schneller und stressfreier.

Rapid Control Prototyping  der nächsten Generation

Das Release 10.0 der CarMaker-Produktfamilie von IPG Automotive bietet zahlreiche neue und verbesserte Anwendungen für die virtuelle Fahrzeugentwicklung. Mit MovieNX erreichen die virtualisierten Testszenarien ein völlig neues Visualisierungsniveau bei sehr hoher Performanz in komplexen Szenen.

Mit dem Release 10.0 der CarMaker-Produktfamilie bietet IPG Automotive eine Vielzahl neuer Features für den virtuellen Fahrversuch.

20:7

Neue CarMaker-Produktfamilie

Ein Convolutional Neuronal Network arbeitet als Blackbox, die komplexen Entscheidungswege sind schwer nachzuvollziehen, wodurch eine Bewertung der Sicherheitsrisiken schwierig ist. Diese Probleme können durch eine entsprechende Visualisierung abgemildert werden.

Mithilfe von Convolutional Neuronal Networks (CNN) sollen beim autonomen Fahren künstliche Intelligenzen beispielsweise Fußgänger erkennen. Allerdings stellt der Prozess bis zur finalen Entscheidung eines CNN weiterhin eine komplexe Blackbox dar, wodurch die Entwicklung einer standardisierten Validierung schwierig bleibt.

Blackbox neuronales Netzwerk

Das Software-Frameworks RTI Connext ist dafür designt, die Herausforderungen von Unternehmen bei der Entwicklung und Bereitstellung von ferngesteuerten autonomen Systeme zu bewältigen.

Software-Framework für weit verteilte autonome Systeme

Die AUTOSAR DDS-Netzwerkanbindung ermöglicht es, dass AUTOSAR Adaptive-Anwendungen mit DDS-Systemen zusammenarbeiten. Doch was ist die DDS-Netzwerkanbindung genau und welche Herausforderungen gibt es hier beim Mapping, der Speicherverwaltung und der Compliance?

Implementierung einer AUTOSAR DDS-Netzwerkanbindung

Wie funktioniert das Update von AUTOSAR Classic-Steuergeräten über das UCM-Modul? Welche Software-Komponenten müssen Fahrzeughersteller und -Zulieferer noch zu Adaptive AUTOSAR hinzufügen und welche technischen Voraussetzungen müssen erfüllt sein?

Adaptive AUTOSAR reprogrammiert klassische Steuergeräte

Sensormodelle als Schlüsselelement für Sensorfusion

Während Sensormodelle ein wichtiger Aspekt der Simulation sind, sind sie ebenso wichtig für die Leistung des Umgebungsmodells und der darin enthaltenen Sensorfusion.

Beim automatisierten Fahren wird typischerweise der Begriff Sensormodell verwendet, wenn es um die Simulation von Sensoren geht, zum Beispiel als Teil einer Validierungskette. Während Sensormodelle ein wichtiger Aspekt der Simulation sind, sind sie ebenso wichtig für die Leistung des Umgebungsmodells und der darin enthaltenen Sensorfusion.

Skalierbare Architekturen für die Sensorfusion ermöglichen den einfachen Austausch von Sensormodellen, so dass getestete Komponenten wiederverwendet werden können und mehr Entwicklungsressourcen in die Sensormodellierung fließen können.

Unabhängig davon, ob ein Sensormodell für die Simulation oder die Sensorfusion zum Einsatz kommt, beschreibt es, wie Objekte, zum Beispiel Fahrzeuge, Fußgänger oder Fahrradfahrer, mit einem bestimmten Sensor interagieren und von ihm wahrgenommen werden. Diese Interaktion umfasst die beiden Aspekte der Erkennbarkeit und des Erscheinungsbildes von Objekten.

