Bewertung und prädiktive Modellierung für intelligente autonome Fahrzeuge

Die Implementierung autonomer und intelligenter Systeme in der modernen automobilen digitalen Lieferkette erfordert robuste Validierungsmethoden, die den "Black-Box"-Charakter der KI entmystifizieren. Basierend auf sieben Jahren Forschung und der jüngsten CIFRE-Doktorarbeit von Céline Serbouh in Zusammenarbeit mit dem Conservatoire National des Arts et Métiers (CNAM) und seinem CEDRIC-Labor hat UTAC einen einheitlichen Service für Evaluierungstests und die prädiktive Modellierung von mit künstlicher Intelligenz ausgestatteten Fahrzeugen eingeführt.

Entschlüsselung des KI-Verhaltens durch prädiktive Modellierung
Seit 2019 hat UTAC die Ankunft hochautomatisierter Mobilitätssysteme antizipiert und Methoden entwickelt, um zu verstehen, wie diese Fahrzeuge in komplexen Umgebungen reagieren. Der neue Service nutzt prädiktive Modelle, um KI-Systeme erklärbarer zu machen. Durch die Identifizierung der spezifischen Faktoren, die die Entscheidungsalgorithmen des Fahrzeugs beeinflussen, können Ingenieure ein tieferes Verständnis der dynamischen Reaktionen in einer Vielzahl von Fahrsituationen gewinnen. Diese Fähigkeit ist unerlässlich, um die Sicherheit und Zuverlässigkeit von Robotaxis, autonomen Shuttles, Lieferrobotern, Drohnen und mobilen Industrierobotern zu gewährleisten.

Dieses umfassende Angebot unterstützt die Hersteller während des gesamten Entwicklungszyklus, von der anfänglichen Projektdefinitionsphase bis hin zur endgültigen Sicherheitsanalyse und -validierung.

Optimierung von Testkampagnen mit generativer KI
Ein zentrales Ergebnis dieser Forschung ist die Optimierung von Validierungskampagnen durch die gezielte Identifizierung der relevantesten und kritischsten Fahrszenarien. Der UTAC-Service nutzt Techniken der generativen KI und verwendet Daten aus realen Tests, um hochrepräsentative virtuelle Szenarien zu erstellen.

Dieser hybride Ansatz ermöglicht es den Herstellern, ein breiteres Spektrum an Grenzfällen zu untersuchen und gleichzeitig die Evaluierungszeiten und die Kosten für physische Tests erheblich zu reduzieren. Durch die Modellierung dieser Umgebungen können Entwicklungsteams die spezifischen Verhaltensweisen intelligenter Systeme effektiv reproduzieren und vorhersehen, um sowohl ihre Leistungsfähigkeit als auch ihre operativen Grenzen präzise zu bewerten.

Zusätzlicher Kontext: Dieser Abschnitt beschreibt technische Spezifikationen und Wettbewerbs-Benchmarking im Detail, die nicht in der ursprünglichen Produktankündigung enthalten waren
In dem sich schnell entwickelnden Markt der Homologation und Validierung für das autonome Fahren (AD) und fortschrittliche Fahrerassistenzsysteme (ADAS) gehen Testanbieter zunehmend von rein physischen Streckentests zur hybriden physisch-virtuellen Validierung über. Wettbewerber wie TÜV SÜD, Applus+ IDIADA und AVL haben massiv in szenarienbasierte Test-Frameworks investiert, um die regulatorischen Anforderungen für autonome Systeme der Level 3 und 4 zu erfüllen.

So bieten beispielsweise die Simulations-Toolchains von AVL und die Testeinrichtungen für vernetzte und automatisierte Fahrzeuge (CAV) von IDIADA robuste Kapazitäten auf virtuellen und physischen Teststrecken. Die technische Besonderheit des neuen UTAC-Services liegt in der spezifischen Integration generativer KI zur Entschlüsselung der Deep-Learning-Algorithmen von Wahrnehmungs- und Steuerungssystemen. Indem UTAC die prädiktive Modellierung als zentralen Service anbietet, wird nicht nur getestet, ob ein autonomes Fahrzeug ein Szenario sicher bewältigt, sondern es werden auch explizit die zugrunde liegenden Faktoren des Entscheidungsprozesses der KI identifiziert. Dies schließt eine entscheidende Lücke in der erklärbaren KI (Explainable AI, XAI), die zu einer grundlegenden Voraussetzung für die zukünftige behördliche Zulassung hochautomatisierter Mobilitätslösungen wird.

Redigiert von Maria Brueva, Induportals-Redakteurin – angepasst durch KI.

www.utac.com