Umgebungs- und Verkehrsszenarien modellieren

Eck-Daten

Um die Sicherheit eines autonom fahrenden Fahrzeugs nachzuweisen, sind mehrere Milliarden gefahrener Kilometer – simuliert und real – notwendig. Hier ist ein besonderes Augenmerk auf den Test der Sensorsysteme zu legen, da sie die Augen und Ohren des Fahrzeugs sind. Diese müssen unter realen Verkehrsbedingungen, bei unterschiedlichen Wetterlagen und auch für verschiedene Fahrstile Tests unterzogen werden, bis die Sensor-Plattform stabil ist. Nicht zu vernachlässigen sind auch thermische Simulationen – legen Entwickler doch immer mehr Wert auf geringe Abmessungen, was zu Wärmestaus führen kann. Mit der DRS-360-Plattform für autonomes Fahren von Mentor und dem Prescan-Tool von Tass International lassen sich Systeme mit simulierten, aber physikalisch fundierten Sensor-Rohdaten testen und verfeinern.

Derzeit verwenden viele Fahrzeuge mit ADAS-Funktionen verhältnismäßig einfache Computer mit niedrigen Taktfrequenzen und begrenztem Speicher, um einen recht einfachen Code zu verarbeiten. Die meisten Sensormodule enthalten 8- oder 16-Bit-Prozessoren, die die Rohdaten-Berechnungen durchführen, bevor sie einen Teil der berechneten Werte zum Beispiel an die Highend-Systeme für die Kollisions- und Geschwindigkeitsüberwachung weiterleiten. Diese Art der verteilten Rechnerarchitektur, bei der die Datenverarbeitung an jedem Sensorknoten stattfindet, ist problematisch, da sie bei der Übertragung sicherheitskritischer Informationen zu einer langen Latenzzeit führt und die Kosten sowie die Leistungsaufnahme erhöht.

Bezugnehmend auf Angaben des Powertrain-Zulieferers Borg Warner stellte der Nachrichtendienst Bloomberg am 11. Oktober 2018 in einem Artikel fest, dass die Technologie für autonomes Fahren zu einer hohen Leistungsaufnahme führe. Einige der heutigen Prototypen für vollständig autonome Systeme würden zwei bis vier Kilowatt verbrauchen – das entspräche 50 bis 100 Laptops, die kontinuierlich im Kofferraum laufen.

Aufgrund dieses überaus hohen Energiebedarfs und der Komplexität des Gesamtsystems sind verteilte Architekturen tatsächlich ineffizient und für das fahrerlose automatisierte Fahren gemäß Level 5 nicht ausreichend.

Neuronale Netze reduzieren Leistungsaufnahme

Die meisten Fachleute sind sich darin einig, dass beim Einsatz von Level-5-Fahrzeugen im Massenmarkt grundsätzlich alle betriebskritischen automatisierten Fahrsysteme Zugriff auf einen einheitlichen, vollständigen Datensatz haben werden. Genau darauf beruht der Ansatz von Siemens. DRS 360, eine Plattform für autonomes Fahren aus dem Produktportfolio von Mentor, kombiniert Sensordaten, die in verschiedenen Typen und Formaten (2D, 3D, ADC etc.) sowie unterschiedlichen Bildfrequenzen verfügbar sind, zu einer zeitlich und räumlich synchronen Ansicht der Fahrzeugumgebung. Diese Modellierung enthält Informationen über die räumliche Lage, die Geschwindigkeit und nahegelegene Objekte. Die Effizienz der Software beruht auf neuronalen Netzen, die die Leistungsaufnahme auf 100 W und weniger begrenzen.

Ein zentralisiertes System bietet Automobilherstellern den weiteren Vorteil der verbesserten Emulation bei der Entwicklung von Prototypen und Produktionseinheiten. Die Siemens-Plattform dürfte sich auch beim Ausführen der vielen Simulationen als nützlich erweisen, die erforderlich sind, um die für das autonome Fahren entscheidenden Sensoren zu testen – sowohl einzeln als auch als Gesamtsystem. Dieses smartere Sensor-Gesamtsystem ist zum Schluss natürlich auch in realen Szenarien zu testen.

 

Für die Simulation sind realistische Sensor-Rohdaten essenziell. Mehr Details dazu beschreibt der Beitrag auf der nächsten Seite.

Seite 3 von 41234