Autonomes Fahren Die reale Welt emulieren: Radarsensoren im Labor trainieren

Realer Test auf der Straße oder ausgiebig im Labor testen? Autonome Fahrzeuge sind mit einer Vielzahl an Sensoren ausgestattet. Eine komplexe und wiederholbare Straßenszene lässt sich mit einem Radar-Emulator simulieren.

Anbieter zum Thema

Radarsensoren trainieren: Je mehr Targets die Radarsensoren auf der Straße wahrnehmen, desto sicherer ist das autonome Fahrzeug.
Radarsensoren trainieren: Je mehr Targets die Radarsensoren auf der Straße wahrnehmen, desto sicherer ist das autonome Fahrzeug.
(Bild: Bosch)

Auf dem Weg zum autonomen Fahren müssen Hersteller von Fahrzeugen mit Tests drei wichtige Punkte absichern.

  • Fahrzeug erfasst seine Umgebung über verschiedene Sensoren wie Radar, Kamera und Lidar,
  • interagiert mit seiner Umgebung über V2X und
  • schließlich muss die künstliche Intelligenz aus den Daten lernen.

Von den fünf Stufen des automatisieren Fahrens ist man aktuell bei 2,5, also teilweise automatisiert. Es gibt auch schon höhere Levels. Mercedes testet aktuell in seiner S-Klasse auf Autobahnen die Stufe 3.

Reale Fahrmanöver oder besser im Labor emulieren?

Damit die Algorithmen in den Fahrzeuge trainiert werden können, sind viele Testkilometer notwendig. Das lässt sich auf der einen Seite über reale Fahrmanöver umsetzen. Was allerdings zeitaufwendig ist und die Daten sind nicht reproduzierbar. Auf der anderen Seite ist noch die Simulation. Als eine dritte Möglichkeit gibt es die Validierung.

Aktuell werden die Sensoren in einem Fahrzeug ausschließlich über reine Softwaremodelle abgebildet. Das ist nicht sehr sicher, da man nicht weiß, wie sich der Sensor in der realen Welt verhält. Die Frage ist: Wie nah komm ich mit meinem Modell an die Realität heran?

Reproduzierbare Trainingsdaten

Kameras lassen sich bereits heute sehr gut emulieren. Bei den Sensoren wird das schon komplizierter. Bei realen Tests ist es schwierig, immer wieder die gleiche Situation zu erzeugen oder auch eine Extremsituation zu simulieren. Denn beispielsweise können sich Wetterbedingungen ändern und somit sind Realtests nicht oder nur schwer reproduzierbar.

Hier können komplexe Systeme helfen, die Szenarien mit einer guten Wiederholung darstellen können. Dabei haben sich die Entwickler des Systems die Frage gestellt, wie sich die Anzahl und die Auflösung der einzelnen Objekte erhöhen lässt.

Ein Emulator für das Labor

Emulation von wenigen Zielen (Targets) auf der linken Seite im Vergleich zu vielen Targets.
Emulation von wenigen Zielen (Targets) auf der linken Seite im Vergleich zu vielen Targets.
(Bild: Keysight)

Komplexe Straßenszenen emulieren: Der Radar Scene Emulator simuliert die reale Welt. Damit lassen sich Radarsensoren im Labor ausgiebig testen.
Komplexe Straßenszenen emulieren: Der Radar Scene Emulator simuliert die reale Welt. Damit lassen sich Radarsensoren im Labor ausgiebig testen.
(Bild: Keysight)

Mehrere Teilnehmer lassen sich im Labor emulieren: Hierzu hat Keysight das AD1012A entwickelt, einen Radar Scene Emulator entwickelt. Der Emulator kombiniert Hunderte von Miniatur-HF-Frontends zu einem skalierbaren Emulationsschirm. Neben anderen Fahrzeugen lassen sich Fahrradfahrer, Motorradfahrer und besonders Fußgänger darstellen. Es lassen sich laut Aussage bis zu 512 Objekte mit Distanzen bis heran zu 1,5 m emulieren. Für das Sichtfeld ergibt sich ein Sichtfeld von ±70° horizontal und ±15° vertikal. Damit lässt sich ein besseres 3D-Bild des Radars erzeugen.

Kann das Radarsystem nur wenige Targets erkennen, arbeitet es ungenau.
Kann das Radarsystem nur wenige Targets erkennen, arbeitet es ungenau.
(Bild: Keysight)

Viele Targets verbessern die Sicht der Radarsensoren. Das Modell wird präziser.
Viele Targets verbessern die Sicht der Radarsensoren. Das Modell wird präziser.
(Bild: Keysight)

Für Hersteller von Fahrzeugen wird es zunehmend schwieriger, Algorithmen für das autonome Fahren zu testen und zu validieren. Die Sicherheitsfragen sind dabei ein zentraler Punkt der Untersuchungen. Der Radar Scene Emulator bietet ein vollständiges Szenen-Rendering, das Nah- und Fernziele über ein breites, kontinuierliches Sichtfeld (Field of View) emuliert.

