Die datengetriebene Entwicklung ist heute in vielen Branchen ein dominierender Ansatz für die Software-Entwicklung. Sie ist eine Antwort auf eine neue Ära der Software-Entwicklung, in der maschinelles Lernen eine Kernkomponente darstellt. Dieser neue Entwicklungsansatz macht die Entwicklung einfacher, schneller und effizienter, da er die neuen Aspekte und Herausforderungen bei der Entwicklung von KI-basierten Funktionen berücksichtigt. Im Automobilsektor stützt sich die Entwicklung von Funktionen für ADAS und autonomes Fahren auf Modelle des maschinellen Lernens, die die komplexe Situation rund um das Fahrzeug analysieren. Um diese Modelle zu entwickeln und zu konfigurieren, sind Beispieldaten von Sensoren aus der realen Welt erforderlich – und zwar eine Menge Daten. Die Menge der Daten ist so groß, dass deren Aufbereitung den größten Teil der Zeit (und Ressourcen) in der Entwicklung in Anspruch nimmt. Wenn sich also die Ressourcenzuweisung innerhalb des Entwicklungsprozesses verschoben hat, muss sich auch der Schwerpunkt der Entwicklungsoptimierung verschieben. Wenn mehr Geld für die Aufbereitung der Daten als für das Schreiben von Code ausgegeben wird, sollte die Aufbereitung der Daten ein Schwerpunkt der Kostenoptimierung werden. Diese Schwerpunktverlagerung wird durch den datengetriebenen Entwicklungsansatz aufgegriffen.
Unsere Lösungshighlights
- Integrierte Datenpipeline für die kontinuierliche Entwicklung von Funktionen auf der Grundlage des maschinellen Lernens
- Schwerpunkt auf der Entwicklung von Funktionen für ADAS und autonomes Fahren
- Durchgängiges Werkzeug-Ecosystem für datengetriebene Entwicklung von dSPACE und Partnern
- Einsatz von KI zur Kostensenkung und Prozessvereinfachung
Unser Lösungsangebot
Ein kontinuierlicher Datenfluss in der Datenpipeline ohne Engpässe an den Schnittstellen ist ein entscheidender Aspekt für eine hocheffiziente Entwicklung. dSPACE bietet Lösungen, mit denen Sie einen reibungslosen Datenfluss realisieren können. Unsere Hauptbereiche zur Unterstützung der datengetriebenen Entwicklung:
Data Logging
ADAS/AD-Daten schneller und kostengünstiger verfügbar machen
Daten aus realen Verkehrssituationen sind die Schlüsselressource, um autonome Mobilität zu einer sicheren Realität werden zu lassen. Unsere Aufgabe besteht darin, Ihre Datenaufzeichnungssysteme in die Lage zu versetzen, auf neue Iterationen nach dem Training und der Validierung schnell zu reagieren, was wiederum kürzeste Datenzyklen ermöglicht. Zu diesem Zweck bieten wir Ihnen eine umfassende Lösung für eine flexible Datenaufzeichnung im Fahrzeug, einen erweiterten Dateneinblick und eine integrierte Datenaufnahme.
Datenannotation
Annotation und Anonymisierung in erstklassiger Qualität und mit Automatisierung
Die Entwicklung von ADAS und Systemen für autonome Fahrzeuge erfordert das Labeln einer großen Anzahl von Objekten und Attributen aus Datenaufzeichnungen für die spätere Verwendung im Entwicklungsprozess. Nur ein sehr hoher Automatisierungsgrad macht diese Annotationsprojekte innerhalb eines erschwinglichen Budgets und vorgegebenen Zeitrahmens realisierbar. Darüber hinaus ist die Anonymisierung von Gesichtern und Nummernschildern in aufgezeichneten Daten zu einer globalen Anforderung geworden. dSPACE bietet mit seinem Konzernunternehmen understand.ai die richtigen Lösungen, um diese hohen Anforderungen zu erfüllen.
Sensordatenmanagement
Kein Datenvolumen ist zu groß, wenn Sie über ein effizientes Datenmanagement-Tool verfügen.
Ein leistungsstarkes Datenmanagement unterstützt Sie bei der Zentralisierung, Speicherung, Suche, Filterung, Vorschau, Nachbearbeitung und Analyse Ihrer aufgezeichneten Daten zur datengetriebenen Entwicklung von Funktionen für ADAS/automatisiertes Fahren und andere Mobilitätsanwendungen. Mit der dSPACE Lösung für Sensordatenmanagement finden Sie in Petabytes von Verkehrsdaten schnell, was Sie suchen.
Szenariogenerierung
Datenwiedergabe
Validierung von ADAS/AD-Komponenten mit Hilfe aufgezeichneter Daten
Um die Sicherheit von ADAS/AD-Systemen zu gewährleisten, ist die Verwendung von aufgezeichneten Daten aus der realen Welt in den Zulassungs- und Freigabestrategien unerlässlich. Denn im Gegensatz zu synthetischen Simulationsdaten ist der Grad der Realitätsnähe der Daten unbestreitbar.
