Grundlagen der Technologie für autonome Fahrzeuge verstehen

Wenn ein Fahrzeug ohne menschliches Eingreifen eine komplexe Kreuzung im Stadtverkehr bewältigt, dabei zahlreiche Sensordaten verarbeitet und Entscheidungen in Sekundenbruchteilen trifft, erleben wir den Höhepunkt jahrzehntelanger technischer Entwicklung. Aktuellen Branchenangaben zufolge sind über 70 % der kritischen Sicherheitsvorfälle bei Tests mit autonomen Fahrzeugen nicht auf algorithmische Fehler zurückzuführen, sondern auf Integrationslücken zwischen den Teilsystemen für Sensorik, Wahrnehmung und Entscheidungsfindung.

Autonome Fahrzeuge stellen eine der komplexesten technischen Herausforderungen unserer Generation dar und erfordern die nahtlose Integration von Hardware, Software und KI-Systemen, die unter unvorhersehbaren Bedingungen einwandfrei funktionieren müssen. Diese interdisziplinäre Herausforderung erfordert Fachwissen in den Bereichen Sensortechnik, eingebettete Systeme, künstliche Intelligenz und vor allem im Bereich der sicherheitskritischen Systemtechnik.

Die sechs Stufen der Fahrzeugautonomie erklärt

Die Society of Automotive Engineers (SAE) hat ein standardisiertes Klassifizierungssystem entwickelt, das sechs Stufen der Fahrautomatisierung definiert, von Stufe 0 (vollständig manuell) bis Stufe 5 (vollständig autonom). Diese Klassifizierung dient der Branche als grundlegender Rahmen und schafft Klarheit über die Fähigkeiten und Grenzen der verschiedenen Systeme.

Nach unseren Erfahrungen bei der Implementierung von Level-2+-Systemen für große europäische Erstausrüster stellt der Übergang von Level 2 zu Level 3 keinen schrittweisen Fortschritt dar, sondern einen grundlegenden architektonischen Wandel. Dieser Übergang erfordert eine Neugestaltung der Sicherheitsarchitekturen, um die Übergabe der Verantwortung zwischen Fahrzeug und Fahrer zu ermöglichen – eine Herausforderung, die Fachwissen sowohl im Bereich der Ergonomie als auch bei sicherheitskritischen Systemen erfordert.

Kerntechnologien für die Sensorik im autonomen Fahren

Autonome Fahrzeuge sind auf eine Vielzahl von Sensoren angewiesen, um ihre Umgebung wahrzunehmen. Jeder Sensortyp hat seine eigenen Stärken und Grenzen:

• Kamerasysteme: Sie liefern umfangreiche visuelle Informationen und ermöglichen so die Objektklassifizierung und die Fahrspurerkennung. Allerdings haben sie bei widrigen Wetter- und Lichtverhältnissen Schwierigkeiten.
• LIDAR (Light Detection and Ranging): Ermöglicht eine präzise 3D-Kartierung durch die Messung von Laserlichtreflexionen. Moderne Festkörper-LIDAR-Geräte liefern hochauflösende Punktwolken, die für eine genaue Umgebungsmodellierung unerlässlich sind.
• Radar: Nutzt Radiowellen, um Objekte zu erkennen und deren Geschwindigkeit direkt zu messen. Radar bewährt sich besonders bei widrigen Wetterbedingungen und ermöglicht eine zuverlässige Fernerkennung.
• Ultraschallsensoren: Sie ermöglichen die Erkennung im Nahbereich, was für das Einparken und Manöver bei niedrigen Geschwindigkeiten entscheidend ist. Diese kostengünstigen Sensoren ergänzen die Sensoren für größere Entfernungen.
• GNSS und IMU: Globale Navigationssatellitensysteme in Kombination mit Trägheitsmesssystemen ermöglichen unter optimalen Bedingungen eine Positionsbestimmung mit einer Genauigkeit im Zentimeterbereich.

Bei unserer Arbeit an der Entwicklung von Sensorfusionsalgorithmen für führende europäische Automobilhersteller haben wir festgestellt, dass die Integrationsarchitektur ebenso wichtig ist wie die Sensoren selbst. Ein gut durchdachter Fusionsansatz gleicht die Einschränkungen einzelner Sensoren aus und nutzt gleichzeitig ihre sich ergänzenden Stärken, wodurch ein System entsteht, das die Leistungsfähigkeit jeder einzelnen Erfassungsmodalität übertrifft.

