Fahrerassistenzsysteme (ADAS) Die Zukunft von ADAS, die Macht der Datenfusion und Kameras als Hauptsensoren

Anbieter zum Thema

Magna International (Germany) GmbH

Heitec AG

MES Electronic Connect GmbH & Co. KG

Bei der Entwicklung von ADAS-Systemen geht Magna Electronics eigene Wege: Kameras sollen die zentrale Sensorrolle übernehmen, Lidar und Radar nur unterstützen. Im Gespräch mit Magna geht es auch um Sensordatenfusion und warum die Cloud das autonome Fahren sicherer machen könnte.

Automobilentwickler arbeiten bereits an der nächsten Generation von ADAS-Systemen im Fahrzeug. Getrieben werden die Automobilhersteller dabei von der technologischen Komplexität und den hohen Sicherheitsanforderungen, die an ADAS-Systeme gestellt werden. Doch worauf kommt es bei modernen Fahrerassistenzsystemen an? Im Interview gibt Steven Jenkis, Vice President Technology Strategy bei Magna Electronics, Einblicke in den nächsten großen Schritt für ADAS. Es geht um die Verschmelzung von leistungsfähiger Sensorik, Echtzeitkommunikation und künstlicher Intelligenz. Nur so wird es möglich sein, Fahrzeuge mit menschenähnlicher Wahrnehmung auszustatten.

Denn im Hinblick auf zunehmend autonom fahrende Fahrzeuge zählt jede Millisekunde. Die frühzeitige Fusion von Sensordaten und die nahtlose V2X-Integration machen ADAS-Systeme nicht nur präziser, sondern auch robuster und sicherer. Diese Technologien ermöglichen weit mehr als nur ein erweitertes Sichtfeld - sie erlauben eine tiefgreifende, kontextabhängige Analyse und Interpretation der Umgebung. Magna Electronics stellt sich damit einer der komplexesten Fragen: Wie können autonome Systeme Entscheidungen treffen, die instinktiv sicher erscheinen und den Verkehrsfluss verbessern?

Herr Jenkins, welche Sensoren sind am besten für die Integration in ein zentrales ADAS-System geeignet?

Die Auswahl der Sensoren hängt sowohl von der Systemstrategie des Herstellers als auch von den spezifischen Anforderungen des Fahrzeugherstellers ab. Für Anwendungen ab Level 2 kommen typischerweise Kameras, Radar- und Ultraschallsensoren zum Einsatz. Eine zentrale Herausforderung ist die Synchronisation und Kalibrierung der Sensoren. Eine strategische Lösung besteht darin, Kameras als Hauptsensoren zu verwenden und Radar- und Lidarsensoren als Satellitensensoren (Sensorköpfe) hinzuzufügen. Dadurch können rechenintensive Berechnungen wie 3D-Erkennung und Multi-Kamera-Tracking lokal und in Echtzeit durchgeführt werden, was eine tiefere Integration und Fusion mit anderen Sensordaten ermöglicht.

Wie funktioniert die frühe Fusion von Sensordaten und welche Vorteile bringt sie mit sich?

Bei der frühen Fusion werden Rohdaten aus verschiedenen Sensoren kombiniert, was Algorithmen des maschinellen Lernens effektiver nutzen kann. Im Gegensatz zu herkömmlichen Ansätzen müssen die Sensoren dabei nicht separat die gleichen Schlussfolgerungen ziehen. Stattdessen werden die Informationen parallel verarbeitet, was die Erkennungsrate erhöht – insbesondere in anspruchsvollen Szenarien wie der Erkennung entfernter Objekte. Dieses Verfahren ermöglicht es dem System, auch unter schwierigen Bedingungen genauere Entscheidungen zu treffen.

Welche Anforderungen stellt die Implementierung von KI-Algorithmen an die Hardware?

Die Verarbeitung mehrerer Sensordatenströme erfordert leistungsfähige Hardware und effiziente Speicherlösungen. Für die frühe Fusion sind spezialisierte Hardwarebeschleuniger notwendig, die eine hohe Rechenleistung und Speicherpartitionierung bereitstellen, um sicherheitsrelevante Anforderungen zu erfüllen. Zudem werden Technologien wie GPU-Beschleuniger eingesetzt, die jedoch für extreme Betriebsbedingungen angepasst sein müssen. Die zunehmende Integration von V2X-Kommunikation erfordert zusätzliche Hardware- und Cybersecurity-Maßnahmen, um eine sichere Cloud-Anbindung zu gewährleisten.

Wie lässt sich eine zentrale Architektur mit V2X-Kommunikation aufbauen und skalieren?

V2X-Informationen können in mehreren Stufen genutzt werden – von Warnmeldungen über liegengebliebene Fahrzeuge bis hin zu Maßnahmen zur Vermeidung von Kollisionen. Diese Informationen tragen dazu bei, das Verhalten anderer Verkehrsteilnehmer vorherzusehen und Verkehrsfluss sowie Sicherheit zu optimieren. Skalierbare V2X-Architekturen müssen in Echtzeit mit hohen Sicherheitsstandards arbeiten und dabei eine zuverlässige Kommunikation in vielfältigen Verkehrsszenarien gewährleisten.

