Continental ernennt Gilles Mabire zum Chief Technology Officer (CTO) des Unternehmensbereichs Automotive Technologies.

Safety / Security

Elektronik

Automotive

Fahrerassistenzsysteme / Automatisiertes Fahren

Gilles Mabire wird CTO Automotive Technologies bei Continental

Hella hat mit der Serienfertigung seiner neuen Lenkungselektroniken begonnen.

Lenksteuermodule als Fail-Operational-System

Die Automobilindustrie wandelt sich: elektrifizierte Antriebsstränge, vernetzte und autonome Funktionen, neue Automobilhersteller. Verbraucher profitieren von mehr Funktionen im Fahrzeug, die über dessen Lebensdauer fortlaufend verbessert werden. Für Automobilhersteller bedeutet das, dass sie über Technologie, Ressourcen und Fähigkeiten verfügen müssen, um diese Funktionalitäten wirtschaftlich ins Fahrzeug zu bringen – und um darüber hinaus eine Geschäftsbeziehung mit dem Fahrzeugbesitzer über die gesamte Lebensdauer seines Autos zu pflegen.

Entwicklungs-Tools

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

Software-definierte Fahrzeuge sind die Zukunft

Die Automobilindustrie wird von den Megatrends Automatisierung, Konnektivität, Elektrifizierung und Shared Mobility getrieben. Ein zentrales Thema dabei  ist der Umgang mit dem zunehmenden Software-Anteil im modernen Fahrzeug. Denn Sicherheitslücken sind hier keine Seltenheit.

Zunehmende Software- Komplexität beherrschen

Dekra ist ab sofort auch technischer Dienst für Cybersecurity und Software-Updates im Automobilsektor.

Kraftfahrt-Bundesamt benennt Dekra als technischen Dienst für Cybersecurity

„Mobilität auf dem Weg zur Klimaneutralität“ – unter diesem Motto präsentiert sich die IAA mit neuem Konzept erstmals in München.

Infotainment

Kfz-Systeme

Elektromobilität

Mobilität

Brennstoffzellen

Messe IAA

hanser-automotive.de

Mobilität auf dem Weg zur Klimaneutralität

Increase security in automotive ECUs using 32-bit microcontroller AURIX™ – Guide to Automotive Cybersecurity

Mobile Dienste

HMI, Bedienelemente, Displays

Elektronische Bauelemente

RFID Teileidentifikation

Fertigungsautomation

Identtechnik

Embedded Systeme

Kfz-Lenkung

Halbleiterfertigung

MMI / HMI im Kfz

Automotive cyber security compendium

Im neuen Forschungsprojekt ICON »LOPAAS« entwickelt das Fraunhofer IESE gemeinsam mit dem Fraunhofer IKS und der Universität York in England mit dem AAIP eine Vorgehensweise, um autonome Systeme und insbesondere autonome Fahrzeuge abzusichern.

Safety Engineering für autonome Systeme

TTTech Auto und Infineon haben Schlüsselkomponenten für eine fail-operational Elektronikarchitektur für hochautomatisiertes Fahren der SAE-Stufen 3 und 4 entwickelt.

TTTech Auto und Infineon entwickeln ausfallsichere Architektur

Im Rahmen des europäischen Projekts Programmable Systems for Intelligence in Automobiles hat videantis die v-MP6000UDX-Prozessorplattform für Fail-Operational-Anwendungen entwickelt.

Prozessorplattform v-MP6000UDX von videantis für Fail-Operational-Anwendungen

Die umfassende Software-Suite von CoreAVI ermöglicht die Entwicklung und Bereitstellung kompletter sicherheitskritischer Lösungen für Anwendungen in den Bereichen Automotive, Industrie, Robotik sowie Luft- und Raumfahrt.

Laderegelung Elektromobilität

Stromversorgung

Mobile Automation

Software / Betriebssysteme / KI

CoreAVI Inc.

CoreAVI präsentiert eine Suite von Vulkan-basierten sicherheitskritischen Grafik- und Rechenbibliotheken, die die neue Arm Mali-G78AE GPU für den Automotive-, Industrie- und Avionik-Sektor unterstützen.

