Skip to content
/ © Adobe Stock - ZinetroN

Vom Labor auf die Straße: TU Graz macht Fahrassistenzsysteme sicherer

Im Christian Doppler Labor unter seiner Leitung hat Franz Wotawa mit Unternehmenspartner AVL Test- und Überwachungsverfahren entwickelt, die gängige Fahrassistenzsysteme sicherer machen.

von Anja Mandler
Anja Mandler Online-Redakteurin Leitung Steiermark
4 Minuten Lesezeit(767 Wörter)

Intelligenter Geschwindigkeitsassistent, Notbremsassistent, Notfall-Spurhalteassistent, Müdigkeitsassistent, Rückfahrassistent, Warnsystem bei nachlassender Konzentration oder Notbremslicht – ab Juli 2024 werden eine ganze Reihe von Sicherheits- und Fahrassistenzsystemen für alle Neuwagen in der Europäischen Union verpflichtend. Dass diese Systeme auch wie gewünscht funktionieren und wirklich für mehr Sicherheit sorgen, daran forscht seit Oktober 2017 das Christian Doppler Labor für Methoden der Qualitätssicherung von autonomen Cyber-Physikalischen Systemen an der TU Graz zusammen mit Unternehmenspartner AVL List GmbH. Dabei hat das Laborteam unter der Leitung von Franz Wotawa vom Institut für Softwaretechnologie der TU Graz mittels Grundlagenforschung neue Methoden entwickelt, um Fehlerquellen bei Fahrassistenzsystemen vorab auszuschließen und im laufenden Betrieb zu analysieren. AVL konnte darauf aufbauend selbst neue Methoden und Verfahren in das Portfolio im Bereich Advanced Driver Assistance Systems (ADAS) aufnehmen.

Kleine Abweichungen mit großer Wirkung

Konkret mussten sich Franz Wotawa und sein Team unter anderem der Herausforderung stellen, dass schon geringfügige Abweichungen bei einem bestimmten Verkehrsszenario die Reaktion von Fahrassistenzsystemen deutlich beeinflussen können. Da die Systeme diese Abweichungen nicht erst im laufenden Betrieb erlernen sollen, wurde ein Verfahren zur automatisierten Generierung von Testfällen ausgehend von Ontologien entwickelt. Ontologien sind Beschreibungen der Umgebung, in der sich das Fahrzeug im jeweiligen Testfall befindet. Diese Beschreibungen enthalten etwa Informationen zum vorhandenen Straßennetz, Ampeln, Straßenschildern, anderen Fahrzeugen oder Fußgängern.

Für die Testfallgenerierung hat das Team ein suchbasiertes und ein kombinatorisches Testverfahren angepasst und darauf aufbauend eine algorithmusbasierte Verknüpfung der Ontologien mit einem Eingabe-Modell vorgenommen. So können automatisiert noch besser und umfangreicher Testszenarien abgeleitet und durchgespielt werden – unabhängig vom getesteten Assistenz- oder Sicherheitssystem. Beispielsweise gelang es damit, bei einem Notbremsassistenten während der Tests einige unentdeckte Fehler zu finden, die dann genauer analysiert werden konnten.

Blick auf Realbedingungen

Trotz der ausgeklügelten Testverfahren bleibt der Blick auf den laufenden Betrieb unerlässlich, da es dort immer zu unvorhergesehenen Situationen kommen kann. Hier vergleicht das Team gesammelte Auto-Sensordaten mit dem erwarteten Verhalten der Fahrzeuge und versucht dies mit formalisiertem Wissen über Objektbewegungen zu kombinieren. Der Fokus liegt dabei auf der Objekterkennung, um aus einer Sequenz von Bildern die Objektbewegung mittels logischer Ableitung zu formalisieren. Durch die Nachverfolgung der Objekte über mehrere Bildframes lassen sie sich als potenziell gefährlich oder ungefährlich klassifizieren und die geeigneten Maßnahmen ableiten – etwa ob ein Baum direkt angesteuert wird und ausgewichen werden muss oder die Fahrt doch daran vorbeigeht. Diese Erkenntnisse fließen in weiterer Folge in Updates der Assistenzsysteme ein. Zusätzlich können die Daten aus den Erfahrungen im Realbetrieb auch genutzt werden, um weitere Testfälle zu generieren.

Mit der Frame-für-Frame-Analyse in Kombination mit einem Logikmodell für räumliche Wahrnehmung können auch die Objekterkennung verbessert und so nicht durchgehend erkannte Objektbewegungen abgeleitet werden. Das ist etwa dann nützlich, wenn ein Objekt zwar für einige Frames sichtbar ist, aber aufgrund von Reflexionen oder eines Sensorfehlers für einen Frame nicht erkannt wird. Ein Assistenzsystem könnte dadurch denken, dass in diesem Bereich keine Gefahr mehr vorhanden ist. Dank des Logikmodells leitet die Software aber ab, dass das Objekt nach wie vor da sein muss, weil es nicht einfach so verschwinden kann.

Rascher Wissenstransfer in der Industrie

Für Franz Wotawa sind die bisher erreichten Ergebnisse des noch bis Ende September 2024 laufenden CD-Labors der Beleg dafür, dass die Verbindung von Grundlagenforschung mit konkreten Anwendungen durch den Unternehmenspartner viele Vorteile bietet. „Wir haben einen sehr direkten Austausch mit AVL, jede*r Doktorand*in arbeitet fünf bis zehn Stunden pro Woche auch im Unternehmen. Dadurch kennen wir die Problemstellungen aus der Industrie genau und können ausgehend davon Grundlagenforschung betreiben. Andererseits erfolgt der Wissenstransfer in die Industrie sehr rasch, weil die Mitarbeitenden direkten Zugang zur Infrastruktur von AVL haben. So konnten wir gemeinsam unsere Forschung im Bereich Sicherheit von autonomen cyberphysikalischen Systemen weit voranbringen“, erklärt Franz Wotawa.

Mihai Nica, Global Head ADAS, Automated Driving und Connectivity AVL, fügt hinzu: „In der sich rasant entwickelnden Welt des autonomen Fahrens setzt AVL auf innovative Testmethoden. Die Anwendung von AI-Gamification und ontologiebasierten Tests bietet die Möglichkeit, kritische Szenarien zu generieren und autonomes Fahren unter extremen und komplexen Bedingungen zu prüfen, die in der realen Welt nur schwer nachzubilden sind. Dies ist entscheidend, um die Zuverlässigkeit und Sicherheit der Technologie zu gewährleisten, und trägt dazu bei, das Vertrauen der Öffentlichkeit zu stärken. Dieses Vertrauen ist von entscheidender Bedeutung für die erfolgreiche Integration autonomer Fahrzeuge in unsere Verkehrsnetze der Zukunft.“

Deine Meinung

Der Artikel ist lesenswert

Vielen Dank für deine Bewertung!
Es wurde Mal abgestimmt

Der Artikel ist informativ.

Vielen Dank für deine Bewertung!
Es wurde Mal abgestimmt

Der Artikel ist ausgewogen.

Vielen Dank für deine Bewertung!
Es wurde Mal abgestimmt
Du hast einen #Fehler gefunden? Jetzt melden.

Mehr Interessantes