Eine optimale Lösung für die datengetriebene Entwicklung beim autonomen Fahren besteht aus einer vollständig integrierten Pipeline zur kontinuierlichen Funktionsentwicklung, basierend auf maschinellem Lernen. Im Entwicklungsprozess wartet jedoch eine Vielzahl von Engpässen wie Inkonsistenzen bei Formaten und Schnittstellen, die eine häufige Ursache für Projektverzögerungen sind. dSPACE stellt sicher, dass Sie Ihre Herausforderungen in der Daten-Pipeline mit den richtigen Technologien, Methoden und umfassendem Know-how erfolgreich meistern.
Der zuverlässige Betrieb eines autonomen Fahrzeugs ist aufgrund der unendlichen Komplexität der realen Welt und der Fahrzeugumgebung eine hochkomplexe Aufgabe. Herkömmliche Problemlösungsansätze, wie einfache logische Vergleiche in Form von „If-then-else“, reichen nicht aus. Die Anzahl der Bedingungen ist grenzenlos. Die Entwickler müssen also einen völlig anderen Ansatz wählen, um diese Komplexität zu bewältigen. Dieser Ansatz konzentriert sich auf eine automatisierte Parametrisierung eines allgemeinen Modells anhand von Anwendungsfällen, anstatt das Problem hochgenau und vollständig durch handgeschriebenen Code zu lösen. Je mehr Daten eingespeist werden (Training), desto näher kommt das Parametrierungsergebnis dem erwarteten Ergebnis und desto sicherer wird das Fahrzeug. Dies ist ein relativ effizienter Weg, um ein autonomes Fahrzeug auf die Realität vorzubereiten, ohne vorher sein komplettes „Universum“ im Code definieren zu müssen – was unmöglich wäre. Daher wird dieser Entwicklungsprozess als datengetrieben oder datenzentriert anstelle von codezentriert bezeichnet. Für die Entwicklung bedeutet dies, dass sich die Prozesse an die Daten anpassen müssen, anstatt die Daten durch den bestehenden Prozess zu leiten. So werden die Daten, die Daten-Pipeline und die dazugehörigen Tools zum Mittelpunkt des Entwicklungsprozesses.
Erweiterte Datenaufzeichnung im Fahrzeug
Der Ausgangspunkt der Daten-Pipeline ist das Fahrzeug. Es sammelt alle Daten, die dann im Prozess verwendet werden.
Auf Fahrzeugebene sind die Datenquellen alle Sensoren, Busse und Netzwerke, die Informationen von fahrzeuginternen Sensoren und Steuergeräten übertragen. Das Fahrzeug und das Datenerfassungssystem sind auch der erste Ort, an dem viel bewirkt werden kann, um die Daten-Pipeline zu optimieren. Erstens müssen die bordeigene Infrastruktur und die Architektur des Loggers selbst eine schnelle und verlustfreie Datenübertragung von den I/O-Schnittstellen zum Datenspeicher unterstützen. Zweitens werden nicht alle aufgezeichneten Daten benötigt. Nur ein kleiner Teil der Daten ist wirklich wertvoll und wird Auswirkungen haben. Warum also nicht schon in einem sehr frühen Stadium auf die überflüssigen Daten verzichten, um Speicherplatz und Zeit zu sparen? Demzufolge werden nur die wertvollen Daten erfasst und gespeichert, während die überflüssigen Daten gelöscht werden. Das bedeutet, dass wir ein technisch leistungsfähiges und flexibles Datenerfassungssystem brauchen, aber auch Funktionen zwischen Erfassung und Speicherung, die sicherstellen, dass nur die richtigen Daten gespeichert werden. Hier kommt die dSPACE Lösung für intelligente Datenerfassung ins Spiel. Sie besteht aus Hardware und Software für die Erfassung, Software für die Datenaufnahme und -verwaltung sowie aus begleitenden Dienstleistungen. Ein zentraler Bestandteil dieser Lösung ist die AUTERA-Produktfamilie, die auf die Datenerfassung in anspruchsvollen ADAS/AD-Anwendungen zugeschnitten ist. Sie kann mit RTMaps, einer schlanken, aber leistungsfähigen Entwicklungs- und Protokollierungssoftware, und mit RTag, einer mobilen Tagging-Anwendung, kombiniert werden. dSPACE verfügt auch über die Technologie und das Know-how, um aufgezeichnete Datenmengen zu filtern und auf eine relevante Teilmenge zu reduzieren. Unsere Experten für künstliche Intelligenz helfen Ihnen gerne weiter. Auf Wunsch können dSPACE und seine Partner Sie auch mit einem speziellen Service für Fahrzeugausrüstung und Datenerfassung unterstützen.