CoreAVI stellt zertifizierbare Software für Next-Gen Mali-G78AE GPU von Arm vor

LDRA und OpenSynergy arbeiten zukünftig zusammen.

Defense-in-Depth-Strategie für eingebettete Automobilanwendungen

Technologie- und Automobilunternehmen sind eine Kooperation eingegangen, um gemeinsam eine Systemarchitektur für selbstfahrende Fahrzeuge zu erarbeiten.

Arbeitsgruppe „The Autonomous“ gegründet

ZF führt eine neue skalierbare Suite von daten- und KI-basierten Services für ADAS Virtual Engineering und digitale Validierung ein – genannt ADAS.ai.

ZF beschleunigt ADAS-Validierung und Homologation

Künstliche Intelligenz im Kontext von funktionaler Sicherheit

Künstliche Intelligenz gilt als Schlüsseltechnologie für hochautomatisiertes Fahren. Allerdings könnte sie in sicherheitskritischen Anwendungsfällen Fehler machen.  In diesem Artikel tritt auf dem Weg vom assistierten zum hochautomatisierten Fahren künstliche Intelligenz gegen funktionale Sicherheit an, die dafür sorgt, dass moderne Fahrzeuge sicher sind.

Wer würde sich in ein selbstfahrendes Fahrzeug setzen, bei dem nicht einmal die Entwickler genau verstehen, wie es funktioniert? Damit automatisierte Fahrzeuge die vielseitigen Herausforderungen des Straßenverkehrs meistern können, kommen Techniken aus dem Bereich der künstlichen Intelligenz zum Einsatz. Neuronale Netze, als eine dieser Techniken, erzielen heutzutage erstaunliche Ergebnisse. Aufgrund ihrer Komplexität ist es bisher nicht möglich deren interne Verarbeitung vollständig zu verstehen. Es sind die Menschen, die sich in selbstfahrenden Fahrzeugen sicher fühlen müssen.

Schlüsseltechnologie für automatisiertes Fahren

Ein mit Fahrerassistenzsystemen (ADAS) automatisiertes Fahrzeug löst den Fahrer von einem Teil der Fahraufgabe ab. Ein hochautomatisiertes Fahrzeug beschleunigt, bremst und lenkt selbstständig, ohne den Input des Fahrers oder den Fahrer selbst dauerhaft zu benötigen. Hochautomatisierte Fahrzeuge sollen effizienter und sicherer sein als von Menschen gesteuerte [1].

Dazu muss das Fahrzeug sein Umfeld mithilfe von Kameras und weiterer Sensorik erkennen, um darauf reagieren zu können [2]. Umso mehr Automatisierung in den Fahrzeugen steckt, desto komplexer wird die Aufgabe. Leistungsfähige Algorithmen zur Erfassung der Verkehrssituation, Planung der Trajektorie und Steuerung des Fahrzeugs werden benötigt.

In Fahrerassistenzsystemen übernehmen diese Aufgaben zunehmend die lernenden Methoden der Künstlichen Intelligenz (KI). Zum Beispiel kommen neuronale Netze (NN) zur Objekterkennung in kamerabasierten ADAS zum Einsatz. In diesem Artikel liegt der Fokus auf Neuronalen Netzen (NN), die eine Methode der KI darstellen. Aufgrund der herausragenden Ergebnisse gilt KI als Schlüsseltechnologie auf dem Weg zum hochautomatisierten Fahren.

Als wichtiger Einflussfaktor bei der Entwicklung und während des Betriebs, stellt die Gewährleistung der Sicherheit von neuronalen Netzen eine noch weitgehend ungelöste Herausforderung dar. Besonders bei deren Einsatz in sicherheitsrelevanten Anwendungen, können durch Fehlfunktionen oder eine eingeschränkte Leistungsfähigkeit der Systeme Gefahren für Menschen entstehen [3, 4]. Aus diesem Grund müssen neue, auf den Methoden der KI basierende Systeme, mit den Standards und Normen zur Gewährleistung der Funktionalen Sicherheit (FuSi) konform sein [5].