Die Rechnerarchitektur hinter selbstfahrenden Fahrzeugen

Die Recheninfrastruktur, auf der autonome Fahrzeuge basieren, muss riesige Datenströme von zahlreichen Sensoren in Echtzeit verarbeiten und gleichzeitig komplexe Algorithmen mit deterministischer Leistung ausführen. Moderne Plattformen für autonomes Fahren nutzen in der Regel eine heterogene Rechenarchitektur, die aus folgenden Komponenten besteht:

• Zentrale Recheneinheiten: Hochleistungs-SoCs, die CPUs, GPUs und spezielle Beschleuniger kombinieren, um rechenintensive Anforderungen zu bewältigen
• Domänencontroller: Zwischenverarbeitungseinheiten, die bestimmte Teilsysteme wie die Sensorvorverarbeitung oder die Fahrzeugdynamiksteuerung verwalten
• Sensor-Verarbeitungseinheiten: Spezielle Hardware für die erste Datenverarbeitung auf Sensorebene
• Redundante Sicherheitssysteme: Unabhängige Überwachungssysteme, die eine Ausfallsicherheit gewährleisten

Nach unseren Erfahrungen bei der Implementierung zentralisierter Rechnerarchitekturen für ADAS-Systeme stellen Skalierbarkeit und Wärmemanagement entscheidende technische Herausforderungen dar. Die Systeme müssen kontinuierliche Software-Updates bewältigen und gleichzeitig die Echtzeitleistung unter den begrenzten Bedingungen im Automobilbereich aufrechterhalten.

Kritische Sicherheitssysteme für autonome Fahrzeuge

Architektur für funktionale Sicherheit im autonomen Fahren

Die funktionale Sicherheit bildet den Grundstein für die Konstruktion autonomer Fahrzeuge und gewährleistet, dass das Systemverhalten auch bei Ausfällen sicher bleibt. Im Gegensatz zu herkömmlichen Fahrzeugsystemen muss die Technologie für autonomes Fahren neue Herausforderungen bewältigen, die über traditionelle Ansätze der funktionalen Sicherheit hinausgehen.

Die Norm ISO 26262 bildet die Grundlage für die funktionale Sicherheit im Automobilbereich und definiert einen umfassenden Rahmen für das Sicherheitsmanagement während des gesamten Entwicklungszyklus. Autonome Systeme bringen jedoch Komplexitäten mit sich, auf die die Norm ursprünglich nicht vollständig ausgelegt war.

„Unser Ansatz im Bereich der sicherheitskritischen Systemtechnik stützt sich auf Methoden aus der Luft- und Raumfahrt und gewährleistet, dass autonome Fahrzeugsysteme ihre Sicherheitsintegrität auch bei Komponentenausfällen oder widrigen Umgebungsbedingungen aufrechterhalten.“

- Vincent Person, Sicherheitsingenieur bei T&S

Eine robuste Architektur für die funktionale Sicherheit autonomer Fahrzeuge umfasst in der Regel:

• Aufschlüsselung von Sicherheitszielen und -anforderungen: Systematische Aufgliederung übergeordneter Sicherheitsziele in umsetzbare Anforderungen
• Redundante Sensor- und Aktuatorpfade: Unabhängige Kanäle, die einen unterbrechungsfreien Betrieb auch bei Ausfall einzelner Komponenten gewährleisten
• Überwachung und Diagnose: Umfassende Überwachung des Systemzustands mit geeigneten Strategien zur Leistungsreduzierung
• Verwaltung sicherer Zustände: Vordefinierte Ausweichverhalten für verschiedene Fehlerszenarien
• Verifizierung und Validierung: Strenge Testmethoden, die die Erfüllung der Sicherheitsanforderungen nachweisen

Bei der Entwicklung von Sicherheitsarchitekturen für Systeme der Stufe 3+ integrieren wir neben den herkömmlichen Ansätzen der funktionalen Sicherheit auch die SOTIF-Prinzipien (Safety Of The Intended Functionality). Damit werden Leistungsbeschränkungen und vorhersehbare Missbrauchszenarien berücksichtigt, die nicht in den Anwendungsbereich der Norm ISO 26262 fallen.

Von der Luft- und Raumfahrt zur Automobilindustrie: Transfer von Fachwissen über kritische Systeme

Die Luft- und Raumfahrtindustrie verfügt über jahrzehntelange Erfahrung in der Entwicklung äußerst zuverlässiger Systeme, bei denen Ausfälle katastrophale Folgen haben können. Dieses Fachwissen liefert wertvolle Erkenntnisse für die Entwicklung autonomer Fahrzeuge, insbesondere im Hinblick auf die Entwicklung sicherheitskritischer Systeme.

