Referenzprojekte

SmartBee

Wie kam es zu dem Projekt "SmartBee"?

Ein Kollege erfuhr über seinen Schwiegervater, der Imker ist, von der Varroa-Milbe, dem Hauptfaktor des Bienensterbens. Sie ist ein nach Europa eingeschleppter Schädling, der kaum natürliche Feinde hat. Die europäischen Bienen können sich gegen die Varroa-Milbe nicht wehren und so kann sich die Milbe exponentiell vermehren. Die Biene verfügt über eine außergewöhnliche Hitzebeständigkeit - die Varroa-Milbe stirbt hingegen bei Temperaturen ab 42 Grad. EFS will mit der Ingenieursbrille dem Imkerhandwerk unter die Arme greifen, um das Milbenproblem anzugehen.

Wie passt das Projekt zur EFS?

Die EFS beschäftigt sich normalerweise mit sicherheitskritischer Software, um Situationen abzusichern und autonom regelnde Systeme zu integrieren. Dieses Wissen lässt sich auf das Milbenproblem übertragen, weshalb wir auch hier eine elegante technische Lösung finden sollten. Die EFS verfügt über alle notwendigen Kompetenzen, um die entwickelten Technologien wie sicherheitskritische Software ins Auto zu bringen. Also kann sie auch eine simple Technologie auf einen Bienenstock anwenden.

Wie sieht die Lösung aus?

Wir wollen die Temperatur in Form einer Bienensauna künstlich erhöhen. In Fachkreisen wird dieser Vorgang Hyperthermie genannt. Hierzu wird das gesamte Know-how von der Softwareentwicklung über die Regelungstechnik, der Datenanalyse und dem Datenmanagement bis hin zur Absicherungskomponente benötigt.

Bilderkennung / Deep Learning zur Bildbeschreibung

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).  Der Anwender macht mit der integrierten Kamera ein Bild, welches innerhalb von wenigen Sekunden klassifiziert wird. Als Rückmeldung erhält er 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.



Konzern eBike

Ausgangssituation

Unter dem Motto Schaffung eines innovativen Fahrrads mit elektrischem Antrieb und noch nie da gewesenen Features startete die EFS im Jahr 2014 im Rahmen einer Kooperation mit den Marken Audi und Volkswagen auf einem weißen Blatt Papier, um binnen eines Jahres ein Konzept eines konzernübergreifenden, modularen Baukastens für e-Fahrräder zu entwickeln. Neben einer Vielzahl einzigartiger Features sollten gerade auch Kompetenzen des modernen Fahrzeugbaus in diese Branche portiert und appliziert werden, um für ein völlig neues Fahr- und Sicherheitserlebnis zu sorgen. Anhand mehrerer funktionstüchtiger Demonstratoren sollte die Technologie erfahrbar gemacht und Potential für neue und alternative Mobilitätskonzepte in diesem Segment geweckt werden.

Details

Die EFS zeichnete sich in diesem Kontext verantwortlich für Konzept, Architektur und Entwicklung einer allumfassenden elektrischen und elektronischen Fahrzeugvernetzung im Fahrradbaukasten, inklusive derer zentralen Softwarebausteine. Mit nicht weniger als 26 Komponentenpartnern wurden Konstruktion und Vernetzungsparameter der Komponenten, Sensorik/Aktuatorik sowie deren Steuergeräte abgestimmt und am Prototypen-Kabelbaum auf- und verbaut.

Um eine realistische Aussage zur Machbarkeits- und Perspektivanalyse eines solchen Fahrradmodulbaukastens zu erhalten, erfolgte auch die Entwicklung der Prototypen möglichst nah an einer potentiellen Serienentwicklung der Räder. Dank jahrelanger EFS-Erfahrung im Bereich seriennaher automotive Hard-/ und Softwarevorentwicklung konnte binnen kürzester Zeit ein individuelles, nach Maßstäben der Automobilindustrie äußerst seriennahes Fahrradsteuergerät entworfen und gefertigt werden.
Mehrkernprozessor, Serienbetriebssystem und AUTOSAR konforme SW-Entwicklung ergaben ein solides Fundament, um neben Connectivity Diensten wie Display- und Smartphoneanbindung - in der Fahrradwelt noch nie dagewesen - sicherheitsrelevante Keyfeatures zu realisieren. Mit den Kooperationspartnern wurden die in der Automobilindustrie etablierten Systeme eines Automatikgetriebes mit parametrierbarer Schaltstrategie, eine individualisierbare dynamische Dämpferregelung sowie der Weltneuheit eines Fahrrad-ABS für die Zieldomäne neu entwickelt und im Rahmen der Systemintegration durch EFS vernetzt. Stabilität und Sicherheit konnten deutlich erhöht werden, indem sowohl das Blockieren des Vorder- oder Hinterrades, als auch ein drohender Überschlag erkannt und verhindert wurden. Möglich wurde dies unter anderem durch eine eigens hierfür entwickelte und patentierte Strategie der Geschwindigkeitsberechnung für Zweiräder in Grenzsituationen. Für einen Komfortgewinn sorgte der Einsatz magnetorheologischer Stoßdämpfer. Die erforderliche Dämpfung wurde innerhalb Millisekunden automatisch an das gewählte Fahrprogramm sowie an Fahrzustand und Bodenbeschaffenheit angepasst.

