Referenzprojekte

Problemstellung

Im Geschäftsfeld Datenmanagement wurde in Zusammenarbeit mit dem Technologiecenter ein Algorithmus entwickelt, um Autoteile zu klassifizieren.

In dem Bereich der Korrosionsforschung wurden zur Dokumentation Autoteile bei unterschiedlicher Belichtung und aus verschiedenen Perspektiven fotografiert. So entstanden bislang ~70.000 Bilder. Um die Korrosionsfälle zu erforschen, war es notwendig, die Bilder nach den verschiedenen abgebildeten Autoteilen zu klassifizieren. Der manuelle Aufwand hätte hier ca. 300 Stunden betragen.

Wie sind wir vorgegangen?

Wir haben für diesen Fall ein neuronales Netzwerk aufgebaut. Dieses wurde trainiert, um die verschiedenen Fahrzeugteile zu erkennen und nach deren Position im Fahrzeug zu klassifizieren, zum Beispiel Motorraum, Fahrzeugheck oder -Front, Insassenraum etc. Anschließend wurden die rund 70.000 Bilder nachprozessiert und optimal für das neuronale Netzwerk vorbereitet. Das neuronale Netzwerk kann diese Bilder mit einer 80-prozentigen Genauigkeit erkennen und klassifizieren.

Eine Spur voraus!

Wir haben das trainierte neuronale Netzwerk auf einem Entwicklungssteuergerät zum Laufen gebracht. Dieser Schritt wurde gegangen, um zukünftig in der Lage zu sein, die Bilder schon bei der Aufnahme über eine Web-App zu klassifizieren und zu beschriften. Hierbei wurden die Aufnahmequellen flexibel gehalten (Computer, Mobiltelefon, Tablet oder Kamera).  Bei Nutzung wird mit der integrierten Kamera ein Bild gemacht, welches innerhalb von wenigen Sekunden klassifiziert wird. Als Rückmeldung erhält man die vier wahrscheinlichsten Klassifizierungen mit den jeweiligen Wahrscheinlichkeiten. Im Anschluss hat man die Möglichkeit, die Klassifizierung zu prüfen und im Falle eines Fehlers zu korrigieren. So erkennt das neuronale Netzwerk seinen Fehler und verbessert sich kontinuierlich im Laufe der Zeit.

Wie lange würde es dauern, mit dem Auto zur Sonne und zurück zu fahren? Und das Ganze 88-mal?

Es handelt sich bei der Entfernung von der Erde zur Sonne um rund 150 Millionen Kilometer pro Weg, was 300 Millionen Kilometer ergibt, wenn man den Rückweg dazu rechnet. Das Ganze mit 88 multipliziert, ergibt rund 26.400 Millionen Kilometer. Wenn man das nun in Autofahrstunden angibt, hätte man die Fahrzeit, die es brauchen würde, um autonome Fahrzeuge statistisch abzusichern.

Das dauerte unseren Mitarbeitenden zu lange und so wurde eine Möglichkeit gefunden, die Absicherung von Fahrfunktionen schneller und unkomplizierter zu gestalten. Aktuelle Projekte erhöhen den ohnehin schon akuten Bedarf, Fahrdynamikregler im Automotive-Umfeld zielführend absichern zu können. Für die Entwicklung hochautomatisierter Fahrfunktionen und der damit verbundenen Absicherung von Trajektorienfolgereglern, wurde deshalb ein numerischer Ansatz der Absicherung in ein Produkt zusammengeführt. Mit dem Pessimizer können diese Regler in Zukunft in einem vorgegebenen Parameterraum funktional abgesichert werden.

Die Projektarbeit startete im Sommer letzten Jahres. Das ganze Projekt findet in Kooperation mit der Universität zu Lübeck statt.

Die e:fsTechHub kann ihren Kunden mit dem Pessimizer eine Grundlage zur Absicherung von Fahrfunktionen bieten. Durch die ermöglichte Absicherung wird nicht nur die Zufriedenheit der Kunden gestärkt, sondern das Unternehmen kann sich dadurch von der Konkurrenz im Markt absetzen und neue Kunden akquirieren.

Alles rund um den Pessimizer

Die Absicherung im Bereich des autonomen Fahrens ist aufgrund ihrer Neuartigkeit ein kontrovers diskutiertes Thema. Eine neu entwickelte Fahrfunktion durchwandert bei der Absicherung viele Stationen. Gerade in Bezug auf die statistische Absicherung werden immer noch weite Fahrstrecken zurückgelegt. Dies kann durch den Pessimizer deutlich reduziert werden.

