En ny syn på ADAS-testning: När fordonet börjar lyssna

För några år sedan, under en valideringscykel för ADAS, ledde ett till synes enkelt problem till att det krävdes betydligt mer arbete än väntat. Problemet var inte att en varningssignal saknades, utan snarare att bevisa att rätt signal hade spelats upp – vid rätt tidpunkt, under rätt förhållanden och med rätt prioritet – när flera fordonshändelser pågick samtidigt. 

Det som såg ut som en enkel verifieringsuppgift förvandlades till upprepade testkörningar, signalmätningar, logganalyser, ljudgranskningar och långa diskussioner mellan ingenjörerna.

Problemet löstes. Men erfarenheten pekade på något större. 

I takt med att ADAS-systemen utvecklas blir det svårare att validera dem – inte för att funktionerna inte fungerar, utan för att arbetet med att verifiera dem ökar snabbt. Vilket väcker den verkliga frågan: skalar vi upp testning och validering av ADAS i samma takt som innovationen inom ADAS?

När valideringsinsatsen börjar växa snabbare än fordonets funktioner

Klyftan kommer att öka. Med en global ADAS-marknad som förväntas överstiga 655 miljoner enheter år 2030, med en årlig tillväxttakt (CAGR) på 11,9 %, står vi inför ett scenario med en snabb expansion av den underliggande mjukvarubasen. 

Därfordonen en gång kördesmed cirka 100 miljoner rader kod överstiger många av dagens modeller 500 miljoner rader fördelade på flera beräkningsdomäner, och mjukvarudefinierade plattformar förväntas driva upp siffran ännu högre. Varje ny version, variant och kombination av funktioner bidrar till det ökande behovet av en robust valideringsmatris för ADAS.

Föraren hör en varning – ingenjören ser ett testfall.

Moderna fordon kommunicerar ständigt, bland annat genom varningar för avvikelse från körfält, varningar för kollision framåt, detektering av döda vinklar, förarövervakning och adaptiv farthållare, för att nämna några exempel. Medan dessa varningar för en förare bara är ljud, är var och en av dem för en valideringsingenjör ett testfall som måste verifieras med avseende på korrekt beteende, timing, prioritet, interaktion med andra varningar och respons under olika driftsförhållanden. 

När flera varningar utlöses samtidigt och prioriteringar måste hanteras dynamiskt blir arbetsbördan ännu större.

Även om traditionella metoder med oscilloskop, ljudmätverktyg och signalanalys fortfarande är tillförlitliga och viktiga, medför de reella kostnader. Vi ser en ökad manuell arbetsinsats, större beroende av hårdvara, längre regressionstestcykler för ADAS och ett långvarigt beroende av få specialister. 

Frågan här är om mätningsintensiv validering kan fortsätta att skalas upp.

Från att mäta signaler till att förstå avsikten

För de flesta ADAS-funktioner är ljud det sista kommunikationslagret mellan fordonet och föraren. Ingenjörer lägger ner enorma ansträngningar på att mäta varningssignaler, men förarna ser aldrig ett frekvensdiagram. 

Så istället för att behandla en varningssignal enbart som en signal att mäta, skulle den kunna bli en signal att förstå?

Mätningen visar vilken frekvens som genererades och när. Förståelse visar oss vilken varning som spelades upp, varför, om den var förväntad och om prioriteringarna hanterades korrekt – de frågor som bilingenjörer faktiskt bryr sig om. Denna distinktion utgör grunden för LTTS patenterade metod för intelligent ljudvalidering, som kombinerar ljudanalys, maskininlärning och valideringslogik för att automatiskt identifiera toner, klassificera händelser och utvärdera förväntat beteende.

Från idé till fungerande prototyp

För att testa konceptet har teamet byggt ett proof-of-concept-ramverk som kombinerar automatiserad generering av ADAS-testfall, ljudsignalbehandling, händelsekategorisering och valideringslogik. De första resultaten har varit uppmuntrande, med en klassificeringsnoggrannhet på cirka 80 procent för både ADAS- och icke-ADAS-ljudhändelser, samt en betydande minskning av det manuella arbetet. 

I ett representativt exempel kunde ett arbete som tog ingenjörerna nästan 20 timmar med traditionella metoder slutföras på cirka 3 timmar, främst tack vare automatiserad händelseidentifiering. 

Större datamängder och ytterligare förfining krävs fortfarande – men värdet här har helt klart gått bortom teorin.

Varför detta är viktigt för biltillverkare

För biltillverkare är validering en affärsaktivitet som omfattar hela verksamheten. Historiskt sett har ökad komplexitet inneburit mer arbete – ett tillvägagångssätt som inte går att skala upp över en viss gräns. Intelligenta ramverk för automatisering av ADAS-tester innebär minskat beroende av specialutrustning, snabbare regressionstestning, större konsekvens, bättre skalbarhet mellan olika program och snabbare inarbetning av ingenjörer. Framför allt lägger ingenjörerna mindre tid på repetitiva analyser och mer tid på gränsfall och beteenden som påverkar kunderna.

Det som utmärker denna nya strategi är alltså var intelligensen tillämpas: på en valideringsutmaning som länge har styrts av hårdvara och manuell tolkning. Vi inser att varje ADAS-varning är en del av en dialog mellan fordonet och föraren, och att nästa generation av ADAS-testning kan börja i samma ögonblick som våra verktyg lär sig att lyssna.

Upptäck hur LTTS omdefinierarverifiering och validering av ADAS för fordonsindustrin.