Produkte

LeanDRA

Lean Driving Robot & Analysis

Aktuell werden für die Durchführung diverser Fahrzeugtests (Fahrdynamik und Fahrerassistenz), unter Einhaltung hoher Anforderungen, Lenkroboter benötigt. Der Einbau ist sehr aufwändig und die Messtechnik kostenintensiv. Zudem hat man Probleme mit der Verfügbarkeit der Lenkmaschinen.

Aber Moment mal?

Unsere Autos sind doch in der Lage selbstständig zu lenken! Mit unserer Technologie muss keine zusätzliche Lenkmaschine in Fahrzeugen mit integrierter EPS (Electronic Power Steering) verbaut werden. Alle aktuellen Fahrzeuge des Volkswagen Konzerns verfügen bereits über diese Technologie. Wie das Ganze funktioniert, verraten wir natürlich nicht. Dass es möglich ist, haben wir bereits mit Lenkwinkelgradienten von 1200 Grad pro Sekunde unter Beweis gestellt.

Was benötigt man dafür?

Die EFS LeanDRA Box wird im Fahrzeug in rund 20 Minuten verbaut und ermöglicht das Lenken des Fahrzeuges. Weitere Funktionen wie die Aktivierung der Kl. 15, das Starten und Beschleunigen des Fahrzeugs, können über eine weitere Box mit einer Schnittstelle an den Fahrzeugbus bereitgestellt werden.
Ergänzt werden unsere Fahrzeuge durch eine IMU (Inertial Measurement Unit), zur exakten Erfassung der Bewegung im Raum sowie DGPS zur Erfassung der genauen Position und eine echtzeitfähige Hardware als Zentralrechner, auf der für den jeweiligen Kunden die zugeschnittene Software die gewünschten Funktionen koordiniert und die Messdaten erfasst.
Abgerundet wird unsere Toolkette durch das Post-Processing, in dem die Daten aufbereitet und gegen ihre Anforderungen geprüft werden, so dass ein Report mit Kennzahlen und oder Ampeln erzeugt werden kann.

Unsere Ziele

Wir werden eine Großzahl von Fahrzeugen im Rahmen der Fortsetzung des Pegasus Projekts mit der Technik ausstatten und damit das Prüfgelände der Zukunft ermöglichen.

Unser Fokus liegt damit aktuell auf der Bedienung von FAS (Fahrerassistenzsysteme) / HAF (Hochautomatisiertes Fahren) Anforderungen. Dabei sind unsere Kern-Features:

  • Volle Automatisierung des Fahrzeugs
  • Koordination mehrerer Fahrzeuge untereinander
  • Genauigkeit und Präzision von Fahrmanövern
  • Objektivierung von Eigenschaften

Daraus ergeben sich für den Kunden folgende Vorteile:

  • Klare funktionale Anforderungen an den Lieferanten
  • Vergleichbarkeit von Fahrzeugen
  • Realistische Abbildung von Normalfahrern (Hasenfahrzeug)
  • Objektive Diskussionsgrundlage für Abstimmung mit Lieferanten und Plattformverantwortlichen
  • Brücke zwischen virtueller Simulation und Realfahrzeug

Aber auch die Objektivierung von Fahrdynamikmanövern (wie z.B. Kurvenbremsen oder beschleunigtes Abbiegen) ist mit dieser Technik realisierbar. Wir werden die Technologie in diese Richtung allerdings nur auf Anfrage hin ausbauen.

Zu allen Fragen rund um das Thema wenden Sie sich bitte an Ihren Ansprechpartner Tobias Behn (Tobias.Behn@efs-auto.de).

Ban Bad Music

Bye-bye Last Christmas

Vor der Weihnachtszeit ist nach der Weihnachtszeit? Das trifft insbesondere auf Last Christmas von Wham! zu: Im Radio läuft der Song zum zigsten Mal und das gefühlt schon lange, bevor die Wintermonate vor der Türe stehen. Wenn es doch eine Lösung hierfür gäbe – ohne lästiges Umschalten des Senders?