Sprachassistenten, Übersetzungsprogramme, Fingerabdruckerkennung – künstliche Intelligenz ist bereits heute ein Bestandteil des alltäglichen Lebens. Was versteht man eigentlich unter KI, von der immer häufiger die Rede ist? KI ist ein Sammelbegriff für technische Systeme, mit der „[...] Fähigkeit, Aufgaben selbständig und effizient zu bearbeiten“ [6]. Zum Beispiel zeichnet sich das Maschinelle Lernen (ML) als Untergruppe der KI dadurch aus, dass mithilfe adaptiver Verfahren hochkomplexe Aufgaben gelöst werden – die Rede ist von lernfähigen Systemen. Die Algorithmen lernen anhand von Beispielen, den Trainingsdaten, und analysieren sowie klassifizieren Daten eigenständig [7].

Beim ML erzielt derzeit die Untergruppe des Deep Learnings die besten Ergebnisse. Das Deep Learning setzt künstliche NN ein. Im Bereich der Objekterkennung übertreffen die NN die klassischen Verfahren der Bildverarbeitung hinsichtlich Detektion und Klassifizierung zum Teil signifikant [8]. In der Theorie ist noch nicht vollständig geklärt, wie NN diese eindrucksvollen Ergebnisse zustande bringen. Fest steht: NN imitieren das menschliche Gehirn in Software. Einzelne Neuronen (Nervenzellen) sind miteinander verbunden (Synapsen). Diese technische Realisierung der biologisch motivierten Informationsverarbeitung kennzeichnet sich durch lernfähige parallele Strukturen einfacher Elemente, den Neuronen. Technisch gesehen handelt es sich bei NN also um Regelschleifen, die mathematische Operationen ausführen und dabei ihre Eigenschaften optimieren. Sie lernen [9].

Zur Veranschaulichung zeigt Bild 1 ([10]) ein vereinfachtes neuronales Netz, das in den Prozess einer Objekterkennung eingebunden ist. Dabei dienen Kamerabilder als Eingangsdaten. Die erkannten Objekte ordnet das NN zuvor festgelegten Klassen zu und markiert diese im Bild.

Seit Jahren kann man einen immer höheren Anteil an sicherheitsrelevanten elektrischen, elektronischen oder programmierbar elektronischen (E/E/PE-) Systemen in Fahrzeugen beobachten. In der Vergangenheit traten so Probleme und Katastrophen ein, hervorgerufen durch Fehlfunktionen sicherheitsrelevanter Systeme aufgrund systematischer Fehler, wie eine Fehlplanung während der Entwicklung oder zufällige Hardware-Fehler, zum Beispiel der Ausfall von Bauteilen. Daraus entwickelte sich die funktionale Sicherheit mit dem Ziel, diese Fehler zu kontrollieren, sodass diese nicht zu einer ernsthaften Gefahr werden können. Dabei steht die Vermeidung von Personen- und Sachschäden im Vordergrund. Auch das Vertrauen der Nutzer und das Ansehen von Produkten und Unternehmen spielen eine wichtige Rolle. Funktionale Sicherheit ist eine wichtige Produkteigenschaft [11].

Welche Barrieren müssen Fahrzeugsysteme für ihre Markteinführung überwinden? Für den Automobilbereich legt die Norm ISO 26262, „Road vehicles – Functional Safety“ einen Rahmen für die Entwicklung fest. Der Sicherheitsnachweis (safety case) belegt in Form einer argumentativen Dokumentation, dass die Arbeitsprodukte der ISO 26262 und deren Aktivitäten, Anforderungen und Maßnahmen während der Entwicklung erfüllt und somit funktionale Sicherheit für die Systeme erreicht wird.

