Um im dynamischen Umfeld der Automobilindustrie wettbewerbsfähig zu bleiben, ist eine effiziente und schnelle Fahrzeugentwicklung essenziell. Doch bisherige Verfahren mit physischen Prototypen sind zeit- und kostenintensiv. Hier setzt das Zero Prototype Lab von EDAG an – ein Quantensprung der virtuellen Entwicklung.

16:9

Fahrerassistenzsysteme / Automatisiertes Fahren

Elektronik

Kfz-Elektronik

Dienstleistungen

Entwicklungs-Tools

OEM Supplier

hanser-automotive.de

Messtechnik, Testlösungen, Diagnose

Revolutionäre Simulationstechnologie der EDAG Group

Statische Analysatoren können die Produktivität erheblich steigern und ermöglichen gleichzeitig den Nachweis von Safety- und Security-Eigenschaften.

Software / Betriebssysteme / KI

Safety / Security

Kfz-Sicherheit, aktiv

Kfz-Systeme

KFZ-Regelsysteme (Motor, Fahrwerk, Komfort, Licht, Getriebe)

Embedded Systeme

Kfz-Lenkung

Auf der sicheren Seite mit statischen Analysatoren

Die Notwendigkeit von autonom arbeitenden Maschinen im Bereich Off-Highway-Vehicles (OHV) zeigt sich immer deutlicher, nicht zuletzt aufgrund des Fachkräftemangels.

Bild 1: Darstellung wichtiger Aspekte der Funktionalen Sicherheit 

Mobile Automation

KI (Künstliche Intelligenz)

Sicherheitskritische  Anwendungen basierend auf Künstlicher Intelligenz

Die Landwirtschaft befindet sich weltweit im Umbruch. Neben gestiegenem Preisdruck und Konkurrenz wird es für Landwirte immer schwieriger, qualifiziertes Personal zum Führen von Maschinen zu finden.

Detaillierte Abbildung einer Fahrt über den Acker in der Simulation 

Virtuelle Erprobung von autonomen landwirtschaftlichen Maschinen

Schutz vor Cyberbedrohungen für vernetzte Fahrzeuge: Fuzz Testing deckt Schwachstellen auf und hilft, internationale Sicherheitsstandards zu erfüllen.

Elektromobilität

Mobilität

Beratung und Consulting

Informations- und Kommunikationstechnik für Stromnetze

Stromversorgung

Fuzz Testing: Cybersicherheit für moderne Fahrzeuge

Die Redaktion der HANSER automotive blickt auf die aus Automotive-Sicht relevanten Ereignisse des Monats Oktober zurück.

Batterien

Energiespeicherung

Recycling

Umweltmanagement

Was im Oktober aus Automotive-Sicht wichtig war

Renesas Electronics präsentiert eine neue Generation von System-on-Chips (SoCs) zur Integration mehrerer Automotive-Applikationen auf einem einzelnen Chip.

Die R-Car Gen 5 SoCs bieten mit Chiplet-Erweiterungen zukunftssichere Multi-Domain-Computing-Lösungen für zentralisierte E/E-Architekturen.

Elektronische Bauelemente

Messe electronica

Multi-Domain-SoC für zentralisierte E/E-Architekturen

Für die Erprobung und Absicherung automatisierter Fahrfunktionen muss das Zusammenspiel von Sensorik, Aktuatorik und  Fahrzeugführungsalgorithmus auf einem Prüfstand realitätsnah abgebildet werden.

Vehicle-in-the-Loop am Prüfstand für automatisiertes Fahren

Mithilfe eines Simulationstools von Ansys entwickelt Volkswagen ein elektrisches Lenksystem (EPS), das autonome Fahrfunktionen auf das nächste Level bringen soll.

Neue Wege zur Optimierung des elektrischen Lenksystems

Das Projekt HolmeS³ kombiniert Kausalmodelle und maschinelles Lernen für das Szenario-basiertes Testen gemäß ISO 21448 für die Sicherheit zukünftiger selbstfahrender Fahrzeuge.

