Bild 2: Regelkreis für das automatisierte Fahren.

(Bild: Greenhills)

Derzeit sind autonome Fahrsysteme auf SAE-Level 4 und 5 reine Forschungsprojekte. Ihre Entwicklung erfolgt noch ohne serienreife Software- oder Hardwarekomponenten und sie erreichen ebenso wenig die für die Serienfertigung erforderliche Zuverlässigkeit. Unternehmen wie Ansys, Edge Case Research und Green Hills Software nehmen sich den Herausforderungen an, die mit dem Einsatz autonomer Fahrsysteme verbunden sind. Ziel ist es, die in den heutigen Forschungsprojekten erzielten Fortschritte zu realisieren und neue Sicherheitstechniken in allen Phasen der Entwicklung, Simulation, Testabläufe und der Umsetzung anzuwenden, um serienreife Systeme für autonomes Fahren zu ermöglichen.

Herkömmliche Sicherheits-Validierungsmethoden erweitern

Anforderungen des Systems fest, definieren die Softwarearchitektur und erstellen Subsysteme, um jede dieser Anforderungen für autonome Fahrsysteme zu erfüllen.

Bild 1: Anhand des V-Modells nach ISO 26262 legen Entwickler detaillierte Anforderungen des Systems fest, definieren die Softwarearchitektur und erstellen Subsysteme, um jede dieser Anforderungen für autonome Fahrsysteme zu erfüllen. Greenhills

Die Validierung der bisher eingesetzten Automotive-Sicherheitssoftware, beispielsweise die Software zur Steuerung von Fahrerassistenzsystemen (ADAS), strukturiert sich nach dem in der ISO-26262 definierten V-Modell für den System- und Embedded-Software-Lebenszyklus. Anhand dieses Schemas legen Entwickler die detaillierten Anforderungen des Systems fest, definieren eine Softwarearchitektur und erstellen parallel Subsysteme, um jede dieser Anforderungen zu erfüllen. Die linke Seite des V-Modells (Bild 1) zeigt, dass sich das System in immer kleinere Subsysteme zerlegen lässt. Die rechte Seite beschreibt den Validierungsprozess der Software, beginnend mit den kleinsten Subsystemen und bis hin zur Validierung auf Systemebene ganz oben.

Eckdaten

Die hohen Sicherheitsanforderungen künftiger autonomer Fahrsysteme treiben herkömmliche Validierungsmethoden wie auch Testzeiten an ihre Grenzen. Eine leistungsfähige Sofwareplattform von Ansys, Green Hills und Edge Case Research kann bei Entwicklung, Simulation und Test effizient unterstützen. Sie kürzt beispielsweise 14 Milliarden Kilometern Testfahrt ab oder sucht über schwierige Simulationsszenarien nach kritischen Randfällen, welche Systemausfälle verursachen. Die integrierte Softwarelösung kann somit durchgehende Sicherheit in Deep-Learning-basierten und anderen autonomen Fahrsystemen erzielen.

Autonome Fahrsysteme sind aber viel mehr als nur eine Ansammlung von ADAS. Assistenzsysteme sind so ausgelegt, dass sie im Fall einer Fehlfunktion die Kontrolle an den Fahrer zurückgeben. Systeme mit SAE-Level 5 sind dagegen per Definition vom Fahrer unabhängig, sodass sie konstruktionsbedingt nicht auf den Fahrer zurückzugreifen können, wenn eine Fahrsituation automatisch nicht mehr zu bewältigen ist. Darüber hinaus erfüllen die eingesetzten Deep-Learning-Systeme weder die Voraussetzungen, noch die Architektur oder detaillierte Subsysteme, die zur Validierung konventioneller Sicherheitssoftware notwendig sind. Eine weitere Herausforderung besteht beim maschinellen Lernen darin, dass Deep-Learning-Systeme probabilistisch sind und somit bei wiederholt gleichen Eingangszuständen gelegentlich abweichend reagieren.