Konflikt zwischen KI und funktionaler Sicherheit

Aufgrund der hohen Anzahl an Neuronen und Rechenoperationen ist es schwierig bis unmöglich, die interne Verarbeitung von NN nachzuvollziehen. NN gelten als nicht deterministische Black-Box-Modelle mit unsicheren Ergebnissen. Bestehende Standards und Normen zur Gewährleistung der funktionalen Sicherheit gehen von einem vollständigen Verständnis eines Systems und dessen Umgebung aus. Systeme mit NN erfüllen diese Grundannahme nicht. Im Gegensatz dazu sind bestehende FuSi-Normen nicht darauf ausgelegt, die Methoden der KI einzusetzen [12]. Die Normung in diesem Gebiet befindet sich in der Entwicklung. Die Verwendung von NN in sicherheitsrelevanten Anwendungen steckt in den Anfängen. Der Konflikt zwischen der überlegenen Leistungsfähigkeit komplexer NN und der Möglichkeit deren Sicherheit nachzuweisen ist ein vorherrschendes Thema im Bereich des automatisierten Fahrens.

Die aufgezeigte Problemstellung thematisiert die Schwierigkeit, den Einsatz lernender Systeme für Fahrerassistenzsysteme sowie das hochautomatisierte Fahren mit den bereits verfügbaren Normen nachweislich sicher zu gestalten.

Was lässt bereits tun, um KI oder NN sicher in Fahrerassistenzsystemen einzusetzen? Die in diesem Artikel vorgestellten Ergebnisse sind Teil einer Masterarbeit für den Studiengang Fahrerassistenzsysteme an der Hochschule Kempten [13]. Die Masterarbeit ist in Zusammenarbeit mit Sensor-Technik Wiedemann entstanden. Ein Ziel der Arbeit war die Erstellung eines Konzepts für den Sicherheitsnachweis von neuronalen Netzen in Fahrerassistenzsystemen. Mithilfe dieses Konzepts können auf NN basierende Assistenzsysteme auf Grundlage der bereits verfügbaren Normen in den Markt gebracht werden.

Für die Entwicklung des Konzepts wurden neben Sicherheitsnormen aus dem Automobilbereich auch Normen für den Bereich der mobilen Arbeitsmaschinen sowie Normen aus verwandten Branchen wie der Robotik, der Luftfahrt oder von Schienenfahrzeugen analysiert. Außerdem flossen alternative Ansätze mit ein, die unter anderem versuchen, die Ergebnisse NN zu erklären, deren Unsicherheit zu bestimmen oder diese als Teilsystem einzusetzen.

Die Erfüllung der Sicherheitsziele eines Fahrerassistenzsystems muss der Hersteller vor der Auslieferung an den Kunden durch einen Sicherheitsnachweis belegen. Bild 2 zeigt das Konzept, wie der Sicherheitsnachweis für auf NN basierende Fahrerassistenzsysteme auf der Grundlage der bereits heute veröffentlichten Normen erbracht werden kann. Die einzelnen Abschnitte des Konzepts werden im Folgenden erläutert.

Alternative Ansätze zum Einsatz neuronaler Netze zeigen viel Potenzial, um einen Sicherheitsnachweis zu erbringen. Mit dem aktuellen Stand der Normung bietet sich keine ausreichende Grundlage zum sicheren Einsatz der NN ohne Überwachung. Deshalb fällt die Wahl auf den Einsatz des neuronalen Netzes als Komponente eingebettet in eine konventionell programmierte sicherheitsgerichtete Software.

Parallel und in Ergänzung zur ISO 26262 stellt die ISO/PAS 21448 „Road Vehicle – Safety of the Intended Functionality“ (kurz SOTIF) mit der Sicherheit der Sollfunktion den einzigen aktuell normativ verankerten Ansatz für den Einsatz NN in Fahrerassistenzsystemen dar. Die so genannten „Triggering Events“, die die beabsichtigte Sollfunktion des Fahrerassistenzsystems einschränken, müssen bei der Entwicklung berücksichtigt werden. Dazu gehört zum Beispiel neben heftigem Schneefall oder starker Sonneneinstrahlung auch vorhersehbare Fehlbenutzung der Systeme.

Die aus der ISO/PAS 21448 abgeleiteten Sicherheitsziele können anschließend in die Entwicklung des Systems nach der ISO 26262 oder einer entsprechenden branchenspezifischen Sicherheitsfachgrundnorm einfließen. Die ISO 26262 ist der Mittelpunkt des Konzepts.