Fußgänger und Radfahrer sind für autonomes Fahrzeuge kritische Größen. Das Radar erkennt Personen auf Entfernungen von 1,5 Meter.
Fußgänger und Radfahrer sind für autonomes Fahrzeuge kritische Größen. Das Radar erkennt Personen auf Entfernungen von 1,5 Meter.
(Bild: Keysight)

Für den Testingenieur bietet sich so die Möglichkeit, Radarsensoren im Fahrzeug zusammen mit hochkomplexen Multi-Target-Szenen zu testen. Der Radar-Emulator nutzt eine patentierte Technik, um mithilfe Zielsimulation verschiedene Verkehrsszenen zu emulieren.

Die Vorteile des Emulators im Überblick:

  • Das große Bild sehen: Der Emulator arbeitet mit einem breiteren, kontinuierlichen Sichtfeld. Er unterstützt nahe und ferne Ziele. Lücken im Sichtfeld werden ausgeschlossen. Ein besseres Training der Algorithmen, um die Umgebung zu erkennen und zu unterscheiden, ist möglich. Dabei sind es vor allem die dichten und komplexen Szenen.
  • Komplexe reale Welt: Testet man Radarsensoren gegen eine begrenzte Anzahl von Zielen, so ist die Sicht auf die Umgebung unvollständig. Reale Szenarien mit Variationen der Verkehrsdichte, Geschwindigkeit, Entfernung und Gesamtzahl der Ziele lassen sich mit dem Emulator simulieren.
  • Algorithmen beschleunigen: Dank einer deterministischen, realen Umgebung für komplexe Szenen lassen sich Trainingsdaten sammeln, die bisher nur in einem realen Test auf der Straße möglich waren. Komplexe Szenen, die zudem noch reproduzierbar sind, können mit hoher Dichte simuliert werden. Dabei kommen sowohl stehende als auch bewegliche Objekte zum Einsatz. Auch die Umgebungsmerkmale variieren.
  • verbesserte Auflösung der Szene: Damit der Algorithmus zwischen Hindernissen auf der Straße unterscheiden kann, sind ausreichend Tests notwendig. Das ist Voraussetzung für automatisiertes Fahren der Stufen 4 und 5. Hier helfen sogenannte Punktewolken (Mehrfachreflexionen pro Objekt), um die Auflösung für jedes Objekt zu verbessern.

Ein Teil der ADE-Plattform

Der Radar-Emulator ist Teil ADE-Plattform (Autonomous Drive Emulation) von Keysight. Es ist im Rahmen einer mehrjährigen Zusammenarbeit zwischen Keysight, IPG Automotive und Nordsys entstanden. Mit der Plattform lässt sich ADAS- und AD-Sofware trainieren, indem vordefinierte Anwendungsfälle wiedergegeben werden, die zeitsynchronisierte Eingaben auf die tatsächlichen Sensoren und Subsysteme in einem Fahrzeug anwenden.

Dazu gehören Satellitennavigation (GNSS), Vehicle to Everything (V2X), Kamera und Radar. Die Plattform ist offen und kann von den Herstellern in kommerzielle 3D-Modellierungen, Hardware-in-the-Loop- (HiL-)Systeme und bestehende Test- und Simulationsumgebungen integriert werden.

Autonome Fahrzeuge – womit sich Automobilhersteller beschäftigen sollten

Auf dem Weg zum autonomen Fahrzeug müssen die Fahrzeughersteller die Lücke zwischen Software-Simulation und Fahrversuch schließen. Aktuell untersucht man die Sensoren und Steuermodule, indem die Umgebung mit Software-in-the-Loop simuliert wird. Obwohl die Simulation ein gutes Werkzeug ist, so kann sie doch die realen und möglicherweise unvollkommenen Reaktionen der Sensoren nicht komplett nachbilden.

Mit Straßentests des gesamten integrierten Systems in einem Prototyp oder einem Fahrzeug mit Straßenzulassung können OEMs das Endprodukt validieren, bevor es auf den Markt kommt. Straßentests sind zwar unerlässlich und ein notwendiger Entwicklungsprozess, doch aufgrund der Kosten, des Zeitaufwands und weil sich Daten nicht reproduzieren lassen ist es unrealistisch, sich allein auf reale Straßentests zu verlassen. Es würde es Hunderte von Jahren dauern, bis die Fahrzeuge zuverlässig genug sind, um zu 100 Prozent sicher auf städtischen und ländlichen Straßen zu fahren.

Der zweite Punkt betrifft das Training der Algorithmen für ADAS und autonome Fahrzeuge unter realen Bedingungen. Mit einem ausreichenden Training der Algorithmen lassen sich Fahrzeugradare testen. Die Algorithmen nutzen die von den Radarsensoren eines Fahrzeugs erfassten Daten, um Entscheidungen zu treffen, wie das Fahrzeug in einer bestimmten Fahrsituation reagieren wird.

Ist der Algorithmus nicht richtig trainiert, treten Fehler auf, welche die Sicherheit von Fahrern, Beifahrern oder Fußgängern beeinträchtigen oder sogar gefährden. Ein unzureichend getestetes System ist für den Einsatz auf der Straße gefährlich. Deshalb müssen reale Szenarien emuliert werden. Erst dann lassen sich die Sensoren, der Code der elektronischen Steuereinheit (ECU) oder die Logik der künstlichen Intelligenz (KI) validieren.

Jetzt Newsletter abonnieren

Verpassen Sie nicht unsere besten Inhalte

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung

(ID:47898148)