Dieses Szenario veranlasste Johannes zu seiner Vision „Nie wieder Last Christmas“ und seiner Idee – Ban Bad Music (BBM)! Mit diesem Produkt sollen zukünftig unbeliebte Lieder aus dem Autoradio verbannt werden können. Ban Bad Music hat zum Ziel, entsprechend personalisierter Blacklists eine Individualisierung des Radioprogramms zu ermöglichen und dadurch den Fahrspaß zu verbessern. Das Werteversprechen lautet hier: Radio nach Maß (aller Mitfahrer) – ohne Mehraufwand.

Ein Großteil der Autofahrer, genau genommen 87% von ihnen, nutzt das Autoradio. Damit landet das Autoradio auf Platz eins der meist genutzten Medien innerhalb des Fahrzeugs. Ban Bad Music setzt genau hier an und will den Radionutzern Individualisierung des Radioprogramms ermöglichen.

Geschmäcker sind verschieden

Wie funktioniert BBM? Unerwünschte Musik kann überblendet werden, so dass personalisierte Benutzerkonten genutzt und vom Kunden präferierte Songs gespielt werden. Sobald ein Radiosender ein Lied abspielt, welches auf der Blacklist vermerkt ist, wird dieses vom System erkannt. Der Sender wird stumm gestellt und parallel ein anderes Lied von einem lokalen Medium innerhalb des Autos, z.B. einem USB-Stick oder einer CD, abgespielt. Sobald das unerwünschte Lied vorüber ist, wird zum präferierten Radiosender zurückgeschaltet. Bei mehreren Insassen, können die Blacklists dieser Personen kombiniert und so die Geschmäcker aller Mitfahrer berücksichtigt werden.  

Ein Radiosender aus Berlin bietet bereits eine ähnliche Funktion an. Dieser hat eine Swapfunktion in seiner App bereitgestellt, die ein Überspringen von Liedern ermöglicht. Jedoch ist diese Funktion nur begrenzt nutzbar und gilt speziell für eben diesen einen Sender.
Den Vorteil, den BBM hier bietet, ist unter anderem die mögliche Individualisierung je Fahrer, eine leichte Ansteuerung im Auto und das Speichern unerwünschter Musik, um sie so aus dem Fahrzeug zu verbannen.

Für wen ist BBM interessant? BBM adressiert mit dieser Funktion drei Kundengruppen: Fahrzeughersteller, Multimediagerätehersteller und Radiosender.
Wir revolutionieren das Radio als zentrales Infotainmentsystem im Auto! Auch eine Kombination mit Streamingdiensten wäre denkbar.

Mediendemonstrator und Mediennetzwerk Bayern

Das Projekt befindet sich momentan noch in der organisatorischen Anfangsphase. Aktuell werden Verträge für die Kooperationspartner Mediennetzwerk Bayern, Antenne Bayern und Wasted Studios aufgesetzt. Zeitgleich wird an einem virtuellen Prototyp gearbeitet. Dieser wird in einen vorhandenen Mediendemonstrator, der dank der Kooperation mit dem Mediennetzwerk Bayern kostenfrei genutzt werden kann, implementiert und kann so vom Kunden getestet werden.
Der Mediendemonstrator erlaubt mittels VR Brille, dass der Endkunde Ban Bad Music innerhalb einer virtuellen Simulation der Fahrsituation testen kann. Die EFS kann mit Hilfe dieses Projekts die Medienbranche erschließen, dort an Bekanntheit gewinnen und neue Netzwerke schaffen.

Sobald der virtuelle Prototyp fertig gestellt und in den Mediendemonstrator implementiert ist, wird dieser auf entsprechenden Messen für Interessenten zur Verfügung gestellt und kann virtuell getestet werden. Im Anschluss soll die Applikation eines Prototyps im Auto und daraufhin die Vermarktung der Funktion stattfinden.