Damit die konventionelle, für die Sicherheit zuständige Software eingreifen kann, bieten Methoden der Unsicherheitsbestimmung neuronalen Netzen eine Möglichkeit zur Überwachung derer Ergebnisse. Denn ohne einen Fehler des NN zu erkennen, kann dieser auch nicht durch Sicherheitsmechanismen abgefangen werden. Neben den bereits genannten Anforderungen des Konzepts, gibt es einige weitere, die es zu beachten gilt: Das System sollte möglichst genau spezifiziert werden, besonders in Hinblick auf die Schnittstelle zwischen den Systemaufgaben und der Rolle des Fahrers.

Künftige Fahrzeuggenerationen, werden in Gefahrensituationen oder bei Systemfehlern ohne die Übergabe der Fahraufgabe an den Fahrer auskommen. Die hochautomatisierten Fahrzeuge müssen funktionsfähig bleiben (fail operational) und das Auto im Fehlerfall zum Beispiel sicher am Straßenrand anhalten.

Ein Zusammenspiel aus analytischer argumentativer und testbasierter Beweisführung liefert für den Sicherheitsnachweis eine optimale Abdeckung.

Künstliche Intelligenz oder neuronale Netze als Methode der KI einzusetzen, ist aufgrund der Überlegenheit gegenüber den herkömmlichen Verfahren zur Objekterkennung sinnvoll. Eingebettet in eine konventionell programmierte Software, die die Funktion und die aktuelle Leistungsfähigkeit der neuronalen Netze überwacht sowie die Sicherheitsmechanismen übernimmt, können NN das Gesamtsystem verbessern. Auf diese Weise ist ein Sicherheitsnachweis mit den aktuellen Normen der funktionalen Sicherheit möglich. Als Teilsystem in einem automatisierten Fahrzeug tragen NN maßgeblich zu dessen Verbesserung in Form einer Steigerung des Komforts, der Effizienz und der Genauigkeit bei und als Folge dessen zur Erhöhung der Sicherheit.

Ziel ist das hochautomatisierte Fahren. Neuronale Netze als eine Methode der KI stellen aktuell den vielversprechendsten Weg dar, um die damit verbundenen hochkomplexen Aufgaben zu lösen. Ohne dass Fahrerassistenzsysteme oder hochautomatisierte Fahrzeuge sicher sind, werden diese am Markt nicht nur keine Chance haben, sie würde gar nicht erst zugelassen werden. Dabei darf die funktionale Sicherheit die KI nicht zu sehr einschränken. Im selben Zug müssen Sicherheitsanforderungen zu einer grundlegenden Eigenschaft bei der Auslegung von neuronalen Netzen werden.

Künstliche Intelligenz und funktionale Sicherheit als Kontrahenten anzusehen, ist eine zu starke Vereinfachung der Situation. Die FuSi ist genauso wenig der Bremsklotz, wie die KI die tickende Zeitbombe. Nur ein Zusammenspiel von FuSi und KI ist erfolgsfähig, um das gemeinsame Ziel des sicheren hochautomatisierten Fahrens zu erreichen. (eck)

<a href="http://www.hs-kempten.de">www.hs-kempten.de</a>

Leon Kolberg ist Entwicklungsingenieur für Fahrerassistenzsysteme bei Evomotiv in Flacht, vormals Institut für Fahrerassistenz und vernetzte Mobilität der Hochschule Kempten in Benningen. Unterstützt durch: Prof. Dr. Rolf Jung, Institut für Fahrerassistenz und vernetzte Mobilität der Hochschule Kempten sowie Stefan A. Lang und Phillip Luger, Sensor Technik Wiedemann in Kaufbeuren.

[1] VDA Verband der Automobilindustrie e.V., Ed.: „Automatisierung – Von Fahrerassistenzsystemen zum Automatisierten Fahren“, 2015

[2] Internationales Verkehrswesen, Ed.: „KI-Absicherung: Wie autonomes Fahren sicherer wird“, 2020

[3] A. Cremers et al., Fraunhofer IAIS, Ed.: „Vertrauenswürdiger Einsatz von Künstlicher Intelligenz“, 2019

[4] J. Vollmuth, Konstruktionspraxis, Ed.: „Was Künstliche Intelligenz für die Maschinensicherheit bedeutet“, 2019

[5] A. Rudolph, S. Voget, and J. Mottok: „A consistent safety case argumentation for artificial intelligence in safety related automotive systems“, 2018.

