Titelbild
Projekthaus METEOR

Programm

Der IBS-Workshop Automotive Software Engineering – Virtuelle Absicherung führt Experten aus Industrie und Forschung zusammen. Die eintägige Veranstaltung ermöglicht den informellen Austausch und die konstruktive Erörterung konzeptioneller Ideen.

Das Programm für den IBS ASE Workshop 2018 steht zum DOWNLOAD bereit. Online Program.

Hier finden Sie die Kurzfassungen zu den Worksphop-Präsentationen:


Adaptive Sensormodellierung: Virtuelle Sensorintegration in der Funktionsabsicherung zum hoch- und vollautomatisierten Fahren
Kurzfassung

Der Testprozess mit den hohen Sicherheitsanforderungen aus der Norm ISO 26262 ist eine elementare Herausforderung in der Entwicklung von Fahrerassistenzsystemen. Die daraus abgeleiteten EuroNCAP-Tests für Fahrzeugsicherheit resultieren einen hohen Testaufwand, der nur unter der Zuhilfenahme von virtuellen Absicherungsverfahren bewältigt werden kann. Einen wichtigen Beitrag liefert dabei die virtuelle Integration an den Hardware-in-the-Loop (HiL) Prüfständen. Mit diesen Prüfständen werden die einzelnen Steuergeräte und Sensoren für die Assistenzsysteme im Systemverbund getestet und sie benötigen daher die Einbindung von Sensormodellen. Ein adaptiver Sensormodellierungsansatz soll untersucht werden, um dem steigenden Testumfang in der virtuellen Integration gerecht zu werden. Die zunehmenden Anforderungen in der virtuellen Integration an den HiL-Prüfständen haben ihren Ursprung in der komplexen Stimulation der Steuergeräte zur Absicherung einer zunehmenden Anzahl an Fahrerassistenzfunktionen. Die Methode zielt dabei darauf ab, ein generisches Sensormodell automatisiert auf das Verhalten eines realen Sensors anzupassen. Die Modelle werden dabei auch dem Prozess der virtuellen Integration gerecht. So können die Sensormodelle mit fortschreitender Integration und Absicherung erweitert werden, um den steigenden Testumfängen Rechnung zu tragen. Mit diesem Ansatz wird vor allem die frühzeitige Einbindung der Sensormodelle in die Prüfumgebung verbessert und es erhöht sich damit allgemein die Bedeutung der virtuellen Sensorintegration. Weiterhin werden die Sensormodelle an den schrittweisen Prozess der virtuellen Integration angepasst.

Autor: Alexander Prinz, Marcus Martinus, BMW AG


Hochautomatisiertes Fahren und der Weg vom Labor in die Cloud
Kurzfassung

Die Absicherung komplexer vernetzter Fahrzeugfunktionen ist eine der wichtigsten Phasen im gesamten Entwicklungsprozess eines Automobilherstellers. Die zunehmende Anzahl an Soft- und Hardwarebausteinen im Fahrzeug erfordert den Einsatz von modernsten Integrations-, Test- und Absicherungsmethoden und –werkzeugen. Um diese Absicherung der Fahrzeugfunktionen gewährleisten zu können, müssen viele Millionen Testkilometer virtuell abgefahren werden. Dafür müssen neue Prozesse, Methoden und Tools entwickelt werden, die eine kontinuierliche Absicherung der Fahrzeugfunktionen ermöglichen. Um die große Masse an Testkilometern abfahren zu können werden Cloud Technologien verwendet. Im Rahmen des Scalable Engineering Stack (SES) werden dem Nutzer on-premise und off-premise Ressourcen in der Cloud zur Verfügung gestellt. Zudem stehen verschiedene Services zur Verfügung, die einen vollautomatisierten, durchgängigen Test- und Absicherungsprozess sicherstellen.