Failure Mode and Effects Analysis

Finde den Fehler - Automatisierungslösung mittels FMEA

Wo zuvor ungefähr 590 Minuten Arbeitszeit für eine manuelle Eingabe von Daten im Rahmen einer Failure Mode and Effects Analysis (kurz FMEA) Modellierung notwendig waren, kann nun durch ein entwickeltes Tool wertvolle Zeit gewonnen werden.

Was genau ist FMEA? Die FMEA-Methodik ist ein analytisches Werkzeug des Risikomanagements und heute methodischer Bestandteil der Qualitätssicherung. Im Rahmen der Produkt- und Prozessentwicklung werden Risiken identifiziert und entsprechend Maßnahmen eingeleitet. Ziel ist es, hierbei frühzeitig potenzielle Risiken zu erkennen und zu minimieren.

Wie das geht? Michael Meitz und Steven Kaufmann haben das Vorhaben ins Leben gerufen. Ausgehend von der Zielsetzung, den Aufwand manueller Eingaben von Anforderungen für eine System-FMEA und die damit einhergehende Fehleranfälligkeit zu minimieren, haben die beiden eine Automatisierungslösung entwickelt.

Mit Automatisierung den Alltag erleichtern

Mit Hilfe des entwickelten Tools kann die zunehmende Komplexität sowie der Aufwand und die Zeitintensität der FMEA-Aktivitäten verringert werden. Neben dieser Verbesserung der Modellierungsqualität, führt das auch zu einer Entlastung der Mitarbeiter, die zuvor mit der Pflege der FMEA-Aktivitäten beschäftigt waren.

Welche Vorteile bringt das Projekt der EFS? Das Unternehmen konnte sich unter anderem als fester Automatisierungspartner und Toollieferant im Volkswagen Konzern und hier im FMEA-Arbeitskreis etablieren. Zudem ermöglicht das Projekt neben einer Kosten- und Aufwandsreduktion eine weitere Einnahmequelle.

Alles rund um das Projekt

Bei jeder neuen Generation von Fahrzeugen steigt aufgrund der zunehmenden Komplexität und der Anzahl der Anforderungen auch der Aufwand für FMEA-Aktivitäten. Im Projekt Parkhauspilot wird diese FMEA-Methodik mit dem Tool APIS dokumentiert.

Am Anfang eines Projekts ist es noch möglich, alle Anforderungen manuell in das Tool einzupflegen. Jedoch nimmt der Aufwand im Laufe eines Projekts stetig zu. Daher wurde eine Lösung gesucht, die das APIS Tool automatisch mit allen Anforderungen befüllt.

Das Projektteam hat zusätzlich eine Satzschablone entworfen, die sich im Moment noch in der Beta-Phase befindet. Diese soll den Anwender hinsichtlich einer einheitlichen und korrekten Einpflege der Anforderungen unterstützen. So sollen übliche Fehler und falsche Schreibweisen vermieden werden. Der Anwender erhält dazu eine Rückmeldung, an welcher Stelle es Verbesserungsbedarf hinsichtlich der Anforderungsformulierung gibt.

ParoVal

Das automatisierte Mischpult für die Applikation

Mit ParoVal wurde eine Automatisierungslösung geschaffen, welche die Anwender entlastet und zudem hohe Kosteneinsparungen ermöglicht. Der Name steht hierbei für „Parameter optimieren und validieren“ und verspricht gebrauchssichere, nachhaltige und performanceoptimierte Fahrfunktionen.

Wie funktioniert ParoVal?

Am besten lässt sich ParoVal anhand eines Beispiels erklären: Ein DJ steht vor einem riesigen Mischpult. Zu sehen sind zahlreiche Schieberegler, bei welchen die einzelnen Auswirkungen auf das gespielte Lied vielleicht bekannt sind, jedoch die Abhängigkeiten der einzelnen Funktionsausprägungen untereinander eher weniger. Wird nun ein Regler bewegt, welchen Einfluss hat das auf das Gesamtsystem und auf die anderen Schieberegler? Es kann sein, dass damit eine Funktionsausprägung verbessert, aber gleichzeitig eine andere im Gegenzug verschlechtert wird.