Simulation

Software

 Absichern autonomer Fahrzeuge in unerwarteten Situationen

US-Wahlen, Ende der Ampel, VW-Krise: Im tristen November war ganz schön was los. Im Automotive-Bereich gab es aber durchaus auch gute Nachrichten. Die wichtigsten im Überblick.

Das war im November wichtig

Der letzte Monat des Jahres widmete sich in erster Linie dem Ausblick auf das kommende Jahr: Die CES 2025 warf bereits ihre Schatten voraus und auch viele personelle Änderungen für 2025 waren spruchreif und wurden angekündigt. Was sonst so los war zeigen wir Ihnen in 16 ausgewählten Meldungen in unsere Bildergalerie.

Nicht zuletzt der Silberstreif am Horizont lässt optimistisch in das Jahr 2025 blicken – die bereits im Dezember 2024 angekündigten Innovationen zur CES 2025 und die regen Tätigkeiten in der automotive-Branche stimmen positiv.

Connectivity (Bussysteme, Telekommunikation, 4G / 5G, WLAN)

Messe CES

Das war im Dezember wichtig

Fast jeden Tag veröffentlichen wir für unsere Leser:innen Meldungen, die wir als wichtig und interessant einschätzen. Welche Branchennews haben aber unsere Leserinnen und Leser 2024 wirklich am meisten interessiert?

Ladesäulen / Ladekonzepte

Elektromobilität im Nutzfahrzeug

Laderegelung Elektromobilität

Ladesäulen

2024: Das wurde online am meisten gelesen

In fünf Ausgaben und zwei Sonderhefte berichteten wir über die Trends in der Automobilelektronik – thematisch sortiert geben wir einen Überblick, welche Beiträge aus unseren Heften am meisten gelesen wurden.

Lichttechnik

Die meistgelesenen Fachbeiträge der HANSER automotive 2024

Die Redaktion der HANSER automotive blickt noch einmal auf den vergangenen Monat zurück: Was war wichtig in der Branche, welche Highlights und Entwicklungen gab es? Wir haben die 14 wichtigsten Neuigkeiten aus dem Februar zusammengestellt.

Typisch Februar: Klirrende Kälte, aber auch Sonnenstrahlen, die wie hier die ersten Winterlinge aus der Erde locken

Kfz-Antriebsstrang

Kameras

Fertigungsautomation

Bildverarbeitung

Das war im Februar aus Automotive-Sicht wichtig

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 03/2025

ausgabe 02/2025

ausgabe 01/2025

Ansprechpartner

Kontakt

Zeitschrift

Mediadaten

Unsere Abos

Abo Kündigung

Mein Login

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

Neue Produkte

NEUE PRODUKTE

Future Mobility

IAA Mobility

electronica

Elektromobilität - Nutzfahrzeuge

Elektromobilität bei Nutzfahrzeugen

Im Blickpunkt

Karriere bei HANSER

HANSER Fachbuch

HANSER eLibrary

HANSER eSolutions

HANSER eCampus

HANSER Corporate

HANSER Literaturverlage

Verlagsangebote

FORM+Werkzeug

Kunststoffe

Plastics Insights

QZ Qualität und Zuverlässigkeit

WB Werkstatt + Betrieb

Weitere Fachportale

Onlinearchiv

Online-Archiv

Newsletter

Verlag

Service Menu

xing

linkedin

Nachrichten

Termine

Wer bietet was?

Whitepaper

XingNewsFeed

AM Xing News Feed

Firmenlizenz + Campus-Lizenz

FACHARTIKEL_2020, 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_2020, INTERVIEWARTIKEL_2019

Sie haben bereits ein Abonnement? Einfach <hanser-login-link>einloggen/registrieren</hanser-login-link> und weiterlesen!

Hanser Kundencenter

Preise sind inklusive MWSt., ggf. zzgl. Versandkosten

Exklusiver Zugriff auf ausgewählte Inhalte

Zentrale Verwaltung Ihrer persönlichen Daten

Praxisorientierte Fachinformationen bequem von Zuhause aus

Einfach hier <hanser-login-link>einloggen/registrieren</hanser-login-link> und weiterlesen!

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