Autor:Philip Weitl, Dr.Thomas Gruber, Constatin Brueckner AUDI Ag

Fahrermodelle und Umgebungsverkehr in der digitalen Erprobungsfahrt
Kurzfassung

Damit die digitale Erprobungsfahrt belastbare Ergebnisse liefern kann, müssen re alistische Simulationswerkzeuge zum Einsatz kommen. Der folgende Beitrag befasst sich mit der Modellierung von Fahrverhalten und Umgebungsverkehr am Cluster-HiL der Daimler AG in Sindelfingen. Der Fahrer stellt einen wichtigen Teilaspekt der digitalen Erprobungsfahrt dar. Er bedient die Systeme und steuert das Fahrzeug in Interaktion mit der Umwelt und dem Mitverkehr. Ein e igens entwickeltes Fahrermodell – Framework dient dazu, Fahrer mit verschiedenem Komplexität sgrad in eine Simulation zu integrieren. So arbeite n sowohl der Fahrer des zu testenden Fahrzeugs, als auch der Fahrer im Mitverkehr mit den gleichen Schnittstellen zur Simulation. Die Implementierung des Ego – Fahrzeug Fahrers wird in einem zukünftigen Beit rag vorgestellt. Zur Generierung des Umgebungsverkehrs wurde beim letzten Workshop bereits die Kombination der Simulationsumgebung VTD mit der Verkehrssimulation SUMO vorgestellt. Alternativ wird die validierte Simulation von realistischem Autobahnverkehr, die im Daimler Fahrsimulator zum Einsatz kommt, in die HiL Umgebung integriert. Der Verkehr in dieser Simulation entsteht aus der Interaktion der oben erwähnten Fahrermodelle , die mit stochastischen Parametersätzen , passend zum jeweiligen Fahrertyp, ausge stattet werden. Die Verteilungen der Modellparameter stammen dabei aus statistischen Auswertungen aufgezeichneter Fahrdaten der Daimler AG. Simuliert wird lediglich ein vorab definierter Bereich um ein beobachtetes Fahrzeug herum. Die Ausgestaltu ng des Fah rverhaltens kann vom Entwickler übernommen werden, wodurch die Freiheit besteht, bestimmte Verhaltensweisen konkret zu implementieren. Die Ansätze stehen für die modernen Simulationswerkzeuge, die im Rahmen der digitalen Erprobungsfahrt zum Einsatz kommen. Das Fahrermodell – Framework kann beliebig für kommende Funktionen erweitert werden , und a us dem Vergleich der Verkehrssimulationen resultieren Anwendungsbereiche und weitere Modellierun gsgebiete .

Autor: Kober Christopher, Wohlfahrt Christoph, Lier Jan, Schmid Hermann, Schmerler Stefan, Daimler AG

Effizientes Testen hochautomatisierter Fahrfunktionen durch optimierte Parametervariation
Kurzfassung

Für die Freigabe einer hochautomatisierten Fahrfunktion muss der Nachweis erbracht werden, dass sie ihre Aufgabe mindestens so gut bewältigt wie ein menschlicher Fahrer. Um dies abzusichern, muss ein enorm großer Raum von Fahrszenarien möglichst lückenlos untersucht werden.

Zur Erzeugung einer entsprechenden Testsuite werden generische Fahrszenarien, welche eine Vielzahl freier Parameter enthalten so konkretisiert, dass virtuell ausführbare Szenarien entstehen. Dieser Vorgang wird als Parametervariation bezeichnet.

Unter bestimmten Annahmen für Fahrfunktion, Fahrszenarien und Parameterräume können geeignete Methoden der Parametervariation einen wesentlichen Beitrag zum Sicherheitsnachweis der Fahrfunktion leisten. Dabei ist ihre Augabe, eine möglichst hohe Testraumabdeckung zu erreichen, also möglichst alle kritischen konkreten Fahrszenarien ermitteln, und gleichzeitig den Testaufwand sowie die Geschwindigkeit der Testausführung möglichst gering zu halten.

In diesem Vortrag stellen wir verschiedene Methoden der Parametervariation vor und bewerten sie anhand realistischer Fahrszenarien und synthetischer Zielfunktionen. Neben klassischen kombinatorischen Verfahren betrachten wir Verfahren der mathematischen Optimierung, evolutionäre Verfahren und Verfahren des maschinellen Lernens. Wir präsentieren alle Methoden anhand einer standardisierten Toolkette für Testautomatisierung, Umfeldsimulation und Testergebnisbewertung.