Beim Pessimizer handelt es sich um ein Konzept zur Absicherung von Trajektorienfolgereglern. Diese stellen aufgrund ihrer Komplexität, des nichtlinearen Verhaltens und verschiedener äußerer Einflüsse bzgl. der Absicherung eine große Herausforderung dar. Der Nachweis der funktionalen Sicherheit ist mit klassischen (anforderungsbasierten) Methoden daher nur schwer möglich. Genau hier soll der Pessimizer eingreifen.

Durch ihn werden kritische Trajektorien erzeugt, die mit dem zu testenden Regler in Simulationsdurchläufen befahren werden. Der Pessimizer versucht in diesen Durchläufen möglichst große Abweichungen von der Fahrspur zu provozieren. Das könnte beispielsweise dadurch geschehen, dass die Fahrspur viele Kurven aufweist und so versucht, den Trajektorienfolgeregler aufzuschwingen. Das Ziel ist es, den Regler unter diesen erschwerten Bedingungen maximal zu testen, zu optimieren und diesen dann für den angewandten Parameterraum als abgesichert bewerten zu können.

Mit dem Pessimizer kann dem Kunden im Rahmen einer Beauftragung versichert werden, dass sich der entwickelte Regler bei einer großen Anzahl möglicher Trajektorien innerhalb der gegebenen Grenzen stabil verhält. Durch ein gezieltes Optimieren des Reglers, hinsichtlich der durch den Pessimizer gefundenen Corner Cases, kann für den gegebenen Parameterraum die Funktionsfähigkeit des Reglers gewährleistet werden. Ein hundertprozentiger Nachweis der Stabilität des Reglers ist zwar dennoch nicht möglich, jedoch kann für viele kritische Manöver innerhalb des vorgegebenen Raums die Stabilität garantiert werden.

Für die, die es genauer wissen wollen:

Die Idee des Pessimizers besteht darin, die Simulation des Fahrzeugs und der Trajektorienfolgeregelung mit einem Optimierungsansatz zu kombinieren. Hierbei werden systematisch Sequenzen von Trajektorien sowie äußeren Einflüssen (Seitenwind, Massenverteilung, Straßenneigung, etc.) generiert. Anstatt die Performance der Trajektorienfolgeregelung zu maximieren, versucht der Pessimizer das Szenario mit der schlechtesten Reglerperformance zu identifizieren. Als Optimierungskriterium dient z.B. die Querablage des Fahrzeugs zur vorgegebenen Trajektorie. Zudem unterliegt die Optimierung gewissen Beschränkungen. Dazu zählen beispielsweise die maximale Krümmung, Fahrgeschwindigkeit und Querbeschleunigung sowie weitere Parameter, damit nur Szenarien generiert werden, die für das Fahrzeug auch fahrbar sind und einen realistischen Lösungsraum abbilden.

Problemstellung

Bevor hochautomatisierte Fahrfunktionen den Weg auf die Straße finden können, muss mittels umfangreicher Tests nachgewiesen werden, dass diese sowohl aus technischer Sicht als auch nach gesellschaftlich akzeptierten Maßstäben ausreichend sicher sind. Mit zunehmender Komplexität der Automatisierung ist eine klassische Absicherung allein mittels Systemtests im Labor und mit realen Fahrversuchen insbesondere hinsichtlich Praktikabilität (Dauer und Aufwand) nicht mehr möglich.

Projektziel

Ziel des Projektes „SAVe:“ ist die methodische Entwicklung von kombinierter virtueller und physischer Absicherung von Verkehrsszenarien, vor allem im urbanen Umfeld, um eine gesamthafte Basis für die zukünftigen Fahrzeug- und Verkehrsinfrastrukturentwicklungen zu schaffen. Dabei stellt die konzeptionelle Schaffung und Umsetzung eines „multifunktionalen virtuellen Regionsmodelles“ als virtuelles Testfeld eine zentrale IT-Einheit dar, die den urbanen Raum digital anhand geometrischer, statischer, aber insbesondere auch dynamischer Daten abbildet.

Durchführung

Es werden zunächst exemplarische Streckenabschnitte in Ingolstadt digitalisiert und darauf aufbauend virtuelle Entwicklungs- und Implementierungsmethoden für neue automatisierte Fahrfunktionen aufgesetzt. Durch die Verknüpfung mit Realversuchen sowie die Verwendung von Flottendaten werden die Simulationsszenarien angereichert und validiert. Zudem werden die Szenarien anhand von Demonstratoren unter Beteiligung der Bürgerinnen und Bürger im Hinblick auf deren Akzeptanz evaluiert.

Ausführliche Infos gibt es im offiziellen Auftritt des SAVe-Projekts, im fahrerlos in Ingolstadt und bei Springer.