[6] VDI Verein Deutscher Ingenieure e.V., Ed.: „VDI-Statusreport Künstliche Intelligenz“, 2018.

[7] R. Becker, Just Add AI GmbH, Ed.: „Convolutional Neural Networks – Aufbau, Funktion und Anwendungsgebiete“, 2019

[8] A. Jungmann, C. Lang, and M. Pelz, ATZ Elektronik Ed.: „Künstliche Intelligenz für automatisiertes Fahren – Quo Vadis?“, 2020

[9] H.-L. Ross: „Funktionale Sicherheit im Automobil – Die Herausforderung für Elektromobilität und automatisiertes Fahren“, 2019

[10] L. Wuttke, datasolut GmbH, Ed.: „Einführung in maschinelles Sehen“, 2019

[11] H. Winner, Springer Vieweg, Ed.: „Handbuch Fahrerassistenzsysteme – Grundlagen, Komponenten und Systeme für aktive Sicherheit und Komfort“, 2015

[12] R. Salay and K. Czarnecki: „Using Machine Learning Safely in Automotive Software: An Assessment and Adaption of Software Process Requirements in ISO 26262“, 2018

[13] L. Kolberg, Hochschule Kempten: „Entwicklung eines funktionalen Sicherheitskonzepts für kamerabasierte Objekterkennung auf Basis Neuronaler Netze“, 2020

EVOMOTIV GmbH  

https://www.evomotiv.de

<ul><li>A2B-Technologie und digitale Mikrofone reduzieren Geräuschkulisse</li><li>IAA Mobility 2021: Neues Konzept für Deutschlands größte Automesse</li><li>APTIV: Fahrerzustand aufmerksam beobachten</li><li>SOLECTRIX: Validierungssysteme für automatisierte Fahrfunktionen</li></ul>

Ausgabenartikel

Bild 1: Prozess der Objekterkennung mit einem neuronalen Netz

Bild 2: Konzept für den Sicherheitsnachweis Neuronaler Netze in Fahrerassistenzsystemen

16:9

Evomotiv

Die referenzierte Masterarbeit ist aufgrund eines Sperrvermerks ab dem 01.11.2021 verfügbar. Bei Interesse bitte unter <a href="mailto:info.stw@wiedemann-group.com">info.stw@wiedemann-group.com</a> anfragen. Über die Weitergabe wird im Einzelfall entschieden.

ausgabe 05/2021

ausgabe 04/2021

ausgabe 03/2021

Über die Zeitschrift

Ansprechpartner

Kontakt

Jobs

Mediadaten

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

Nachrichten

NACHRICHTEN

Neue Produkte

NEUE PRODUKTE

OEM Supplier

IAA Mobility

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

Whitepaper

Termine

Wer bietet was?

Karriere

Onlinearchiv

XingNewsFeed

AM Xing News Feed

Firmenlizenz + Campus-Lizenz

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

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>Jederzeit kündbar: Nach Ablauf der Mindestlaufzeit von einem Jahr.</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

AM_Epaper_Jahresabo_1280x851-ohnebubble

HANSER automotive E-Paper-Jahres-Abo

6 Ausgaben plus 2 Sonderausgaben Print + Zugang zu allen Inhalten auf hanser-automotive.de + E-Paper
Sie erhalten die aktuelle Printausgabe auf dem Postweg. Die Freischaltung zum E-Paper und zu den Inhalten auf hanser-automotive.de erfolgt umgehend nach Abschluss Ihrer Bestellung.
<ul>
<li>Digital: E-Paper und Inhalte auf hanser-automotive.de sind für Tablets, Smartphones und Browser optimiert.</li>
<li>Flexibel: Den Beginn Ihres Abonnements können Sie rückwirkend frei wählen.</li>
<li>Jederzeit kündbar: Nach Ablauf der Mindestlaufzeit von einem Jahr.</li>
</ul>

6 Ausgaben plus 2 Sonderausgaben Print + Zugang zu allen Inhalten auf hanser-automotive.de + E-Paper