In allen drei Feldern kam die Kompetenz der EFS in der Reglerentwicklung zum Einsatz.

Ergebnis

Letztlich standen zu Ende der Projektphase drei fahrtüchtige Prototypen mit unterschiedlichem Markenbranding zur Verfügung, an welchen sich die oben genannten und weitere innovative Features erfahren lassen.

Pessimizer - zur Sonne und zurück

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 den EFSlern 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 EFS 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 Konkurrenten 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.



Toolevaluierung

Was war das Problem?

Der reale Fahrversuch als zentraler Bestandteil des heutigen Entwicklungsprozesses kann den wachsenden Anforderungen hinsichtlich Qualität aufgrund zunehmender Komplexität der vernetzten Fahrfunktionen und Quantität, bei gleichzeitig abnehmender Prototypenverfügbarkeit, nicht gerecht werden. Mit dem virtuellen Fahrversuch kann beiden Herausforderungen adäquat begegnet werden. Die Anzahl und der Umfang auf dem Markt verfügbarer Tools für den Aufbau von Simulationssystemen für den virtuellen Fahrversuch hat in den letzten Jahren durch den wachsenden Entwicklungsfokus der Automobilhersteller auf hochautomatisierte Fahrfunktionen (SAE Level 3 und höher) stark zugenommen. Aufgrund dieser Dynamik muss sich die Entwicklung zwangsläufig in regelmäßigen Abständen die Frage stellen, ob aktuell eingesetzte Projektlösungen immer noch den Stand der Technik darstellen oder inzwischen Lösungen mit besserer Absprungbasis existieren. Gleichzeitig muss es das Ziel sein, eine einheitliche Toolkette über möglichst viele Entwicklungsdomänen und Funktionen hinweg mit standardisierten Prozessen zu etablieren, um einerseits Synergien heben zu können und andererseits die Akzeptanz und Verbreitung von virtuellen Entwicklungsmethoden zu erhöhen.

Wie haben wir geholfen?

Bereits heute werden in der EFS viele wichtige Bestandteile der virtuellen Prototypen kooperativ mit unseren Kunden entwickelt. Dadurch sind nicht nur die Anforderungen der beiden Domänen Fahrwerk und Fahrerassistenz / Hochautomatisiertes Fahren bekannt, sondern es existiert auch das Wissen mit dem Spagat zwischen entwicklungsbegleitendem Test und freigaberelevanter Absicherung umzugehen. Dieses Know-how wurde Anfang 2019 in einem Geschäftsfeldübergreifenden Scrum Team gebündelt um die bestmögliche, simulationsbasierte Toolkette zur Entwicklung und Absicherung von Fahrerassistenzfunktionen bis Level 2.5 am Beispiel eines Staupiloten zu evaluieren. Das Projekt wurde in zwei Phasen aufgeteilt. Die erste Phase umfasste die Grobevaluierung, in der die Abgrenzung der betrachteten Toolkette, Marktanalyse und Zwischenbewertung durchgeführt wurde. Die zweite Phase umfasste die Feinevaluierung, in der mit ausgewählten Tools zwei Prototypen aufgebaut und die Endbewertung durchgeführt wurde.

Was war das Ergebnis?

Die im Jahr 2019 in der EFS durchgeführte Toolevaluierung zur vollständigen Marktanalyse aktuell verfügbarer Tools für die Simulation von hochautomatisierten Fahrfunktionen hat gezeigt, dass Lösungen mit großem Potential für unsere Entwicklungsprojekte existieren und eine gesamtheitliche Toolkette umsetzbar ist. Wir arbeiten stetig daran diese Ergebnisse in aktuellen und zukünftigen Projekten für unsere Kunden und eigene Produkte nutzbar zu machen.

Forschungsprojekt SAVe

Entwicklung eines virtuellen Testfelds am Beispiel Ingolstadt für das Testen und Absichern automatisierter Fahrfunktionen

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 Bürger im Hinblick auf deren Akzeptanz evaluiert.

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