Zu den wichtigsten Grundsätzen aus der Luft- und Raumfahrt, die zur Verbesserung der Sicherheitspraktiken im Automobilbereich beitragen, gehören:

• Sicherheitsstufen: Die Norm DO-178C legt strenge Rahmenbedingungen für die Softwareentwicklung fest, die sich nach der Kritikalität richten
• Unabhängigkeit bei der Verifizierung: Vorgeschriebene Unabhängigkeit zwischen Entwicklungs- und Verifizierungsaktivitäten
• Formale Methoden: Mathematische Beweistechniken zur Überprüfung der Eigenschaften von Algorithmen für autonomes Fahren
• Sicherheitsmargen: Konservative Konstruktionsansätze, die Unsicherheiten berücksichtigen und Betriebsreserven schaffen

In unseren branchenübergreifenden Projekten, in denen wir Methoden aus der Luft- und Raumfahrt mit Entwicklungsprozessen der Automobilindustrie kombinieren, haben wir festgestellt, dass eine Anpassung der Verfahren aus der Luft- und Raumfahrt – anstatt deren direkte Übernahme – zu den besten Ergebnissen führt. Die Automobilindustrie unterliegt anderen Kosten-, Größen- und Markteinführungszeitvorgaben, die maßgeschneiderte Ansätze erfordern, ohne dabei die Sicherheitsintegrität zu beeinträchtigen.

Grundsätze für redundante Konstruktionen bei selbstfahrenden Autos

Strategien zur Sensorredundanz

Eine zuverlässige Umgebungswahrnehmung erfordert durchdachte Strategien zur Sensorredundanz, die Kostenbeschränkungen und Sicherheitsanforderungen in Einklang bringen. Zu den wirksamen Ansätzen gehören:

• Heterogene Redundanz: Einsatz verschiedener Sensortechnologien (LIDAR, Radar, Kamera), die nach unterschiedlichen physikalischen Prinzipien funktionieren
• Sich überschneidende Sichtfelder: Strategische Anordnung der Sensoren zur Schaffung sich überschneidender Erfassungsbereiche
• Analytische Redundanz: Fortschrittliche Algorithmen, die fehlende Informationen durch die Korrelation von Daten aus funktionierenden Sensoren ableiten
• Dynamische Neukonfiguration: Adaptive Wahrnehmungs-Pipelines, die sich auf der Grundlage der verfügbaren Sensoreingaben neu konfigurieren

Ausfallsicherungssysteme für Computerplattformen

Die für das autonome Fahren erforderliche Rechnerarchitektur muss auch bei Hardware- oder Softwareausfällen funktionsfähig bleiben. Zu den wichtigsten Redundanzkonzepten gehören:

• Lockstep-Verarbeitung: Doppelte Ausführung kritischer Algorithmen mit Vergleich der Ergebnisse zur Erkennung von Verarbeitungsfehlern
• Vielfältige Umsetzung: Kritische Funktionen, die unter Verwendung unterschiedlicher Algorithmen oder Programmieransätze umgesetzt werden
• Hot-Standby-Systeme: Sekundäre Rechenplattformen, die betriebsbereit gehalten werden und jederzeit sofort die Steuerung übernehmen können
• Graceful Degradation: Mehrstufige Funktionsstufen, bei denen die Leistungsfähigkeit schrittweise reduziert wird, anstatt das System vollständig abzuschalten

Auf der Grundlage unserer Erfahrungen in der Luft- und Raumfahrt integrieren wir Konzepte der byzantinischen Fehlertoleranz in unsere Rechenplattformen für das autonome Fahren, wodurch ein korrekter Systembetrieb auch dann gewährleistet ist, wenn einige Komponenten widersprüchliche Informationen liefern.

Wahrnehmung und Entscheidungsfindung in autonomen Systemen

Sensorfusionstechniken für ein verbessertes Umgebungsbewusstsein

Die Sensorfusion bildet den technologischen Eckpfeiler der Wahrnehmung autonomer Fahrzeuge, indem sie Daten verschiedener Sensoren kombiniert, um ein umfassendes und robustes Umgebungsmodell zu erstellen. Effektive Fusionsarchitekturen überwinden die Einschränkungen einzelner Sensoren und nutzen gleichzeitig deren komplementäre Stärken.

Zu den wichtigsten Fusionsansätzen, die in autonomen Produktionssystemen zum Einsatz kommen, gehören:

• Fusion auf niedriger Ebene (frühzeitige Fusion): Die Rohdaten der Sensoren werden vor der Merkmalsextraktion zusammengeführt, wodurch eine einheitliche Datendarstellung entsteht
• Fusion auf Merkmalsebene (mittlere Ebene): Jeder Sensor extrahiert eigenständig Merkmale, die anschließend zu einem einheitlichen Umgebungsmodell zusammengefasst werden
• Fusion auf Entscheidungsebene (spät): Jeder Sensor erstellt eigenständig Interpretationen auf hoher Ebene, wobei die Fusion erst in der Entscheidungsphase erfolgt

Unsere Implementierungen basieren in der Regel auf einer hybriden Fusionsarchitektur, bei der je nach der jeweiligen Wahrnehmungsaufgabe unterschiedliche Fusionsmethoden zum Einsatz kommen. So nutzen wir beispielsweise eine frühe Fusion für die präzise Lokalisierung anhand von Kamera- und LIDAR-Daten, während wir eine späte Fusion für die redundante Objektklassifizierung über verschiedene Sensormodalitäten hinweg einsetzen.

