Der Entwicklungsdienstleister ASAP erweitert Absicherungsverfahren für autonome E-Autos um Methoden der Künstlichen Intelligenz. Durch intelligente Algorithmen und maschinelle Lernverfahren können Einflussfaktoren und Situationen besser eingeschätzt werden.

Entwicklungsvorsprung durch Künstliche Intelligenz

Das Zusammenspiel von autonomem Fahren und Elektromobilität bringt neue Herausforderungen für die Funktionsabsicherung mit sich: Softwarebasierte Funktionen und Sensoren autonomer Fahrzeuge treffen auf virtuelle Sensoren, die in E-Fahrzeugen Anwendung finden. Solche virtuelle Sensoren berechnen in E-Fahrzeugen beispielsweise anhand von Strom und Spannung die Temperatur im Motor.

Hinzu kommen weitere wichtige Funktionen aus E-Fahrzeugen – etwa die Berechnung der Reichweite oder die Anzeige der nächsten Ladesäule. Der Einsatz von Methoden der Künstlichen Intelligenz (KI) bei der Absicherung unterschiedlichster Funktionen von autonom fahrenden E-Fahrzeugen liefert den entscheidenden Entwicklungsvorsprung.

„KI-Methoden sind für uns im Entwicklungsprozess von großem Nutzen, beispielsweise wenn wir virtuelle Sensoren mittels statistischer Verfahren validieren. Bei der Validierung sichern wir die Güte aller in das Vorhersagemodell einbezogenen Zustände und Applikationen – auf das Modell einwirkende äußere Faktoren wie Fahrverhalten oder Witterungsverhältnisse – ab. Dabei nutzen wir KI, um etwa Schwankungen in der Güte dieser Eingangsgrößen zu berechnen“,

erläutert René Honcak, Projektmanager Modellbildung/Simulation bei ASAP.

Maschinelle Lernverfahren für mögliche Einflussfaktoren 

In einem aktuellen Projekt setzt ASAP KI bei einem Prüfszenario ein, in dem ein autonom fahrendes E-Fahrzeug ein Überholmanöver bei Gegenverkehr durchführen soll. Die Kombination der Vorhersagemodelle, welche die physikalischen Effekte bei solchen Testszenarien beschreiben, wird von ASAP unter Einbezug verschiedenster Einflussfaktoren validiert: Einflussfaktoren sind unter anderem Störterme in Daten aus Temperatur-, Geschwindigkeits- oder Drehmoment-Sensoren im Fahrbetrieb sowie unterschiedlichste Parameter wie etwa geometrische Toleranzen beziehungsweise Software-Applikationen.

Selbst mögliche Aktionen des Fahrers – etwa das Einschalten des Radios oder der Klimaanlage – müssen bei diesem Szenario bedacht werden, da sie Auswirkungen auf die Leistung/Temperatur und damit wiederum auf das Überholmanöver haben können: Gerade die Temperatur ist bei elektrifizierten Fahrzeugen im Allgemeinen eine große Herausforderung – Leistungselektroniken, Motor oder auch die Batterie dürfen nicht überhitzen. Andernfalls können Leistung und Reichweite des Fahrzeugs sowie die Lebensdauer verschiedenster Komponenten beeinträchtigt werden.

Thermische Simulation einer E-Maschine. (© ASAP)

„Wir erstellen statistische Modelle, die aufzeigen, welche Parameter und Störterme in der Validierung berücksichtigt werden müssen“, so Honcak. „Anschließend nutzen wir maschinelle Lernverfahren, um zu identifizieren, welche der Konfigurationen Fehler verursachen oder möglicherweise kritisch für den Fahrzeugbetrieb – beziehungsweise in unserem aktuellen Beispiel das Überholmanöver – sind.“

Gerade beim autonomen Fahren spielt der Einsatz von maschinellen Lernverfahren eine zentrale Rolle: Intelligente Algorithmen schätzen Situationen ein und priorisieren Handlungsoptionen. ASAP kann so gemeinsam mit seinen Kunden Fahrzeuge entwickeln, die selbständig auf verschiedene Verkehrssituationen reagieren. (sih)

Quelle: ASAP