Welche Software-Tools und Plattformen sind für die Entwicklung und Integration von KI in ADAS-Systemen geeignet?

Tools zur Erstellung synthetischer Daten und digitaler Zwillinge sind entscheidend. Sie ermöglichen eine umfassende Verifizierung von Konzepten und eine zielgerichtete Trainingsdatengenerierung, was die Entwicklung effizienter und zeitsparender macht. Plattformen zur V2X-Datenbereitstellung unterstützen das Training von Systemen auf kritische Ereignisse und verbessern die Gesamtsicherheit des Systems.

Wie können Trainingsdaten alle möglichen Fehlerszenarien repräsentieren?

Gegen Ende der Produktentwicklung muss alles getestet werden, und die Anforderungen und die Validierungstiefe für ein aktives Sicherheitssystem sind sehr hoch. Ein ADAS-System wird für einen bestimmten Einsatzbereich entwickelt, den wir ODD (Operational Design Domain) nennen. Damit sind die Grenzen der Funktion und die Anforderungen an das System definiert. Dafür gibt es in der Produktentwicklung Methoden, um die Auswirkungen von Fehlern zu begrenzen.

Für die Trainingsdaten ist es ein enormer Aufwand, repräsentative Daten zu sammeln. Nicht nur Crash-Szenarien müssen getestet werden, um gesetzlichen Anforderungen oder Kundenbewertungen zu genügen, sondern auch Variationen, die in der realen Welt auftreten können. Da es kaum möglich ist, Daten für jede denkbare Situation zu erhalten, geht es bei der Auslegung von ADAS-Systemen auch darum, das Unbekannte zu berücksichtigen, d.h. Freiräume und Objekte zu bewerten.

Bestehende Systeme können auch genutzt werden, beispielsweise durch Datenerfassung im sogenannten Schattenmodus, um Sonderfälle zu verstehen und sicherzustellen, dass wir Szenarien erfassen, die eher unwahrscheinlich sind. Dies muss während der gesamten Entwicklungsphase erfolgen, um sicherzustellen, dass der Sicherheitsnachweis zum Zeitpunkt der Inbetriebnahme gültig und belastbar ist. Synthetische Daten ergänzen die realen Daten, was die Entwicklungszeit verkürzt und dennoch hohe Sicherheitsstandards sicherstellt.

Welche Maßnahmen sind notwendig, um die Datensicherheit und -integrität in KI-gestützten ADAS-Systemen zu gewährleisten?

Zur Sicherstellung der Datensicherheit sind Qualitätsprüfungen von Trainingsdatensätzen unerlässlich, ergänzt durch Modellvalidierungen unter realen Bedingungen. Zudem werden die KI-Modelle durch Training gegen feindliche Angriffe auf potenzielle Schwachstellen hin überprüft. Der Einsatz robuster Modelle und diverse Implementierungsstrategien tragen dazu bei, Fehlfunktionen und Sicherheitsrisiken zu minimieren.

Zusammenfassend lässt sich sagen, dass der Erfolg aktiver Sicherheitssysteme von verschiedenen Faktoren abhängt, wie robuste Trainingdatensätze, Validierung mit realen Daten, geeignete KI/ML-Modellauswahl, Plausibilitätsprüfungen, vielfältige Implementierungsstrategien und Training gegen feindliche Angriffe. Durch die Berücksichtigung dieser Überlegungen können Hersteller die Sicherheit und Zuverlässigkeit ihrer Produkte angesichts der sich entwickelnden Herausforderungen verbessern.

Wie können KI-gestützte ADAS-Systeme zuverlässig und robust gestaltet werden?

Bei Magna legen wir großen Wert auf hochwertige Sensoren und auf Sicherheit in der Entwicklung. Unsere ADAS-Systeme basieren auf hochauflösenden und leistungsstarken Radarsensoren. Durch die Integration fortschrittlicher Wärmebildkameras wird die Leistungsfähigkeit unter schlechten Lichtverhältnissen nochmals verbessert. Gleichzeitig steht Cybersecurity im Fokus, um eine durchgängige Zuverlässigkeit zu gewährleisten.

Welche Trends und Entwicklungen sind für die Zukunft im Bereich KI-gestützter ADAS-Systeme zu erwarten?

Die Kombination aus Cloud-Computing und multimodalen Large Language Models (LLM) eröffnet neue Möglichkeiten. Durch die Cloud-Anbindung können Fahrzeuge auf Rechenkapazität und Echtzeitdaten zugreifen, was die Systemleistung und -entscheidungsfähigkeit erhöht. Die Integration von LLMs unterstützt eine intelligentere Kontextverarbeitung und eine personalisierte Fahrerfahrung. Zukünftige Systeme werden dadurch nicht nur sicherer, sondern auch komfortabler und intuitiver in der Bedienung.

Die Integration von Cloud Computing und multimodalen LLM-ADAS-Systemen ermöglicht ein besseres Kontextverständnis, die Anpassung an unterschiedliche Bedingungen und ein komfortableres und personalisiertes Fahrerlebnis. (heh)

Softwaredefinierte Fahrzeuge

Wird Hardware im Auto bald zur Nebensache?

(ID:50220076)