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: Robustes, leistungsstarkes Datenaufzeichnungssystem im Fahrzeug zum Aufzeichnen von Sensorrohdaten und Fahrzeugbusdaten
• Datenanreicherung: Automatisierte Datenanonymisierung und Datenannotation (Ground Truth) in höchster Qualität
• Szenariogenerierung: Automatisierte Generierung von Simulationsszenarien aus Sensorrohdaten oder Objektlisten
• Sensorrealistische Simulationen: Hochrealistische, physikalische Simulation von Kamera-, Lidar- und Radarsensoren
• Datenwiedergabe: Zeitsynchrone Wiedergabe von Sensorrohdaten und Fahrzeugbusdaten mit außergewöhnlich hoher Streaming-Bandbreite
• Szenariobasiertes Testen: Validierung von Perzeptions-, Fusions- und Planungsalgorithmen für autonomes Fahren durch automatisches Durchführen und Evaluieren von Millionen von Tests
• Daten- und Testmanagement: Zentrale Verwaltung von Simulations- und Testdaten (einschließlich Varianten-Handling und Workflow-Management)
• Simulationsplattform: End-to-End-Lösung für SIL, HIL und umfangreiche Simulation in der Cloud
• Release-Tests: Planung der Validierungs- und Verifikationsstrategie gemäß ISO 26262 und ISO/PAS 21448 (SOTIF) für die Homologation mit optimierten Prozessen.

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.