Dieser Teil des Sensormodells beschreibt, ob ein Sensor ein Objekt detektieren kann. Ein Beispiel: eine Kamera ist Teil des Sensoraufbaus und ein KI-basierter Bilddetektor wurde auf Bilder trainiert, die nur Ansichten von Fahrzeugrückseiten enthalten. Ein solcher Bilddetektor wird Fahrzeuge korrekt erkennen, wenn deren Rückseite auf dem Bild zu sehen ist, wie Fahrzeuge, die vor dem automatisierten Fahrzeug fahren. Derselbe Bilddetektor würde jedoch querende Fahrzeuge nicht erkennen, weil er nicht auf Seitenansichten von Fahrzeugen trainiert wurde. In der Praxis ist es nicht ganz schwarz-weiß, sondern eher so, dass ein Sensor ein Objekt besser erkennen kann als ein anderes. So werden zum Beispiel neun von zehn Autos erkannt, wenn sie vor dem automatischen Fahrzeug fahren, und sieben von zehn Autos, wenn sie kreuzen. Neben diesem Beispiel gibt es viele Objekteigenschaften, die das Erkennungsverhalten eines Sensors beeinflussen können, beispielsweise der Blickwinkel, die Entfernung, die Größe und die Art des Objekts. Auch die Umgebung kann die Erkennungsleistung beeinflussen, wie das Wetter oder die Beleuchtungsbedingungen. Schließlich kann auch das Host-System des Sensors einen Einfluss haben – zum Beispiel kann die Erkennungsleistung je nach Einbaulage des Sensors unterschiedlich sein. Je nach Anwendung und geforderter Qualität der Modellierung kann ein resultierendes Detektionsmodell eine beliebige Auswahl der oben genannten Eigenschaften enthalten (Bild).

Während der Detektionsteil eines Sensormodells beschreibt, ob und mit welcher Wahrscheinlichkeit ein Sensor ein Objekt erkennen kann, beschreibt das Erscheinungsbildmodell, wie ein Sensor ein Objekt wahrnimmt. Für einen einfachen Radarsensor erscheint ein Objekt üblicherweise in Form von drei Werten: Entfernung, Winkel und Doppler-Geschwindigkeit. Aus diesem Beispiel wird ersichtlich, dass das Erscheinungsmodell Einschränkungen für den Sensor beinhaltet. Zum Beispiel kann ein Radar nur den radialen Teil der Objektgeschwindigkeit (die Doppler-Geschwindigkeit) beobachten, und für ein querfahrendes Objekt enthält die beobachtete Doppler-Geschwindigkeit nur einen Teil der tatsächlichen Objektgeschwindigkeit. Darüber hinaus beschreibt das Erscheinungsbild- oder Messmodell typischerweise die Fehler in den beobachteten Größen. So kann zum Beispiel ein Radar die Entfernung des Objekts mit einer Genauigkeit von ±1 m messen, ein anderes mit ± 0,5 m. Ähnlich wie bei den Detektionseigenschaften kann das Erscheinungsbild im Sensor vom Objekt selbst abhängen. Beispielsweise ist es möglich, dass die Entfernungsgenauigkeit bei Pkw besser ist als bei Lkw, oder sie könnte von der Umgebung und anderen Bedingungen abhängen.

Einfluss von Sensormodellen auf die Sensorfusionsarchitektur

Theoretisch ließen sich Sensormodelle entwerfen, die dem realen Sensorverhalten sehr nahekommen, wie physikalische Modelle oder hochkomplexe phänomenologische Modelle. In der Realität sind die Freiheitsgrade bei der Sensormodellierung jedoch oft begrenzt. Das liegt vor allem an den Beschränkungen der vorgesehenen Hardware und einem Mangel an relevanten Daten für die Identifizierung und Parametrisierung solcher komplexen Modelle.

Typische ADAS- und L2-Funktionen werden auf Embedded-Hardware wie dem Aurix-Sicherheitsprozessor von Infineon ausgeführt, wodurch die Auswahl an Algorithmen aufgrund der zur Verfügung stehenden CPU-Leistung einschränkt wird. Für Verfahren wie Objektfusion und -verfolgung beschränkt sich die Auswahl oft sogar auf Algorithmen und Architekturen, die auf Kalman-Filtern basieren.

Kalman-Filter eignen sich einerseits, weil sie gut bekannt sind und ihre geschlossene Form eine Ausführung auf typischer Embedded-Hardware im Fahrzeug ermöglicht. Andererseits können sie nicht direkt auf beliebig komplexe Modelle zurückgreifen. Stattdessen sind sie auf die Verwendung sogenannter unimodaler Sensormodelle beschränkt. Wenn zum Beispiel Pkw einem Sensor anders erscheinen als Lkw, kann das nicht von einem einzigen Kalman-Filter verarbeitet werden, weil das ein bimodales Modell erfordern würde.