Ein besonders anspruchsvoller Aspekt der Sensorfusion ist die zeitliche Abstimmung und die Aufrechterhaltung der Kalibrierung. Auf der Grundlage unserer Erfahrungen in der Luft- und Raumfahrt haben wir robuste Verfahren zur Online-Überwachung der Kalibrierung entwickelt, die selbst geringfügige Abweichungen bei der Sensorausrichtung während des Betriebs erkennen.

KI-gestützte Wahrnehmungsalgorithmen für komplexe Szenarien

Die moderne autonome Wahrnehmung stützt sich in hohem Maße auf Deep-Learning-Ansätze, die die Möglichkeiten dieses Fachgebiets revolutioniert haben. Zu den wichtigsten Anwendungsbereichen zählen:

• Objekterkennung und -klassifizierung: Faltungsneuronale Netze erkennen und klassifizieren Verkehrsteilnehmer und Infrastrukturelemente
• Semantische Segmentierung: Die Klassifizierung auf Pixelebene ermöglicht ein detailliertes Verständnis der Szene und unterscheidet zwischen befahrbaren Flächen und Hindernissen
• Objektsegmentierung: Algorithmen unterscheiden zwischen einzelnen Objekten derselben Klasse – entscheidend für die Verfolgung mehrerer Fahrzeuge
• Verfolgung mehrerer Objekte: Algorithmen zur zeitlichen Korrelation verfolgen Objekte über einen längeren Zeitraum hinweg, wobei ihre Identität erhalten bleibt und ihre zukünftigen Positionen vorhergesagt werden

Obwohl diese KI-Systeme eine beeindruckende Leistung erbringen, stellt ihr Einsatz in sicherheitskritischen Anwendungen besondere Herausforderungen dar. Auf der Grundlage unserer branchenübergreifenden Erfahrung haben wir einen systematischen Ansatz zur Gewährleistung der KI-Sicherheit entwickelt, der eine umfassende Identifizierung von Randfällen, Methoden zur Erklärbarkeit sowie Systeme zur Laufzeitüberwachung umfasst.

Entscheidungsfindungsrahmen für autonome Fahrzeuge

Das Entscheidungssystem wandelt Wahrnehmungsdaten in Fahrmanöver um und bildet so das „Gehirn“ des autonomen Fahrzeugs. Zu den gängigen Architekturen gehören in der Regel:

• Verhaltensplanung: Übergeordnete Entscheidungsfindung zur Bestimmung geeigneter Fahrmanöver auf der Grundlage von Verkehrsregeln und -bedingungen
• Bewegungsplanung: Erzeugung von Bewegungsbahnen durch Umwandlung von Verhaltensentscheidungen in konkrete Pfade
• Steuerungsausführung: Low-Level-Steuerungen, die geplante Flugbahnen in konkrete Lenk-, Beschleunigungs- und Bremsbefehle umsetzen

Moderne Systeme setzen zunehmend auf hybride Ansätze, die regelbasierte Sicherheitsvorkehrungen, maschinelles Lernen für differenzierte soziale Interaktionen und eine optimierungsbasierte Planung kombinieren, die mehrere konkurrierende Ziele in Einklang bringt.

Umgang mit Randfällen und unerwarteten Situationen

Die eigentliche Herausforderung des autonomen Fahrens liegt nicht in der Bewältigung alltäglicher Situationen, sondern darin, auf seltene Ausnahmefälle angemessen zu reagieren. Unser Ansatz zur Bewältigung dieser Herausforderung umfasst:

• Szenariobasierte Entwicklung: Systematische Ermittlung und Kategorisierung anspruchsvoller Szenarien
• Grundsätze des defensiven Fahrens: Vorsichtige Planung mit angemessenen Sicherheitsabständen unter Berücksichtigung von Unwägbarkeiten
• Hierarchie der Ausweichstrategien: Mehrstufige Reaktionsprotokolle für verschiedene Arten von Systembeschränkungen
• Laufzeitüberwachung: Kontinuierliche Bewertung der Systemzuverlässigkeit und -leistung

Validierung und Verifizierung autonomer Systeme

Umfassende Testmethoden für die Technologie des autonomen Fahrens

Die Validierung autonomer Fahrsysteme stellt aufgrund der nahezu unendlichen Vielfalt realer Fahrszenarien und der Komplexität KI-basierter Wahrnehmungs- und Entscheidungssysteme vor beispiellose Herausforderungen. Ein umfassender Validierungsansatz erfordert mehrstufige Teststrategien:

