SafeADArchitect - Entwicklung einer risikosensitiven Gesamtsystemarchitektur und echtzeitfähiger Methoden zur Absicherung von Automatisierten Fahrzeugen
- Ansprechperson:
- Projektgruppe:
- Förderung:
- Projektbeteiligte:
Verbundpartner:
- Intel Deutschland GmbH (Koordinator)
- ANavS GmbH
- FZI Forschungszentrum Informatik
- Lake Fusion Technologies GmbH
- Schaeffler Technologies AG & Co. KG (SHARE am KIT)
Assoziierte Partner:
- Ibeo Automotive Systems GmbH
- Starttermin:
01.11.2020
- Endtermin:
30.09.2023
abgeschlossen
Inhalte und Ziele
Die Entwicklung von autonomen Fahrzeugen macht stetige Fortschritte und immer mehr Prototypen werden im Verkehr getestet. Bei der aktuellen Entwicklung liegt ein großes Augenmerk darauf, sehr hohe Sicherheit zu gewährleisten. Insbesondere im urbanen Umfeld stellt dies eine große Herausforderung dar, denn aufgrund von unübersichtlichen Bereichen, und einer Vielzahl von unvorhersehbaren Verkehrsteilnehmern, geraten heutige Prototypen oft an die Grenze des Möglichen, so dass der Sicherheitsfahren übernehmen muss, oder die Fahrzeuge übervorsichtig agieren.
Um diese Herausforderungen zu meistern, hat sich das Verbundprojekt „SafeADArchitect“ gsich zum Ziel gesetzt, neue Methoden und Ansätze zu entwickeln, wie Automatisierte Fahrzeuge über risikosensitive Echtzeitverfahren im urbanen Betrieb abgesichert werden können. Zusätzlich sollen Wege der Nachweisführung dieser Absicherung aufgezeigt werden. Dabei soll das gesamte AD-System (Automated Driving) betrachtet werden und nicht nur einzelne Komponenten: Hierzu soll eine Gesamtsystemarchitektur erforscht werden, die die Berücksichtigung von Unsicherheiten (Risiko) auf allen Ebenen von der Fahrzeugplattform, über die Sensoren bis hin zu den verwendeten Algorithmen und der Fahrzeugplattform zulässt und notwendige Absicherungsebenen vorsieht.
Die Ergebnisse von “SafeADArchitect” werden dazu beitragen, die Entwicklung von Sicherheitskonzepten für Autonome Fahrzeuge voranzutreiben und zu erleichtern.
Elementaren Bestandteil eines solchen Ansatzes bildet die Erkennung von Fehlfunktionen der Fahrzeugplattform. Dazu forscht das Institut für Fahrzeugsystemtechnik an einem robusten latenzarmen Deep Learning Diagnosesystem. Diese Komponente wertet propriozeptive Sensordaten aus und detektiert die Degradation sicherheitsrelevanter Sensorik und Aktorik. Das Training des Machine Learning Algorithmus setzt einen Datensatz voraus, der das Fahrzeugverhalten im Fehlerfall verzerrungsfrei abbildet. Aus diesem Grund wird eine KI-basierte Fahrzeugführung entworfen, die eine effiziente Datenakquisition erlaubt.