Anforderungen an eine skalierbare Sensorfusionsarchitektur

Modifikationen an der Sensorfusionsarchitektur können diese Einschränkung bis zu einem gewissen Grad kompensieren, allerdings sind diese Architekturmodifikationen modellspezifisch und erfordern oft tiefgreifende Anpassungen des gesamten Algorithmus und Codes. Vor allem wenn es um den Einsatz im Rahmen von Serienprojekten geht, werden diese Änderungen kosten- und zeitintensiv, wenn sie in jedem Projekt und für jede Änderung an Sensoren manuell durchgeführt werden.

Damit eine Sensorfusionsarchitektur skalierbar wird, müssen die Sensormodelle vollständig von der Sensorfusionsarchitektur getrennt sein. Außerdem muss das Sensormodell selbst in die Teile Detektierbarkeit und Erscheinungsbild aufgeteilt werden. Auf diese Weise lassen sich Sensormodelle als dedizierte kleine Einheiten entwickeln, die damit leichter test- und austauschbar sind. Außerdem vereinfacht dieses Vorgehen die Modellidentifikation und -parametrierung.

Aus mathematischer Sicht ist der Austausch eines Sensormodells in einem Sensorfusionsalgorithmus relativ einfach. Wenn es jedoch um die Implementierung geht, erfordert der Austausch eines Sensormodells in der Regel die Anpassung großer Mengen an Code auf verschiedenen Architekturebenen. Insbesondere wenn die Sensorfusion auf Embedded-Hardware ausgeführt wird und funktionale Sicherheit gewährleistet werden muss, sollte der Austausch eines Sensormodells weder eine manuelle Anpassung dieser Code-Teile noch eine erneute Absicherung erfordern. Stattdessen muss eine skalierbare Architektur für die Sensorfusion den Austausch von Sensormodellen unterstützen und gleichzeitig die (viel größeren) verbleibenden Teile sicher wiederverwenden können. (eck)

Dr. Eric Richter ist Director of Customer Relations und Mitbegründer bei Baselabs in Chemnitz. Er promovierte dem Gebiet der Sensordatenfusion für automatisiertes Fahren.

Baselabs GmbH  

<ul><li>Schutz vor Cyber-Attacken aus dem Quantencomputer</li><li>Schlüsselelement für Sensorfusion</li><li>Kollaboratives Ökosystem im Fokus</li><li>Validierung einer GNSS-basierten Fahrzeuglokalisierung unter Jamming und Spoofing</li></ul>

Ausgabenartikel

Bild: Beispiel einer Radar-Kamera-Fusion, bei der die Detektionsrate des Radars mit zunehmender Objektentfernung kleiner wird. Die Objektbestätigungszeit verringert sich, wenn die Detektionscharakteristik des Radars richtig modelliert ist (graue durchgezogene Linien), verglichen mit einem Radarmodell mit konstanter Detektionsrate (graue gestrichelte Linien).

Dr. Eric Richter ist Director of Customer Relations und Mitbegründer bei Baselabs in Chemnitz. Er promovierte dem Gebiet der Sensordatenfusion für automatisiertes Fahren.  © Baselabs

Baselabs

Mit Baselabs Create Embedded ist eine modulare und ISO-26262-zertifizierte Sensorfusionsbibliothek verfügbar, die effiziente Algorithmen für Embedded-Plattformen beinhaltet. Die skalierbare Sensorfusionsarchitektur ermöglicht die einfache Implementierung und den schnellen Austausch von Sensormodellen. Dadurch lassen sich individuelle, sicherheitskonforme Sensorfusionsalgorithmen effizient entwickeln und flexibel an Anforderungen, unterschiedliche Projekte und Sensorkonfigurationen anpassen. Das ermöglicht es, die Komplexität sicherheitskritischer Automobilanwendungen einfacher zu bewältigen.

ausgabe 04/2022

ausgabe 03/2022

ausgabe 02/2022

Über die Zeitschrift

Ansprechpartner

Kontakt

Jobs

Mediadaten

Mein Login

Unsere Abos

Abo Kündigung

Impressum

AGB / Versandbedingungen für Buchbestellungen & Abonnement-Bedingungen für Fachzeitschriften

Datenschutzerklärung der Carl Hanser Verlag GmbH & Co. KG

Datenschutz

Messen - Testen -Diagnose

Automatisiertes Fahren

Connectivity

Safety & Security

THEMEN

Nachrichten

NACHRICHTEN

Neue Produkte

NEUE PRODUKTE

Mobile Automation

Im Blickpunkt

IAA Mobility

Messen - Testen - Diagnose

Fahrerassistenzsysteme & automatisiertes Fahren

HANSER Fachbuch

HANSER Literaturverlage

Verlagsbereiche

FORM+Werkzeug

Kunststoffe

Kunststoffe-International

QZ Qualität und Zuverlässigkeit

WB Werkstatt + Betrieb

Weitere Fachportale

Verlag

E-Paper

Newsletter

Service Menu

xing

linkedin

Whitepaper

Termine

Wer bietet was?