Datenaufnahme – Bereitstellung von Daten für die Entwickler
Die Datenaufnahme-Pipeline ist ein Teil der Daten-Pipeline, die dafür sorgt, dass die Daten schnell und in der richtigen Qualität vom Fahrzeug zu den Software- und Testingenieuren fließen. Dies ist die zweite Stufe der DatenPipeline, mit der wir die Effizienz und Qualität steigern. Selbst wenn die Daten bereits während der Aufzeichnung intelligent gefiltert wurden, besteht in der Regel noch Raum für eine Datenreduzierung. Kameradaten zum Beispiel sind besonders speicherintensiv. Durch den Einsatz von mehr Rechenleistung und Nicht-Echtzeit-Verarbeitung können die Daten weiter reduziert werden. Dies kann außerhalb des Fahrzeugs geschehen, wo mehr Energie zur Verfügung steht. Wenn die Daten im Fahrzeug noch nicht gefiltert wurden, muss dies bei der Datenaufnahme nachgeholt werden, um das Datenvolumen zu reduzieren. Die Effizienz kann nur verbessert werden, wenn alle nicht benötigten, beschädigten oder unvollständigen Daten nicht übernommen werden. Diese Daten würden Speicherplatz beanspruchen, ohne einen zusätzlichen Nutzen zu bringen. Wenn diese Qualitätsprüfung nicht im Fahrzeug durchgeführt wird, ist die Aufnahme-Pipeline eine weitere Pipeline-Stufe, in der sie implementiert werden kann, um den erforderlichen Speicherplatz zu minimieren und damit Kosten zu sparen. Die Qualitätsprüfung umfasst unter anderem Formatprüfungen, Fehlerprüfungen und Konsistenzprüfungen. Eine weitere Datenreduzierung kann durch das Verständnis des Inhalts der Daten erreicht werden. Daher finden die Verarbeitung der Daten und die Extraktion bestimmter Metainformationen ebenfalls in der Aufnahme-Pipeline statt. Sie ermöglicht nicht nur die Filterung und Datenreduzierung, sondern verbessert auch die Suche und die Datenorganisation. Die Erzeugung von Karten- und Sensorvorschauen ermöglicht die Visualisierung und beschleunigt die Reaktionszeit beim Datenzugriff. Die Vorschauen können automatisch anony-misiert werden, um auch den DSGVO-Vorschriften zu entsprechen. dSPACE bietet eine umfassende Lösung für die Datenaufnahme. Die AUTERA Upload Station mit ihrer hohen Bandbreite und den während des Betriebs austauschbaren AUTERA-SSDs sorgt für einen schnellen Daten-Upload. IVS von Intempora integriert native Übertragungsprotokolle und das Gerüst zum Anbinden kundenspezifischer Verarbeitungsmodule für die Datenaufnahme. Standardmäßig sind Qualitätsprüfungen, Redundanzreduzierung, Vorschaugenerierung und Tagging-Module enthalten. Die Annotation Services von understand.ai, einem Unternehmen der dSPACE Gruppe, helfen Ihnen, ausgewählte Daten schnell und in höchster Qualität zu labeln, auch bei sehr großen Datenmengen. Und schließlich entfernt der UAI Anonymizer als Identitätsschutz-Anonymisierer mehr als 99 % aller identifizierbaren Gesichter und Nummernschilder und ist von vornherein DSGVO-, APPI-, CSL- und CCPA-konform.
Testen: Sicherheit geht vor
Autonome Fahrzeuge müssen in allen erdenklichen und unvorstellbaren Verkehrssituationen einwandfrei funktionieren. Das automatisierte Testen spielt eine besonders wichtige Rolle, da nur einem vollständig getesteten Fahrzeug mit vollständig getesteter Software auf der Straße vertraut werden kann. Je nach Entwicklungsstadium gibt es eine Vielzahl von Testmethoden. dSPACE Produkte bieten Lösungen, um diese Methoden reibungslos in den gesamten Test- und Homologationsprozess für jede Plattform und jedes neue Fahrzeugmodell zu integrieren und anzuwenden. Data-Replay-Tests (auch: Reprocessing), bei denen aufgezeichnete Sensor- und Busdaten an ein zu testendes System weitergegeben und dessen Ergebnisse mit den tatsächlichen Daten verglichen werden, haben sich als wichtige Test- und Validierungsmethode für ADAS/AD etabliert. Eine solche Testmethodik bietet eine effiziente und kostengünstige Möglichkeit, das Verhalten autonomer Fahrzeuge mit Daten aus realen Fahrsituationen zu analysieren, was der Schlüssel für eine umfassende Sicherheitsbewertung des Fahrzeugs ist. Der Datenzugriff und das synchrone Streaming sind entscheidende Aspekte für die Datenwiedergabe, was sie zu einem Hauptbestandteil der datengetriebenen Entwicklungspipeline