Straßentests sind daher ein wesentlicher Bestandteil der Entwicklung, bieten jedoch keine brauchbare Lösung für die Frage, wie autonome Fahrsysteme idealerweise zu validieren sind. Das Problem besteht darin, dass Tests auf der Straße in erster Linie aus Routinesituationen bestehen, die für menschliche Fahrer oder automatisierte Fahrsysteme nicht sonderlich schwierig sind. Akio Toyoda, President bei Toyota Motors, erklärte, dass sich die Funktionssicherheit von vollständig autonomen Fahrzeugen erst nach etwa 14 Milliarden Kilometern Testfahrt gewährleisten lässt. Außerdem würde dieses enorme Testfahrprogramm nur einen Entwicklungsstand eines einzelnen autonomen Fahrsystems absichern. Erfolgt eine Softwareänderung oder taucht ein Fehler auf, müsste der gesamte Test von vorn beginnen.

Den Fahrzeugregelkreis überarbeiten

Aktuelle Automotive-Entwicklung nutzt eine Kombination aus maschinellem Deep-Learning und Steuerlogik, um einen vollständig autonomen Fahrzeugregelkreis zu implementieren (Bild 2). Dieser besteht aus der Wahrnehmung (was das Auto beobachtet), der Bewegungsplanung (welches Verhalten das Auto plant) und der Bewegungsausführung (wie das Auto den Plan umsetzt). Der Regelkreis arbeitet zyklisch, sodass das Fahrzeug auf konstante Umgebungsveränderungen reagieren kann. Um die Funktionssicherheit der komplexen Algorithmen zur Wahrnehmung, Bewegungsplanung und Ausführung verifizieren zu können, müssen Entwickler die gesamte autonome Fahrzeugarchitektur in mehrere sinnvolle Komponentengruppen zerlegen.

Der Primärkanal erzeugt eine Langzeitmission ohne definierten Endzustand, während der Sicherheitskanal eine Mission von kurzer Dauer erzeugt, die in einem sicheren Zustand endet (Bild 3).

Während ihrer Zeit an der Carnegie Mellon University haben Mitglieder des Teams von Edge Case Research eine Architektur vorgeschlagen, die die Sicherheit für jede dieser Komponenten nach dem DOER-CHECKER-Prinzip garantiert. Der primäre Algorithmus (DOER) ist extrem komplex, wird häufig aktualisiert und ist schwer zu verifizieren. Der sekundäre Algorithmus (CHECKER) besteht aus einem Safing Gate, das die Ausgänge des primären Algorithmus überprüft und die Kontrolle übernimmt, wenn ein Problem auftritt und eine Aktion erfolgen muss, um zum Beispiel das Auto an den Straßenrand zu steuern.

Strengste Zuverlässigkeits- und Sicherheitsanforderungen

Bild 3: xxx

Bild 3: Der Primärkanal liefert zunächst einen undefinierten Endzustand, der vom nachgeschalteten Sicherheitskanal in einem sicheren Zustand überführt wird. Greenhills

Die detaillierten Sicherheitsanforderungen der Safing Gates sind so festzulegen, dass ihre Umsetzung die höchsten Sicherheitsanforderungen nach ASIL D in der ISO 26262 oder sogar den strengeren Avionikstandard nach Level A in der DO-178C erfüllt. Der DOER-Algorithmus hingegen braucht nicht eingehalten zu werden, um diese Anforderungen zu erfüllen. Er kann willkürlich ausfallen und falsche Dinge auf die denkbar schlechteste Art ausführen, da der CHECKER den DOER in eine fehlersichere Komponente verwandelt, die sich abschaltet, wenn sie keine korrekten Daten liefert. Erkennt das Safing Gate zum Beispiel einen Planungsfehler (der geplante Fahrweg schneidet ein in zweiter Reihe geparktes Auto), wird der DOER-Algorithmus deaktiviert.

Die DOER-CHECKER-Implementierung in einem serienreifen System erfordert daher eine Target-Software-Umgebung, die nicht nur strengste Zuverlässigkeits- und Sicherheitsanforderungen erfüllt, sondern auch eine strikte Trennung zwischen den sicherheitskritischen Komponenten im System und den unkritischen Komponenten bietet.