Karriere

Onlinearchiv

XingNewsFeed

AM Xing News Feed

Firmenlizenz + Campus-Lizenz

FACHARTIKEL_2019, FACHARTIKEL_2018, FACHARTIKEL_2017, FACHARTIKEL_2016, FACHARTIKEL_2015, FACHARTIKEL_2014, FACHARTIKEL_2013, FACHARTIKEL_2012, FACHARTIKEL_2011, FACHARTIKEL_2010, FACHARTIKEL_2009, FACHARTIKEL_2008, FACHARTIKEL_2007, FACHARTIKEL_2006, FACHARTIKEL_2005, FACHARTIKEL_2004, FACHARTIKEL_2003, FACHARTIKEL_2002, FACHARTIKEL_2001, FACHARTIKEL_2000, FACHARTIKEL_1999, INTERVIEWARTIKEL_2019

Sie wollen wissen, wie es weitergeht? Um diesen Inhalt zu lesen, müssen Sie sich bitte anmelden oder im Hanser Kundencenter registrieren.

Melden Sie sich bitte an

Einzelheft auswählen

Einzelausgabe wählen

Zum Onlinearchiv

Sie wollen wissen, wie es weitergeht? Dann wählen Sie aus folgenden attraktiven Angeboten das Passende für Sie aus!

Settings

Sie wollen einen Plus-Artikel lesen? Kein Problem - Sie können diese Artikel separat kaufen (inkl. PDF-Download).

AM_Einzelartikel-Download-600x399px

Shopkunden

HANSER automotive Einzelartikel

Hanser

7% Digital mit Auslandssteuer

Testen Sie das Digital-Abo der HANSER automotive 4 Wochen gratis!
Das Digital-Abo beinhaltet:
<ul>
<li>E-Paper: Die digitale Ausgabe der HANSER automotive</li>
<li>Hanser-automotive.de: Unbegrenzter Zugriff auf alle Inhalte</li>
<li>Online-Archiv: Exklusiver Zugang zu Artikeln früherer Ausgaben</li>
</ul>
Wenn Sie alle Vorteile des HANSER automotive Digital-Abos nach dem kostenlosen Test weiter nutzen möchten, brauchen Sie nichts zu tun. Nach Ablauf der Probezeit beginnt automatisch das Jahresabonnement zum dann gültigen <a href="https://www.hanser-kundencenter.de/hanser/productfinder/HANSER-automotive-Digital-Jahres-Abo" target="_blank">Abonnementpreis</a>. Sollten Sie nach dem Testzeitraum nicht weiterlesen wollen, senden Sie uns bitte bis spätestens eine Woche vor Ablauf der Testphase eine E-Mail an <a href="mailto:kundencenter@hanser.de" target="_blank">kundencenter@hanser.de</a>.

AM_Digital_Abo_Gratis_1280x581

HANSER automotive Digital-Test-Abo

6 Ausgaben plus 2 Sonderausgaben als E-Paper
Die Freischaltung zur aktuellen E-Paper-Ausgabe erfolgt umgehend nach Abschluss Ihrer Bestellung.
<ul>
<li>Digital: E-Paper sind für Tablets, Smartphones und Browser optimiert.</li>
<li>Bequem:&nbsp; Sie erhalten eine Nachricht, wenn eine neue Ausgabe verfügbar ist.</li>
<li>Mindestlaufzeit: 12 Monate</li>
<li>Abbestellung bis spätestens 6 Wochen vor Ablauf der Mindestlaufzeit.</li>
</ul>
<a href="https://www.hanser-automotive.de/epaper" target="_blank">&gt;&nbsp;Ausführliche Informationen zum E-Paper </a>
<a href="https://epaper.hanser-automotive.de?autologin=true" target="_blank">&gt; Blick ins E-Paper</a>

6 Ausgaben plus 2 Sonderausgaben als E-Paper