macht. Die Methodik kann als reiner Software (SW)-Data-Replay-Test zu Beginn des Entwicklungsprozesses oder als Hardware (HW)-Data-Replay-Test zu einem späteren Zeitpunkt nach der Systemintegration angewendet werden. Die Software-Wiedergabe von Daten unterliegt in der Regel keinen Echtzeitbeschränkungen und kann schneller als in Echtzeit ablaufen, um schnelle Genauigkeitsprüfungen zu ermöglichen. Außerdem kann sie durchgeführt werden, lange bevor ein Hardware-Prototyp verfügbar ist. Bei der Hardware-Datenwiedergabe hingegen wird ein zentraler Computer oder ein Sensorsteuergerät eingesetzt, verbunden mit dem Testsystem und gespeist mit aufgezeichneten synthetischen oder realen Daten. Dies ermöglicht es, die Hardware, die elektrischen Schnittstellen und die Software unter Bedingungen zu testen, die denen im Straßenverkehr am nächsten kommen. Data-Replay-Tests können durch die Einspeisung von Fehlern und die Manipulation der Datenströme weiter verbessert werden. Immer häufiger werden Cloud-Services für Data-Replay-Tests eingesetzt. dSPACE und seine Partner bieten hervorragende Data-Replay-Lösungen auf Basis von Public-Cloud-, On-Premise- und Hybrid-Cloud-Infrastrukturen an. Das dSPACE Portfolio für Data-Replay-Tests umfasst eine Vielzahl von Werkzeugen, um Ihre Anforderungen optimal zu erfüllen, darunter SCALEXIO, das modulare Echtzeitsystem mit präzisen Bus- und Netzwerkschnittstellen; die Environment Sensor Interface (ESI) Unit, das leistungsstarke FPGA-Board für Sensorschnittstellen; VEOS, der Offline-Simulator für (virtuelle) Steuergeräte-Simulationen; und RTMaps, die hochmoderne Software zum Parsen und Streamen von Daten. Darüber hinaus gibt es IVS, die Datenmanagement-Software für den einfachen Zugriff auf die relevanten aufgezeichneten Datensätze.
All diese Tools sind integriert, um vollständig automatisierte Testlösungen zu ermöglichen, mit denen Sie rund um die Uhr kontinuierliche Tests mit Tausenden von gefahrenen und künstlichen Kilometern durchführen können.
Erweiterung des Datenpools
Eine Herausforderung besteht darin, autonome Fahrzeuge nicht nur auf Situationen vorzubereiten, die bereits durch aufgezeichnete Daten abgedeckt sind, sondern sie auch mit völlig neuen und unbekannten Szenarien zu konfrontieren, für die es überhaupt keine realen Daten gibt. Dies ist besonders wichtig für das Testen von Grenzfällen, die in der Realität unmöglich oder zu riskant zu testen sind. Künstlich erzeugte Daten werden deshalb zur Erweiterung eines Testdatensatzes verwendet. Die Verkehrsszenarien und -umgebungen können entweder von Grund auf neu erstellt werden oder durch Synthese einer realen Verkehrssituation und Manipulation ihrer Parameter. Eine zweite Methode zur Erweiterung des Testdatensatzes besteht darin, aufgezeichnete Daten so zu manipulieren, dass synthetische Verkehrsteilnehmer mit realistischem Verhalten den realen Daten zugemischt werden. dSPACE Produkte unterstützen bereits die Manipulation realer Szenarien, insbesondere die von dSPACE und understand.ai entwickelte Lösung zur Szenariogenerierung. Mit dieser können Sie Aufzeichnungen von realen Testfahrten in die Simulation übertragen und Tausende von Tests sicherheitskritischer und realistischer Fahrszenarien mit spezieller Hardware und Software komfortabel als Simulation durchführen. Diese Szenarien können künstlich verändert und erweitert werden, was bei szenariobasierten Tests, bei denen eine große Anzahl von Szenarien ausgeführt werden muss, sehr nützlich ist. Die dSPACE Lösung für sensorrealistische Simulation, AURELION, ist ein neues, leistungsstarkes Werkzeug nicht nur für das Klonen, sondern auch für die Manipulation der Realität in der Simulation. dSPACE bietet zudem Methoden zur Erzeugung künstlicher Trainingsdaten, die die Entwicklungskosten drastisch senken.
Durchgängiger Datenfluss
Wie oben gezeigt, unterstützen dSPACE, seine Konzernunternehmen und Partner die gesamte Daten-Pipeline mit nahtlos integrierten Werkzeugen und sorgen so für einen reibungslosen Datenfluss. Mit Werkzeugen und Know-how von dSPACE können Sie Ihre Daten-Pipeline auch in kritischen Phasen Ihrer Entwicklungsprojekte am Laufen halten.