ADAS-Tests neu gedacht: Wenn das Fahrzeug zuhören beginnt

Vor einigen Jahren, während eines ADAS-Validierungszyklus, erforderte ein scheinbar einfaches Problem weitaus mehr Aufwand als erwartet. Das Problem bestand nicht darin, dass ein Warnton fehlte, sondern vielmehr darin, nachzuweisen, dass der richtige Ton abgespielt wurde – zum richtigen Zeitpunkt, unter den richtigen Bedingungen und mit der richtigen Priorität –, wenn mehrere Fahrzeugereignisse gleichzeitig aktiv waren. 

Was wie eine unkomplizierte Überprüfungsaufgabe aussah, entwickelte sich zu wiederholten Testdurchläufen, Signalmessungen, Protokollanalysen, Audioüberprüfungen und langen Diskussionen zwischen den Ingenieuren.

Das Problem wurde gelöst. Doch diese Erfahrung wies auf etwas Größeres hin. 

Mit der Weiterentwicklung von ADAS-Systemen wird deren Validierung immer schwieriger – nicht, weil Funktionen versagen, sondern weil der Aufwand für deren Überprüfung rapide zunimmt. Das wirft die eigentliche Frage auf: Skalieren wir ADAS-Tests und -Validierung im gleichen Tempo wie die ADAS-Innovation?

Wenn der Validierungsaufwand schneller wächst als die Fahrzeugfunktionen

Die Kluft wird sich weiter vergrößern. Da der weltweite ADAS-Markt bis 2030 bei einer durchschnittlichen jährlichen Wachstumsrate (CAGR) von 11,9 % voraussichtlich 655 Millionen Einheiten überschreiten wird, stehen wir vor einem Szenario, das eine rasante Ausweitung der zugrunde liegenden Softwarebasis mit sich bringt. 

WährendFahrzeuge frühermit etwa 100 Millionen Codezeilenauskamen, überschreiten viele heutige Modelle 500 Millionen Codezeilen über mehrere Rechenbereiche hinweg, und softwaregesteuerte Plattformen werden diesen Wert voraussichtlich noch weiter in die Höhe treiben. Jede neue Version, Variante und Funktionskombination erhöht den Bedarf an einer robusten ADAS-Validierungsmatrix weiter.

Der Fahrer hört eine Warnung – der Ingenieur sieht einen Testfall.

Moderne Fahrzeuge kommunizieren ständig miteinander, beispielsweise bei Spurverlassenswarnung, Frontalkollisionswarnung, Totwinkelerkennung, Fahrerüberwachung und adaptiver Geschwindigkeitsregelung, um nur einige Beispiele zu nennen. Während diese Warnsignale für einen Fahrer lediglich Töne sind, stellt jedes einzelne für einen Validierungsingenieur einen Testfall dar, der hinsichtlich korrekten Verhaltens, Zeitablaufs, Priorität, Interaktion mit anderen Warnsignalen und Reaktion unter verschiedenen Betriebsbedingungen überprüft werden muss. 

Wenn mehrere Warnungen gleichzeitig ausgelöst werden und Prioritäten dynamisch geklärt werden müssen, erhöht sich der Aufwand erheblich.

Zwar sind herkömmliche Methoden wie Oszilloskope, Audiomessgeräte und Signalanalyse nach wie vor zuverlässig und wichtig, doch sind sie mit erheblichen Kosten verbunden. Dazu gehören ein erhöhter manueller Aufwand, eine stärkere Abhängigkeit von Hardware, längere Regressionstestzyklen für ADAS sowie eine anhaltende Abhängigkeit von knappen Fachkräften. 

Die Frage ist hier, ob eine messungsintensive Validierung weiterhin skalierbar ist.

Von der Signalmessung zum Verständnis der Absicht

Bei den meisten ADAS-Funktionen ist der Ton die letzte Kommunikationsebene zwischen Fahrzeug und Fahrer. Ingenieure wenden enormen Aufwand für die Messung von Warnsignalen auf, doch die Fahrer sehen niemals ein Frequenzdiagramm. 

Könnte ein Warnton also, anstatt ihn nur als zu messendes Signal zu betrachten, zu einem Signal werden, das es zu verstehen gilt?

Messungen zeigen uns, welche Frequenz wann erzeugt wurde. Das Verstehen sagt uns, welche Warnung abgespielt wurde, warum, ob sie erwartet wurde und ob Prioritäten korrekt gehandhabt wurden – die Fragen, die Automobilingenieuren tatsächlich am Herzen liegen. Diese Unterscheidung bildet die Grundlage für den patentierten Ansatz von LTTS zur intelligenten Audio-Validierung, bei dem Audioanalyse, maschinelles Lernen und Validierungslogik kombiniert werden, um Töne zu identifizieren, Ereignisse zu klassifizieren und das erwartete Verhalten automatisch zu bewerten.

Von der Idee zum funktionierenden Prototyp

Um das Konzept zu testen, hat das Team ein Proof-of-Concept-Framework entwickelt, das die automatisierte Generierung von ADAS-Testfällen, Audiosignalverarbeitung, Ereignisklassifizierung und Validierungslogik miteinander verbindet. Die ersten Ergebnisse sind vielversprechend: Die Klassifizierungsgenauigkeit bei ADAS- und Nicht-ADAS-Audioereignissen liegt bei rund 80 %, und der manuelle Aufwand konnte deutlich reduziert werden. 

Bei einer repräsentativen Aufgabe, für die Ingenieure mit herkömmlichen Methoden fast 20 Stunden benötigten, wurde die Arbeit in etwa 3 Stunden erledigt – was vor allem auf die automatisierte Ereigniserkennung zurückzuführen ist. 

Größere Datensätze und weitere Verfeinerungen sind zwar noch erforderlich – doch der Nutzen dieses Ansatzes geht eindeutig über die Theorie hinaus.

Warum dies für Automobilhersteller wichtig ist

Für Automobilhersteller ist die Validierung eine unternehmensweite Geschäftstätigkeit. In der Vergangenheit bedeutete mehr Komplexität auch mehr Aufwand – ein Ansatz, der ab einem bestimmten Punkt nicht mehr skalierbar ist. Intelligente ADAS-Testautomatisierungs-Frameworks versprechen eine geringere Abhängigkeit von Spezialausrüstung, schnellere Regressionstests, größere Konsistenz, bessere Skalierbarkeit über verschiedene Programme hinweg und eine schnellere Einarbeitung von Ingenieuren. Vor allem aber verbringen Ingenieure weniger Zeit mit sich wiederholenden Analysen und mehr mit Randfällen und Verhaltensweisen, die Auswirkungen auf den Kunden haben.

Was diesen neuen Ansatz also auszeichnet, ist der Bereich, in dem Intelligenz zum Einsatz kommt: bei einer Validierungsherausforderung, die lange Zeit von Hardware und manueller Interpretation bestimmt wurde. Wir sind uns bewusst, dass jede ADAS-Warnmeldung Teil eines Dialogs zwischen Fahrzeug und Fahrer ist und dass die nächste Generation von ADAS-Tests möglicherweise in dem Moment beginnt, in dem unsere Tools lernen, zuzuhören.

Erfahren Sie, wie LTTSdie ADAS-Verifizierung und -Validierung für die Automobilindustrieneu definiert.