Wissenschaftlich betrachtet, ergibt sich daraus ein sehr komplexes Optimierungsproblem. Solche Schwierigkeiten sind auch im FAS Bereich bekannt. Wie lassen sich solche Probleme lösen? Hier kommen Machine Learning und Optimierungsverfahren ins Spiel.

Eine mögliche Lösung kann ein Ringschluss von EFS Kompetenzen mit weiteren Methoden sein. Die Abbildung des Ganzen erfolgt in einer Simulation. ParoVal ermöglicht, neben einem Zugang zu einer umfassenden Szenariendatenbank mit beliebiger Erweiterung, eine individuelle Optimierung der Parameter nach Wahl und eine Aussage zur ihrer Sensitivität. Zusätzlich gibt es die Möglichkeit flexibel zwischen den am Markt verfügbaren Simulationstools zu wählen.

ParoVal bietet hier zwar keine Erleichterung für den DJ und sein Mischpult, jedoch eine Lösung für das umfassende Optimierungsproblem bei Fahrfunktionen. Die hohe Anzahl an Parametern und deren Abhängigkeiten sind kaum zu überblicken und erfordern einen erheblichen Zeitaufwand bei der Optimierung.

Die Schwierigkeit bei den automatisierten Fahrfunktionen ist, dass die Anzahl der Parameter in einen sehr hohen Bereich steigt und damit ebenso die Schwierigkeit diese zu überblicken und zu kontrollieren. Die Abhängigkeiten zwischen den Parametern sind damit kaum mehr zu erfassen.

Die Erwartungen an das Marktpotential von ParoVal sind hoch. Zum einen werden, aufgrund der steigenden Komplexität der Parameteroptimierung, die hochautomatisierten Fahrfunktionen zunehmend an Aufmerksamkeit gewinnen. Zum anderen gewinnt das Thema Machine Learning im Bereich HAF immer weiter an Bedeutung. 

Noch mehr Informationen

Ziel des Projekts ist es, dem Anwender eine Fahrfunktion mit optimierter Performance und geprüfter Sicherheit zu bieten. Die Grundlage der versprochenen Absicherung ist die umfassende Szenariendatenbank, die hinter ParoVal steht und ein breites Spektrum abdeckt. So können verschiedene Szenarien mit eingebunden und beispielsweise ein hinreichender Abstand zu Fußgängern und Säulen oder aber die Bewältigung von Steigungen garantiert werden. Damit kann die Fahrfunktion nicht nur für ein bestimmtes Szenario, sondern für alle Szenarien in der Datenbank optimiert werden. Zudem ist eine beliebige Erweiterung der Datenbank möglich. Das Projekt bietet dem Anwender daher nicht nur den Mehrwert einer Szenariendatenbank, sondern ebenfalls die Kompatibilität jener Datenbank mit der Fahrfunktion.

ParoVal erlaubt es dem Anwender weitergehend, über einen Bibliothekseditor seine Formel zu Performance und Sicherheit als Gütefunktional mit Hilfe einer GUI (Graphical User Interface) entweder als mathematischen Ausdruck oder in späteren Evolutionsstufen mit einem Satz an grafischen Bausteinen frei zu definieren. Er soll festlegen können nach welchem Parameter er seine Fahrfunktion optimieren möchte. Hierfür erhält der Nutzer einen Editor mit grafischen Bibliothekselementen, in welchem er sich die Funktionen nach Belieben zusammenbauen kann. Außerdem bekommt er einen Einblick wie nahe er dem Optimum bisher gekommen ist sowie eine Aussage zur Sensitivität seiner Parameter.

Das Framework stellt die einfache Benutzung für Entwickler und Anwender als auch den bestmöglichen modularen Gedanken als wichtigste Eigenschaften in den Vordergrund:

Wie die Darstellung vermitteln soll, kann zum einen aus einer Vielzahl von Parameteranalysen aus dem Framework (Master) ausgewählt werden, welches auch um eigene Algorithmen erweitert werden kann. Die möglichen Untersuchungen reichen von einfachen Parameterstudien über Sensitivitätsanalysen bis hin zu komplexen Optimierungsalgorithmen.