Autor: Fruth Mathias, Ostwald Jakub, TraceTronic GmbH

Simulationsframework für effiziente Entwicklung von kooperativen Fahrerassistenzsystemen
Kurzfassung

Die Entwicklung von Fahrerassistenzsystemen, mit dem Ziel des hochautomatisierten Fahrens, verzeichnete in den letzten Jahren erstaunliche Fortschritte. Zukünftige Assistenzsysteme sollen den Fahrer bei der Fahrzeugführung nicht nur unterstützen, sondern nahezu ablösen. Die Erstellung der softwareseitigen Lösung für eine zuverlässige, hochautomatisierte Fahrzeugführung gestaltet sich allerdings aktuell als herausfordernd. Gründe dafür sind, dass die Komplexität solcher Lösungen gerade im urbanen Bereich sehr hoch ist. Zudem sind Anforderungen an Zuverlässigkeit, Robustheit und Verfügbarkeit solcher Systeme immens, um die nötige gesellschaftliche Akzeptanz dieser Systeme zu erreichen. Aus diesem Grund ist ein leistungsfähiges Simulationsframework für die Algorithmen-Entwicklung unverzichtbar. Das aktuell von der IAV GmbH verwendete Automatisierungs-Framework zur Fahrzeugführung besteht zum einen aus einer ADTF-Komponente, mit welcher Funktionen zur Sensordatenfusion und der Umfelderkennung sowie zur Fahrstrategie- und Fahrdynamiktrajektorieplanung realisiert sind. Zum anderen wird die unterlagerte Regelung der Längs- und Querdynamik mittels Matlab/Simulik realisiert.

Der vorliegende Beitrag präsentiert den ersten wichtigen Schritt zur Umsetzung eines holistischen Simulationsframeworks, welches effiziente Systemtests im Bereich des hochautomatisierten Fahrens ermöglichen soll. Für diese erste Ausbaustufe des langfristig geplanten Frameworks wurden Quer- und Längsdynamikmodelle der Fahrzeuge in Matlab aufgestellt und in Rahmen von zahlreichen Testfahrten parametriert. Des Weiteren wurde SUMO, eine freie Software für die Straßenverkehrssimulation vom DLR, integriert, um erste Closed-Loop Tests von ausgewählten Fahrfunktionen durchführen zu können. SUMO ermöglicht die Modellierung und Simulation von komplexen, urbanen Verkehrsszenarien, konzentriert sich dabei jedoch auf eine stark diskretisierte bzw. idealisierte Modellierung der Fahrzeugdynamik und Fahrzeugumgebung. Auf diese Weise kann im Rahmen der Closed-Loop Tests der Fokus auf die tatsächlich zu testenden Fahrfunktionen gelegt werden, während Funktionen zur Umfelderkennung zu diesem Zeitpunkt noch ausgeblendet werden können.

Autor: Schrödel Frank, Jungmann Alexander, IAV GmbH

Virtuelle Absicherung am Beispiel eines Notbremssystems – Nutzen und Grenzen
Kurzfassung

Im Gengensatz zu Prototypen oder Demonstratoren für Machbarkeitsstudien, erfordert die Entwicklung eines Fahrerassistenzsystems (ADAS) bzw. einer automatisierten Fahrfunktion für den Serieneinsatz eine umfangreiche und systematische Validierungsstrategie. Im Rahmen dieses Vortrags möchten wir unser Konzept bzw. Erfahrungen für die virtuelle Validierung eines Umfeldmodells sowie einer Fahrfunktion für ein automatisches Notbremssystem (AEBS) vorstellen. Der vorgestellte Ansatz besteht aus einer virtuellen Open/Closed-Loop-Simulation, die 1) einen systematischen Szenariokatalog mit mehreren tausend Testfällen in Anlehnung an Euro NCAP implementiert, 2) statistisch fehlerbehaftete Sensormessungen für ein Rohdatenradar bereitstellt und 3) damit ein Umfeldmodell bzw. eine AEB-Fahrfunktion stimuliert. Die Ergebnisse werden automatisch gegen das spezifizierte Normverhalten verglichen, Bewertungsmetriken berechnet sowie Abweichungen dokumentiert und letztendlich als interaktiver Testreport aufbereitet. Um die Auswirkungen von Implementierungsänderungen bzw. Regressionen frühzeitig zu erkennen wird dieser Workflow außerdem automatisiert im Rahmen einer Continuous Integration (CI) Infrastruktur betrieben. Das vorgestellte Konzept kann beispielsweis im Rahmen des ASPICEProzessmodells in der Prozessgruppe Software Qualification Test Anwendung finden. Neben der prinzipiellen Vorstellung des Konzepts soll in dem Vortrag auch auf Grenzen eingegangen sowie ein Vergleich zur „klassischen“ Erprobungsfahrt gezogen werden.

