Zurück Vor

Detailergebnis zu DOK-Nr. 72833

Ein Simulationsframework für die Absicherung von Fahrzeugsicherheitsfunktionen

Autoren	M. Müller M. Botsch D. Böhmländer W. Utschick
Sachgebiete	6.2 Verkehrsberechnungen, Verkehrsmodelle 6.7.2 Verkehrsbeeinflussung außerorts, Verkehrsmanagement, Fahrerassistenzsysteme 14.0 Allgemeines (u.a. Energieverbrauch)

Aktive Sicherheit und Automatisiertes Fahren: 3. Interdisziplinärer Expertendialog (IEDAS). Renningen: expert Verlag, 2018 (Haus der Technik Fachbuch Bd. 146) S. 135-154, 13 B, zahlr. Q

Schon vor dem Verkaufsstart der ersten semi-autonomen Fahrzeuge, spätestens jedoch seitdem diese auf den Straßen unterwegs sind, stellt sich die Frage nach deren Zuverlässigkeit. Durch die Entwicklungen der letzten Jahre auf dem Gebiet der Umfeldsensorik ist auch die Komplexität aktueller Algorithmen gestiegen. Sensoren wie Lidar, Radar oder Kamera erlauben gegenüber konventioneller Sensorik, die Erfassung einer signifikant gesteigerten Zahl an Situationen, welche von den angeschlossenen Algorithmen beherrscht werden müssen. Es erscheint unrealistisch, die große Anzahl der theoretisch möglichen Systemzustände umfassend durch Absicherung auf der Teststrecke zu validieren. In dieser Arbeit wird ein Simulationsframework vorgestellt, dessen Aufgabe es ist, diejenigen Situationen zu identifizieren, welche einen gegebenen Vehicle Safety Algorithmus an seine Grenzen und gegebenenfalls darüber hinaus bringt. Die Ergebnisse können dann dafür verwendet werden, die Absicherungsbemühungen auf der Teststrecke auf die Szenarien zu konzentrieren, die am wahrscheinlichsten ein ungewolltes Systemverhalten provozieren. Interessant sind dabei besonders solche Situationen, die ein offensichtliches Fehlverhalten des getesteten Systems herbeiführen, ebenso wie nicht robuste Szenarien, bei welchen kleine Änderungen in den Eingangsgrößen zu besonders großen Änderungen des Ausgangs führen. Das Framework wird im Entwicklungsprozess Pre-Crash-Algorithmen verwendet. Es konnte bereits erfolgreich eingesetzt werden, um Schwachstellen vorausschauender Algorithmen zu identifizieren, deren größte Herausforderung darin besteht, mit den Vorhersage-Unschärfen zukünftiger Ereignisse umzugehen. Die mit dem Framework generierten Verkehrs- und Unfalldaten konnten im Rahmen von Machine-Learning-Anwendungen für Fahrzeugsicherheitszwecke genutzt werden.