• Anforderungsbasierte Prüfung: Systematische Überprüfung der Übereinstimmung des Systems mit den Funktions- und Leistungsspezifikationen
• Fehlerinjektionstests: Gezieltes Einbringen von Hardware- und Softwarefehlern zur Bewertung der Systemrobustheit
• Stresstests: Bewertung des Systemverhaltens unter extremen Bedingungen
• Testen von Randfällen: Gezielte Bewertung identifizierter Randfälle und seltener Szenarien
• Regressionstests: Kontinuierliche Überprüfung, ob neue Funktionen die bestehende Funktionalität beeinträchtigen

Auf der Grundlage unserer Erfahrung mit der Implementierung von Validierungsrahmenwerken für die Luft- und Raumfahrt haben wir eine umfassende Testtaxonomie für autonome Systeme entwickelt, die eine systematische Abdeckung sowohl der erwarteten Betriebsszenarien als auch der potenziellen Fehlermodi gewährleistet.

Simulationsbasierte Validierungsansätze

Simulationen bieten den Umfang und die Reproduzierbarkeit, die erforderlich sind, um autonome Systeme anhand von Millionen von Szenarien zu validieren, und ermöglichen so umfassende Tests, die in realen Umgebungen nicht durchführbar wären. Zu den wirksamen Simulationsstrategien gehören:

• Physikbasierte Sensorsimulation: Hochpräzise Modelle der Sensorphysik, die Umgebungswechselwirkungen genau abbilden
• Szenarioerstellung: Prozedurale Erstellung vielfältiger Testszenarien auf der Grundlage realer Daten und parametrisierter Variationen
• Software-in-the-Loop (SIL): Integration von realer Wahrnehmungs- und Entscheidungssoftware in Simulationsumgebungen
• Hardware-in-the-Loop (HIL): Kombination aus realen Hardwarekomponenten und simulierten Eingaben
• Digitale Zwillinge: Hochpräzise virtuelle Nachbildungen bestimmter Fahrzeugkonfigurationen

„Bei unseren Simulationsimplementierungen für europäische OEMs haben wir eine Methodik zur Szenarioabdeckung entwickelt, die gezielte Testfälle für bekannte Randfälle mit automatisierten Variationen kombiniert, um unbekannte Schwachstellen aufzudecken.“

- Matthieu Sauvage, Technischer Leiter bei T&S

Testprotokolle für autonome Fahrzeuge unter realen Bedingungen

Während Simulationen die Grundlage für die Validierung autonomer Systeme bilden, sind physikalische Tests nach wie vor unerlässlich, um die Leistung unter realen Betriebsbedingungen zu überprüfen. Zu den strukturierten Ansätzen gehören:

• Tests auf geschlossenen Teststrecken: Kontrollierte Umgebungen, in denen bestimmte Szenarien mit realen Fahrzeugen nachgestellt werden können
• Bewertung des Schattenmodus: Passiver Betrieb, bei dem die Entscheidungen des autonomen Systems mit denen menschlicher Fahrer verglichen werden
• Pilotprojekte: Begrenzte Betriebsversuche in kontrollierten Umgebungen mit Sicherheitsüberwachung
• Erfassung von Long-Tail-Daten: Gezielte Fahrversuche unter realen Bedingungen mit Schwerpunkt auf der Erfassung seltener Ereignisse und Randfälle
• Schrittweise Heranführung: Methodische Erweiterung des Einsatzbereichs von einfachen zu komplexen Umgebungen

Unsere Testprotokolle basieren auf Methoden aus der Luft- und Raumfahrt, wobei klar definierte Abnahmekriterien und Meilensteine für den Testfortschritt festgelegt werden, die erfüllt sein müssen, bevor die Betriebsgrenzen erweitert werden.

Herausforderungen für die Cybersicherheit bei vernetzten autonomen Fahrzeugen

Risikomodelle für selbstfahrende Fahrzeuge

Vernetzte autonome Fahrzeuge bieten im Vergleich zu herkömmlichen Fahrzeugen eine erheblich größere Angriffsfläche, da sie Schwachstellen im Fahrzeugbereich mit potenziellen Angriffspunkten durch Konnektivitätsfunktionen verbinden. Eine umfassende Bedrohungsmodellierung muss Folgendes berücksichtigen:

• Externe Kommunikationsschnittstellen: Vehicle-to-Everything (V2X)-Kommunikation, Mobilfunkverbindung, Bluetooth, WLAN-Protokolle
• Sensor-Spoofing und -Störung: Angriffe auf Umgebungssensoren durch Signalstörung oder -manipulation
• Software-Lieferkette: Sicherheitslücken, die durch Komponenten von Drittanbietern oder Entwicklungstools verursacht werden
• Szenarien mit physischem Zugriff: Angriffe, die einen direkten physischen Zugriff auf Fahrzeugsysteme erfordern
• Datenschutzbedenken: Abfluss sensibler Informationen, darunter Standortdaten und Aufzeichnungen aus dem Fahrgastraum

Auf der Grundlage unserer Erfahrungen bei der Umsetzung der Norm ISO 21434 zur Cybersicherheit im Automobilbereich haben wir strukturierte Methoden zur Bedrohungsanalyse entwickelt, mit denen sowohl bekannte Angriffsmuster als auch neu auftretende Bedrohungsvektoren systematisch bewertet werden.