Autor: Hänchen Felix, Obst Marcus, BASELABS Group Gmbh

AIl for “Information Upcycling” to extract high level test scenarios for future autonomous vehicles
Kurzfassung

Features in an autonomous vehicle use information provided by sensors and systems that perceive the surrounding environment. The immense amount and type of data to be validated can be termed as Big Data. This demands a paradigm shift in test and validation process. We present the methodology of “Information Upcycling”, connecting real world test and validation to that with the laboratory. Using multiple trained deep neural networks (AI-Core), we extract static and dynamic entity information converting it into a digitalized general format (DGF). DGF data can be used in the Software-in-the-Loop (SiL) tool to facilitate large scale virtual tests, where the execution of millions of kilometers of virtual test only takes a few hours. In parallel, DGF data which was previously upcycled from inbuilt and reference sensor information, is then used to extract and classify scenarios based on high level automotive features and requirements. Here we focus on a scenario-based testing approach, where cluster heat maps are generated based on test results which are updated after each test. This also allows automatic selection of the next test case that is best to be executed. Based on testing requirements, the AI-Core will also produce new scenarios to concentrate on bugs and hotspots. Abstract scenarios are used to generate realistic synthetic data which can be used in Hardware-in-the-loop (HiL), including component and system level testing. Later critical tests are repeated using automated vehicles in a proving ground. Using AI for “Information Upcycling” we test and validate autonomous vehicles more efficiently than ever before and cover each T&V level in a development process.

Autor: M.Eng Harsha Jakkanahalli Vishnukumar, Dr. Christian Müller, Dr. Björn Butting, Dipl.Inf Martin Seufert, MBtech Group

From Road to Rig for automated vehicles
Kurzfassung

Road to Rig also die bernahe on ahrzklen on er trae in die Simulation oder an den in die Simulation oder an den Prüfstand, hat die Entwicklungs-Methoden des Powertrains sowohl auf Entwicklungs- als auch auf der Test- und Zertifizierungs-Seite maßgeblich beeinflusst. In der Entwicklung von modernen Fahrerassistenz-Systemen hat diese Vorgehensweise noch keinen durchgängigen Einsatz gefunden. Dies hat mehrere Gründe. Unter anderem fehlen zuverlässige, serienreife Werkzeuge, zum anderen gibt es keinen klaren vom Gesetzgeber vorgeschriebenen Rahmen. Klar ist, dass die klassische „proven-in-use“ Validation und Zertifizierung von Fahrzeugen auf Test-Strecke und öffentlicher Straße bei der Betrachtung der Komplexität des Umfelds moderner Assistenzsysteme nicht ausreichen wird. Es würde die berüchtigte unfallfreie Strecke von 100.000.000km benötigen um eine Variantes eines automatisierten Fahrzeugs sicher freigeben zu können. Dies ist sowohl zeitlich als auch finanziell derzeit nicht umsetzbar. Deshalb müssen bereits bestehende Methoden angepasst werden und neue Methoden entwickelt werden. Dieser Beitrag zeigt die Herausforderungen und bereits bestehende Ansätze um Szenarien auf der Straße (Real-World-Szenarios) zu erfassen, zu verarbeiten, für die Umgebungs-Simulation vorzubereiten und Umgebungen, in denen diese für verschiedene DuT abgespielt werden können. Angefangen bei Lösungen für Referenz-Messsystemen, hin zur Verarbeitung der gemessenen (Objekt-)Daten direkt im Fahrzeug als auch in (Szenario-)Datenbank-Systemen bis zur Möglichkeiten der Darstellung von Fahrzeug-Tests am Prüfstand hier it besonere ugenerk auf ie „erThe-ir“-Stimulation von Sensoren. Besonders die Masse und die neue Art der Daten (Video und Objekt-Streams) ist eine Herausforderung für aktuelle auf Signaldaten ausgelegte Systeme. Hier werden Lösungsmöglichkeiten über neue Standards (z.B. OSI – Open Simulation Interface) aufgezeigt. Selbst wenn die Daten und Szenarien in Datenbanken abgelegt werden können, ist die Methode der Auswertung zur Auswahl der wirklich relevanten Szenarien einer der Haupt-Forschungsfragen, welcher sich Forschungs-Projekte wie z.B. ENABLE-S3 und Pegasus widmen. Auf relevante Ergebnisse aus diesen Projekten wird eingegangen.