Zum anderen kann das SUT (System Under Test) sehr einfach und schnell ausgetauscht werden, sofern es die Schnittstellendefinition über Textfiles erfüllt. Somit beschränkt sich die Anwendung der Toolbox nicht auf ein spezielles Modell, sondern kann für beliebige, auch reale, parametrierbare Systeme verwendet werden.

Was ParoVal so besonders macht
Die EFS hat alleinstellende Stärken in den Feldern „Automatisierte Fahrfunktionen“, „Umfeldsimulation und Sensormodelle“ und Machine Learning – und das aus einer Hand!



Timealyzer

Timing mit Anspruch.

Was ist das Problem?

Unsere Kunden stehen vor der Herausforderung ein sicheres und zeitgenaues Verhalten komplexer Integrationssteuergeräte sicherzustellen. Ein etabliertes Vorgehen zur Absicherung ist, auf Basis komplexer Prozessormodelle eine bewusst überschätzende Worst-Case Ausführungszeit (WCET) zu berechnen, welche eine sichere obere Schranke liefert. Die systematische Überschätzung dieses Ansatzes führt allerdings dazu, dass solche Steuergeräte im realen Einsatz nicht wirtschaftlich ausgelastet sind und teure Rechenressourcen brachliegen. Ein alternatives Vorgehen basiert darauf, Ausführungszeiten aller Regelprogramme in synthetischen Testszenarien auszumessen und die maximal gemessene Ausführungszeit als obere Schranke zu verwandeln. Diese messbasierte obere Schranke ist nicht sicher, da häufig Komponenten isoliert voneinander getestet werden und damit Ressourcenkonflikte auf Arbeitsspeicher, Flash und Prozessorinfrastruktur, welche die Ausführungszeit verlängern, in den Tests nicht berücksichtigt werden. So erhöht sich das Risiko, dass in kritischen Situationen sicherheitsrelevanten Funktionen zu wenig Rechenzeit bleibt.

Wie haben wir geholfen?

Ziel des Timealyzer ist es, repräsentative stochastische Modelle für die zeitlichen Abläufe auf Steuergeräten zu berechnen und eine sichere Freigabe von Steuergeräten ohne künstliche Annahmen zu ermöglichen. Dazu müssen realistische Messungen aller Steuergerätefunktion in ihrem realen Ausführungskontext mit allen realen Ressourcenkonkurrenzen und Benutzungsmustern durchgeführt werden. Um an diese Daten zu kommen sind mit dem Timealyzer allerdings keine zusätzlichen Testaufwände erforderlich. Vielmehr werden die vorhandenen Tests, Fahrversuche und Erprobungen, welche kontinuierlich während der Entwicklung durchgeführt werden, für eine Modellbildung nutzbar gemacht.

Diese große Datenmenge nutzen wir, um ein stochastisches Modell zu trainieren, welches eine Wahrscheinlichkeit für konkrete Überlastsituationen liefert. Dazu wird mit dem Timealyzer Modul das zeitliche Verhalten der Steuergerätesoftware lückenlos und mit komprimierter Datenrate über etablierte Kommunikationsprotokolle der Automotiven Serienentwicklung (XCP, FR, Ethernet, CAN,…) messbar gemacht, alle Ausführungszeiten des Tasksystems lückenlos in den Timealyzer übertragen und dort mit maschinellen Lernverfahren ein Ersatzmodell trainiert, welches dann Korrelationen zwischen benachbarten und konkurrierenden Funktionen für eine realistische Worst-Case Abschätzung verwendet.

Ergebnis

Der Timealyzer ist eine Lösung der EFS, die seit 10 Jahren gemeinsam mit dem Partner AUDI an den innovativen Fahrzeugen von Morgen arbeitet. Unsere Erfahrung erstreckt sich dabei lückenlos von der Konzeption neuer Funktionen bis hin zur Serienumsetzung. Dabei ist unser Timing Knowhow ein wesentlicher Bestandteil der Premiumqualität im Audi-Fahrwerk.