Sichere Kommunikation in V2X-Umgebungen

Die Vehicle-to-Everything-Kommunikation (V2X) ermöglicht wichtige Sicherheitsfunktionen und eine Optimierung des Verkehrs, bringt jedoch erhebliche Sicherheitsherausforderungen mit sich. Robuste V2X-Sicherheitsarchitekturen müssen Folgendes umfassen:

• Nachrichtenauthentifizierung: Kryptografische Überprüfung der Herkunft und Integrität von Nachrichten
• Zertifikatsverwaltung: Skalierbare Public-Key-Infrastruktur zur Unterstützung der sicheren Verteilung von Zugangsdaten
• Datenschutz: Mechanismen, die eine sichere Kommunikation ermöglichen, ohne die Privatsphäre der Nutzer zu beeinträchtigen
• Erkennung von Fehlverhalten: Systeme zur Identifizierung und Eindämmung potenziell kompromittierter Teilnehmer
• Sichere Hardware-Integration: Hardware-Sicherheitsmodule zum Schutz kryptografischer Schlüssel

Unsere V2X-Sicherheitslösungen stützen sich auf branchenübergreifendes Fachwissen aus dem Bereich sicherer Kommunikationssysteme und nutzen mehrschichtige Sicherheitsstrategien, die kritische Sicherheitsfunktionen auch dann aufrechterhalten, wenn Teile der Sicherheitsinfrastruktur kompromittiert werden.

Over-the-Air-Updates und Sicherheitswartung

Die Möglichkeit, Fahrzeugsoftware aus der Ferne zu aktualisieren, bietet wichtige Funktionen für die Sicherheitswartung, birgt jedoch auch potenzielle Sicherheitsrisiken, wenn sie nicht ordnungsgemäß abgesichert wird. Zu den wichtigsten Sicherheitsmaßnahmen gehören:

• Sichere Bootloader: Überprüfung der Software-Authentizität vor der Ausführung
• Code-Signierung: Kryptografische Signaturen zur Überprüfung der Echtheit und Integrität von Software
• Sichere Update-Protokolle: Verschlüsselte und authentifizierte Kommunikationskanäle für die Softwarebereitstellung
• Rollback-Schutz: Mechanismen, die die Installation veralteter Softwareversionen verhindern
• Atomizität bei Aktualisierungen: Sicherstellen, dass Aktualisierungen entweder erfolgreich abgeschlossen werden oder in einen bekanntermaßen fehlerfreien Zustand zurückkehren
• Überwachung und Protokollierung: Umfassende Prüfpfade für Aktualisierungsvorgänge

Durch die Anwendung von Prinzipien aus dem Management missionskritischer Luft- und Raumfahrtsoftware setzt unsere OTA-Sicherheitsarchitektur einen mehrstufigen Validierungsansatz um, der Updates in mehreren Dimensionen überprüft, bevor sie sich auf den Fahrzeugbetrieb auswirken können.

Regulatorisches Umfeld und Zertifizierungsverfahren

Aktuelle rechtliche Rahmenbedingungen für autonome Fahrzeuge

Das regulatorische Umfeld für autonome Fahrzeuge entwickelt sich weiter, wobei die Rahmenbedingungen in den verschiedenen Regionen unterschiedlich schnell voranschreiten. Zu den wichtigsten regulatorischen Ansätzen gehören:

• Wirtschaftskommission der Vereinten Nationen für Europa (UNECE): Die Arbeitsgruppe WP.29 hat Vorschriften erarbeitet, die speziell auf automatisierte Fahrsysteme ausgerichtet sind
• Europäische Union: Aufbauend auf den Rahmenwerken der UNECE mit zusätzlichen Anforderungen hinsichtlich Datenerfassung und Cybersicherheit
• Vereinigte Staaten: Ein uneinheitlicher Ansatz, bei dem bundesstaatliche Richtlinien mit unterschiedlichen Gesetzen auf Ebene der Bundesstaaten kombiniert werden
• China: Rasche Entwicklung nationaler Standards durch die „China Industry Innovation Alliance for Intelligent and Connected Vehicles“

Unser Team für die Einhaltung gesetzlicher Vorschriften beteiligt sich aktiv an der Ausarbeitung von Standards, nimmt an Arbeitsgruppen teil und integriert neue Anforderungen bereits weit vor Ablauf der Umsetzungsfristen in unsere Entwicklungsmethoden.