Autor: Metzner Steffen, Leitner Andrea, Düsser Tobias, AVL Gmbh

TUC Drive Cloud
Kurzfassung

Automotive diagnosis data are useful for the automotive OEMs and third parties in order to analyze the vehicle performance and driving behavior. This data can be access and read in real time situation using the On-Board Diagnosis system which is located inside the vehicle and is accessible by its socket. However, as the diagnosis data are in real time and not being stored, analyzing them is not easy. Therefore, in this project, a program on Raspberry Pi will be developed which is going to read diagnosis data and store them in a cloud database. The cloud database will handle the data storage and keep the data for further analysis and evaluations. The database will be accessible everywhere as it is using cloud technology. On the other hand, in order to provide easy and meaningful access to the data, a web application is developed in order to visualize the data by means of Graphs, Texts, and maps.

Autor: Zamani Farshad, Muhlmann Isabel, Prof. Dr. Wolfram Hardt,TU Chemnitz

Bestimmung des Neuheitswerts von virtuellen Testfahrten
Kurzfassung

Kurzfassung Die Entwicklung von automatisierten Fahrerassistenzsystemen und dem autonomen Fahren ist in den letzten Jahren immer weiter in den Fokus der Automobilindustrie gerückt. Ein Problem bei der Absicherung solcher Systeme ist, dass sie nicht mehr wie aktuelle Fahrerassistenzsysteme lediglich auf andere Verkehrsteilnehmer reagieren, sondern auch mit ihnen interagieren. Dadurch werden zwangsweise neue Situationen und Szenarien entstehen, die somit noch unbekannt sind. Etablierte Testkonzepte im Automotive System Engineering setzen auf systematisches Testen mittels synthetisch generierten Testfällen. Diese Testfälle werden auf Erfahrungsbasis von ausgebildeten Testingenieuren erstellt und beinhalten vordefinierte Testschritte, die den Testfall und die erwartete Ausgabe vollständig beschreiben. Um den Herausforderungen von hochautomatisierten Fahrfunktionen begegnen zu können, gibt es den Ansatz der digitalen Erprobungsfahrt, der versucht, eine reale Erprobungsfahrt in einer Simulation nachzubilden. Dafür wird eine virtuelle Testfahrt um Varianz und Zufall, in Form von realen Fahrer- und Verkehrsmodellen, erweitert. Durch einen manöverbasierten Ansatz ist eine Bewertung von unterschiedlichen Systemen ohne Vorwissen des vorliegenden Szenarios möglich. Um darauf aufbauend Aussagen bezüglich einer Freigabeempfehlung geben zu können, ist es allerdings notwendig, die simulativ gefahrenen Kilometer hinsichtlich ihrer Aussagekraft zu bewerten. Dafür wird in diesem Beitrag eine Methodik vorgestellt, die es erlaubt Fahrten innerhalb einer digitalen Erprobungsfahrt hinsichtlich ihres Neuheitswertes zu bewerten. Der Neuheitswert wird durch ein auf neuronalen Netzen basierendes Verfahren der Ausreißererkennung bestimmt und gibt an, ob die vorliegende Testfahrt bisher durchgeführten Testfahrten ähnelt oder ob neue, bis dahin unbekannte Elemente enthalten sind. Dazu wird keine explizite Definition der Neuheit benötigt, sondern automatisiert beurteilt inwiefern vorher noch nie aufgetretene Situationen in den Testfahrten enthalten sind. Somit ist eine Aussage möglich, ob die durchgeführte virtuelle Testfahrt zu einer Erhöhung der Testabdeckung beigetragen hat oder nicht. Zudem können die Ergebnisse der Funktionsbewertung mit dem Neuheitswert der jeweiligen Situation verknüpft werden. Dies erlaubt eine bessere Einordnung der Ergebnisse der funktionalen Bewertung und eine Aussage über die Qualität und Relevanz der zufällig gefahrenen Kilometer. Durch die vorgestellte Methodik wird eine neue Metrik eingeführt, die Aussagen zur effizienten Erhöhung des Testumfangs ermöglicht.

Autor: Ries Lennart, King Christian,Otten Stefan, Sax Eric, FZI Forschungszentrum Informatik

Kooperationspartner werden
Industrieunternehmen mit Interesse am intensiven Austausch mit der Wissenschaft sind eingeladen, Kooperationspartner des IBS-Workshops zu werden. Mit Ihrem Beitrag von 50€ unterstützen Sie den Dialog zwischen Wissenschaft, Industrie und Nachwuchs. Kooperationspartner werden
Wichtige Termine
Annahmeschluss Beiträge: 11. April 2018
Benachrichtigung: 25. April 2018
Anmeldung: 05. Juni 2018
Kooperationspartner