Autonome Fahrsysteme verlassen sich auf Sensoren, um Entscheidungen über die Umgebung zu treffen. Dabei ist nicht immer klar, wie sich das System verhalten soll, um absolute Sicherheit zu gewährleisten. Es ist also nicht möglich, ein Safing Gate zu erstellen, um zu überprüfen, ob die Ausgangsdaten der Wahrnehmungssysteme korrekt und sicher sind. Die hier aufgeführten Beispiele zeigen, wie Signalrauschen die Robustheit der Funktion, eine Situation richtig zu verstehen und Sicherheit zu garantieren, beeinträchtigen kann. Der Abschnitt „Safety of the Intended Functionality“ (SOTIF) der ISO 26262 behandelt das gefährliche Verhalten in Systemen mit diesen Einschränkungen.

Lesen Sie auf der nächsten Seite, wie Simulationsmodelle unterstützend bei der Sicherheitsvalidierung wirken können.

 

Simulation unterstützt bei der Sicherheitsvalidierung

Ansys bietet eine offene Simulationsplattform für autonome Fahrzeuge, welche die Herausforderungen beim Aufbau und Test der Systeme und Embedded-Software für die Steuerung autonomer Fahrzeuge adressieren. Sie besteht aus dem modellbasierten Entwicklungswerkzeug SCADE und der Analysesoftware Medini für funktionale Sicherheit. Eine Integration von Physik, Elektronik, Embedded-Systemen und Softwaresimulation macht es möglich, vollständige autonome Fahrsysteme in einem Bruchteil der Zeit und im Kostenrahmen der erforderlichen Straßentests exakt zu simulieren. Die Plattform erzeugt das virtuelle Fahrzeug wie auch Fahrszenarien und modelliert die virtuelle Welt, in der das autonome Fahrzeug in Betrieb geht. Dies erfolgt mittels präziser Simulation von Sensoren und Fahrzeugdynamiken.

Das Integrity-Echtzeitbetriebssystem (RTOS) von Green Hills Software bietet eine zuverlässige sicherheitszertifizierte Plattform für den Einsatz der Target-Software im Automotive-Bereich. Die Ansys-Plattform kann sicherheitskritische Softwarekomponenten generieren und diese auf dem Integrity RTOS bereitstellen. Ebenfalls in die Plattform integriert ist die von Edge Case Research (ECR) entwickelte automatisierte Software Switchboard, welche die Robustheit prüft. Eine große Zahl von Simulationsszenarien mit steigendem Schwierigkeitsgrad versucht dabei kritische Randfälle zu finden, welche Systemausfälle verursachen. Diese integrierte Lösung kann somit durchgehende Sicherheit in Deep-Learning-basierten und anderen autonomen Fahrsystemen erzielen.

Signale und Systemantworten per Simulationsmodell

Ansys Medini hilft bei der Verwaltung des Sicherheits-Validierungsprozesses und bindet wichtige Sicherheitsanalyseverfahren wie die FMEA (Failure Modes and Effects Analysis) ein. Hinzu kommt Unterstützung für die Sicherheitsanalyse und die Entwicklung gemäß ISO 26262 für elektrische/elektronische Systeme und softwaregesteuerte sicherheitsbezogene Funktionen. Das Fahrszenariomodell animiert die Bewegung des Testfahrzeugs sowie anderer Fahrzeuge und Objekte in einer Testfahrt. Sensormodelle beobachten die Umgebung in der virtuellen Welt und geben Sensordaten aus. Signalverarbeitungsmodelle und Deep Learning identifizieren dann Objekte und Fahrzustände aus diesen Sensordaten.

Steuerungsalgorithmen treffen Steuerungsentscheidungen, erzeugen Aktuatorsteuersignale und zeigen dem Fahrer Informationen sowie Entscheidungen an. Fahrzeugkomponentenmodelle verwenden die Aktuatorsteuersignale und berechnen die Antwort von Fahrzeug-Subsystemen, wie beispielsweise Lenkung und Bremsen. Das Fahrdynamikmodell berechnet die Position, Geschwindigkeit und Ausrichtung des Testfahrzeugs. All diese integrierten Systeme ermöglichen es, jedes Fahrzeug mit jeder Sensorausstattung schnell und kostengünstig mit jedem Steuerungssystem in jedem Fahrszenario zu simulieren.