Herausforderungen bei der Zertifizierung autonomer Fahrsysteme

Die Zertifizierung autonomer Systeme bringt besondere Herausforderungen mit sich, für deren Bewältigung herkömmliche Typgenehmigungsverfahren nicht ausgelegt sind:

• KI-Verifizierung: Herkömmliche Zertifizierungen stützen sich auf deterministische Tests, während KI-basierte Systeme statistische Ansätze erfordern
• Definition des Bereichs „Operational Design“: Genaue Festlegung der Bedingungen, unter denen autonome Systeme sicher betrieben werden können
• Szenarioabdeckung: Nachweis einer ausreichenden Testabdeckung für praktisch unbegrenzte Fahrszenarien
• Software-Updates: Zertifizierungsprozesse müssen häufige Software-Updates ermöglichen, ohne dass eine vollständige Neuzertifizierung erforderlich ist
• Erhebung von Nachweisen: Erarbeitung der für den Nachweis der Sicherheit erforderlichen Menge und Qualität an Nachweisen

Auf der Grundlage unserer Erfahrungen mit Zertifizierungen in der Luft- und Raumfahrt haben wir strukturierte Methoden zur Sicherheitsbegründung entwickelt, die Nachweise hierarchisch ordnen und allgemeine Sicherheitsaussagen durch klar formulierte Argumente mit konkreten Testergebnissen verknüpfen.

Internationale Normungsbemühungen

Normungsorganisationen weltweit arbeiten daran, einheitliche Rahmenbedingungen für die Entwicklung, Erprobung und den Einsatz autonomer Fahrzeuge zu schaffen:

• ISO 21448 (SOTIF): Befasst sich mit der Sicherheit der beabsichtigten Funktionalität und ergänzt damit die Norm ISO 26262
• ISO/PAS 22736: Enthält eine Taxonomie und Definitionen für Bereiche der Betriebsplanung
• IEEE P2846: Befasst sich mit Annahmen für autonome Systeme, insbesondere mit Modellen zum Verhalten menschlicher Fahrer
• UL 4600: Behandelt Sicherheitsgrundsätze und Verfahren zur Bewertung autonomer Produkte

Unsere Normungsexperten leisten einen aktiven Beitrag zu diesen sich entwickelnden Rahmenwerken und stellen so sicher, dass unsere Methoden stets mit internationalen Best Practices im Einklang stehen, während sie gleichzeitig dazu beitragen, Normen zu gestalten, die Innovation und Sicherheit in Einklang bringen.

Der Weg in die Zukunft: Neue Trends im autonomen Verkehr

Technologische Konvergenz: Elektrisch, vernetzt und autonom

Die Zukunft der Mobilität wird durch das Zusammenspiel dreier bahnbrechender Technologien geprägt: Elektrifizierung, Vernetzung und Autonomie. Dieses Zusammenspiel birgt sowohl Herausforderungen als auch Chancen:

• Integrierte Systemoptimierung: Architekturen für Elektrofahrzeuge bieten Vorteile für autonome Systeme
• Energiemanagement: Algorithmen für autonomes Fahren müssen neben Sicherheit und Effizienz auch die Energieoptimierung berücksichtigen
• Modelle der geteilten Mobilität: Die Kombination aus Elektro- und Autonomie-Technologien ermöglicht neue dienstleistungsorientierte Mobilitätsmodelle
• Integration des Datenökosystems: Vernetzte autonome Fahrzeuge werden zu Knotenpunkten in umfassenderen intelligenten Verkehrssystemen

Unsere bereichsübergreifende Expertise in den Bereichen Elektrifizierung und autonome Systeme ermöglicht eine integrierte Architekturentwicklung, die diese konvergierenden Technologien optimal miteinander verbindet und so Lösungen für das gesamte Mobilitätsökosystem schafft.

Infrastrukturanforderungen für den großflächigen Einsatz autonomer Fahrzeuge

Zwar sind autonome Fahrzeuge darauf ausgelegt, innerhalb der bestehenden Infrastruktur zu funktionieren, doch können bestimmte Verbesserungen ihre Leistung und Sicherheit erheblich steigern:

• Digitale Infrastruktur: Hochauflösende Karten, Verkehrsinformationen in Echtzeit und aktuelle Meldungen zum Straßenzustand
• Kommunikationsnetze: Zuverlässige Verbindungen mit geringer Latenz, die V2X-Funktionen unterstützen
• Intelligente Kreuzungen: Infrastrukturbasierte Sensorik an komplexen Kreuzungen als Ergänzung zu Fahrzeugsensoren
• Standards für die physische Infrastruktur: Einheitliche Straßenmarkierungen, Beschilderung und Instandhaltungsmaßnahmen
• Regulierung und Governance: Rechtliche Rahmenbedingungen zur Festlegung von Haftung, Dateneigentum und betrieblichen Anforderungen

Auf der Grundlage unserer Erfahrungen mit Smart-City-Initiativen haben wir einen mehrstufigen Ansatz für die Infrastrukturplanung entwickelt, der unmittelbare Implementierungsanforderungen mit langfristiger Optimierung in Einklang bringt.

