End-to-End-Entwicklungs- und Testumgebung

Damit Sie die Idee vom autonomen Fahren auf die Straße bringen können, bietet dSPACE umfassende Lösungen und Dienstleistungen für die datengetriebene Entwicklung und Validierung. Dies gewährleistet eine durchgängige, effiziente Datenverarbeitung in allen Entwicklungsphasen, von der Datenaufzeichnung bis hin zu Freigabetests.

• Data logging: robust in-vehicle data logging system with outstanding performance for recording sensor raw data and vehicle bus data
• Data enrichment: data selection, anonymization, and annotation (ground truth) with best-in-class quality
• Machine learning & in-vehicle prototyping: Big data management, AI training, and systems for in-vehicle prototyping
• Data replay: time-synchronous replay of sensor raw data and vehicle bus data with exceptionally high streaming bandwidth
• Production software development: modeling, high-quality code generation, and verification for AUTOSAR Classic and Adaptive, and other platforms
• Scenario generation: automated generation of simulation scenarios from sensor raw data or object lists
• Vehicle, environment, and sensor simulation: highly realistic and validated simulation models
• Scenario-based testing: validating software for autonomous driving by automatically performing and evaluating millions of tests with an end-to-end solution for SIL, HIL, and simulation in the cloud
• Data and test management: central management of measurement, simulation, and test data
• Release testing: verification and validation strategy according to ISO 26262 and ISO/PAS 21448 (SOTIF) to achieve homologation with optimized processes
• End-of-line sensor testing: precise, cost-efficient, high throughput testing of radar control units
• Periodic technical inspections: verifying functionality, safety, and conformity of radar-based environment detection units for vehicles

Die Wirkkette des autonomen Fahrens besteht im Allgemeinen aus unterschiedlichen Verarbeitungsstufen. Vorab müssen die Rohdaten des Sensors vorverarbeitet werden (Perzeption). Ziel dabei ist, Eigenschaften, statische und dynamische Objekte sowie Bereiche in der Fahrzeugumgebung auf Basis einzelner Bilder oder von Reflexionspunkten zu erkennen. Anschließend werden die Ergebnisse zusammengeführt und zu einem konsistenten Umgebungsmodell zusammengefasst (Datenfusion). Dafür ist die Zeitsynchronisierung und -korrelation der Sensordaten entscheidend. Zudem ist es notwendig, den genauen Standort und die Fahrspurposition des Fahrzeugs anhand einer hochauflösenden Karte zu kennen (Lokalisierung).

Basierend auf dem Umgebungsmodell werden die Situation um das Fahrzeug herum analysiert, potentielle Fahrtrajektorien geplant, die Entscheidung für das jeweilige Manöver getroffen und die Längs- und Quersteuerung ausgeführt.

Eine detaillierte und umfassende Simulation der realen Welt ist die Basis für eine erfolgreiche Absicherung. Sowohl der Einsatz geeigneter Sensormodelle als auch die Integration realer Sensoren mit der Testumgebung spielen eine entscheidende Rolle. Sensormodelle gibt es sowohl in technologieunabhängigen Varianten, die Objektlisten direkt aus den Informationen generieren, die das Umgebungsmodell liefert, als auch in phänomenologischer oder physikalischer Form. Diese Modelle werden üblicherweise auf leistungsstarken GPUs gerechnet und speisen die Rohdaten in die angeschlossenen realen Sensoren wie Kamera und Radar ein. Es gibt unterschiedliche Integrationsoptionen für die Sensoren, je nach Art der Daten und der zu stimulierenden Schicht. Diese Optionen können bis zur direkten Stimulation des Sensor-Front-ends reichen, entweder over-the-air (zum Beispiel mit Radar) oder über HF-Kabel mit GNSS (Globales Navigationssatellitensystem) oder V2X (Vehicle-to-X)-Signale. Die realen Sensoren in der Testumgebung sind oftmals unverzichtbar, da die Signalvorverarbeitung, die Sensordatenfusion und das Erstellen des Umgebungsmodells im Sensorsteuergerät großen Einfluss auf die Wirkkette haben.