Maschine und Mensch mit schwierigen Fahrsituationen fordern

GHA704 Fig 5. screen capture CMYK

Bild 5: Per Simulationstool können Entwickler Objekte und Ereignisse anordnen, Sensormesswerte simulieren und feststellen, wie Wahrnehmungssysteme arbeiten oder wie das autonome Fahrsystem reagiert. Greenhills

Weiterhin kann das ECR-Switchboard der Ansys-Plattform Wahrnehmungsfehler feststellen und detektiert beispielsweise, dass sich eine hohe Erkennungsrate nach kaum wahrnehmbaren Umgebungsveränderungen extrem verschlechtert. In solch einem Fall ist es möglich, den Deep-Learning-Algorithmus während des Testbetriebs um die vom Switchboard gefundenen Fehler anzulernen.

Ein Simulationstool (Bild 5) bietet den Entwicklern vielfältige Möglichkeiten. Sie können Objekte und Ereignisse gezielt anordnen, Sensormesswerte simulieren und feststellen, ob die Wahrnehmungssysteme Objekte und Ereignisse richtig erkannt haben oder nicht, ebenso auch, ob das autonome Fahrsystem richtig reagiert hat oder nicht. Um die Sicherheit der Wahrnehmungsfunktion beweisen zu können, ist eine großangelegte Erzeugung schwieriger Fahrsituationen erforderlich, die autonome Fahrsysteme sowie menschliche Fahrer herausfordern. Ein neuartiger Algorithmus des ECR-Switchboards findet dabei aus der potenziell endlosen Anzahl möglicher Tests diejenigen heraus, die zum Ausfall autonomer Fahrsysteme führen und hilft zu verstehen, warum der Fehler aufgetreten ist.

Eine Flut von Eingangsparametern provoziert Systemausfälle

Dieser Ansatz modelliert die Menge fehlerauslösender Eingangsgrößen als ein kartesisches Produkt und identifiziert sie durch aktive Abfrage des autonomen Fahrsystems. Das ECR-Switchboard bombardiert die Schnittstelle mit einem Gemisch aus nominalen und außergewöhnlichen Eingangsparametern, bis ein Fehler ausgelöst wird, der zu einem Systemfehler führt. Dieser Ansatz ist sehr effektiv bei der Suche nach Randfällen, die aufgrund nicht robuster Handhabung außergewöhnlicher Eingangsgrößen zu Systemausfällen führen. Der Strom von Eingangsgrößen lässt sich dann über eine Testfall-Reduzierungsstufe verringern, um einen minimalen Testfall zu isolieren, der den Fehler reproduziert.

Für geringdimensionale Eingangsgrößen ist es oft einfach, den Auslöser von Systemfehlern durch eine Überprüfung zu bestimmen. Autonome Fahrsysteme weisen aber hochdimensionale Eingangsgrößen auf, in denen selbst ein minimaler Testfall Hunderte von Eingangsparameter enthalten kann – viel zu viel, als dass ein Mensch den Auslöser für den Systemausfall einfach identifizieren könnte. Das Switchboard reagiert auf diese Herausforderung, indem es eine Reihe von fehlerauslösenden Eingangsgrößen erzeugt, die durch einfache, vom Menschen interpretierbare Regeln gekennzeichnet sind. Selbst wenn diese Vorschläge nicht perfekt sind, dienen sie als Hinweise, um einen Entwickler in den Bereich des Codes zu führen, der den Fehler enthält.

Mit vereinten Kräften in die Zukunft

Um serienreife, sichere autonome Fahrsysteme bereitzustellen, ist ein neuer Ansatz bei der Entwicklung, der Simulation und dem Test erforderlich. Bewährte sicherheitskritische Prozesse und Entwicklungstechniken aus den Automotive- und Avionikmärkten lassen sich mit herkömmlichen Methoden nicht ausreichend zuverlässig validieren und benötigen eine Erweiterung um neue Testsoftware. Ansys, Edge Case Research und Green Hills Software arbeiten daher zusammen, um heutige Forschungsprogramme zu übernehmen und damit Fertigungssysteme von morgen zu realisierbar zu machen.

Bernard Dion

CTO Systems Business Unit bei Ansys

Joe Fabbre

Director Platform Solutions bei Green Hills Software

(jwa)

Sie möchten gerne weiterlesen?

Unternehmen

ANSYS Germany GmbH

Birkenweg 14a
64295 Darmstadt
Germany

Green Hills Software GmbH

Siemensstr. 38
53121 Bonn
Germany