Die Zukunft der Mensch-Maschine-Interaktion in autonomen Fahrzeugen

Da Fahrzeuge immer autonomer werden, verändert sich die Beziehung zwischen Mensch und Fahrzeug grundlegend, wodurch neue Interaktionsparadigmen entstehen:

• Übergangskontrollschnittstellen: Systeme zur effektiven Steuerung des Übergangs zwischen autonomem und manuellem Fahrmodus
• Vertrauenskalibrierung: Schnittstellen, die die Fähigkeiten und Grenzen des Systems präzise vermitteln
• Gestaltung des Fahrgasterlebnisses: Innenraumkonzepte, die eher auf die Fahrgäste als auf die Fahrer ausgerichtet sind
• Externe Kommunikation: Systeme, die anderen Verkehrsteilnehmern die Absichten des Fahrzeugs mitteilen
• Verbesserungen der Barrierefreiheit: Autonome Mobilitätsdienste, die auf die Bedürfnisse von Nutzern mit unterschiedlichen Fähigkeiten zugeschnitten sind

Unsere Spezialisten für Human Factors vereinen Fachwissen aus den Bereichen Automobilindustrie, Luft- und Raumfahrt sowie Unterhaltungselektronik, um intuitive Benutzeroberflächen zu entwickeln, die das nötige Vertrauen schaffen und gleichzeitig das Interesse der Nutzer aufrechterhalten.

Wie T&S Lösungen für autonome Fahrzeuge entwickelt

Unser sektorübergreifender Ansatz bei der Entwicklung autonomer Systeme

Der einzigartige Ansatz von Technology & Strategy bei der Entwicklung autonomer Fahrzeuge stützt sich auf unser branchenübergreifendes Fachwissen, insbesondere auf die Übertragung von Methoden aus der Luft- und Raumfahrt sowie der Verteidigungsindustrie auf Anwendungen im Automobilbereich:

• Entwicklung sicherheitskritischer Systeme: Anwendung von Sicherheitsprozessen nach Luft- und Raumfahrtstandard zur Gewährleistung eines robusten Betriebs auch bei Komponentenausfällen
• System-of-Systems-Integration: Fachkompetenz im Umgang mit komplexen Wechselwirkungen zwischen Subsystemen, die von verschiedenen Teams entwickelt wurden
• Zertifizierungsmethoden: Strukturierte Ansätze zur Erarbeitung von Nachweisen und zur Entwicklung von Assurance-Cases
• Domänenübergreifende Optimierung: Ausgewogene Berücksichtigung konkurrierender Anforderungen in den Bereichen funktionale Sicherheit, Cybersicherheit, Leistung und Kosten

Unsere Ingenieure verfügen über Erfahrungen aus verschiedenen Branchen und wenden bewährte Ansätze aus etablierten Bereichen auf die neuen Herausforderungen im Bereich autonomer Fahrzeuge an. Diese Perspektive ermöglicht innovative Lösungen, die bei einer Fokussierung auf eine einzige Branche möglicherweise übersehen würden.

Fallstudien: Einführung fortschrittlicher Fahrerassistenzsysteme

Hochwertiges europäisches OEM-Autobahnassistenzsystem: Die Ingenieure von T&S entwickelten eine Sensor-Fusionsarchitektur für ein Autobahnassistenzsystem der Stufe 2+, das Radar-, Kamera- und Ultraschallsignale kombiniert, um das Fahren auf der Autobahn ohne Eingreifen des Fahrers zu ermöglichen. Unser Team implementierte eine Strategie zur schrittweisen Funktionsreduzierung, die bei Sensorausfällen eine teilweise Funktionsfähigkeit aufrechterhielt und so die Systemverfügbarkeit deutlich verbesserte, ohne die Sicherheit zu beeinträchtigen.

Technologie für das Platooning von Nutzfahrzeugen: Für einen Nutzfahrzeughersteller haben wir ein V2V-Kommunikationssystem entwickelt und implementiert, das das Platooning von Lkw mit dynamisch anpassbaren Abständen ermöglicht. Das System umfasst Cybersicherheitsmaßnahmen, die aus Kommunikationssystemen der Verteidigungsindustrie stammen und eine hohe Widerstandsfähigkeit gegen mögliche Störungen gewährleisten.

Optimierung eines Einparkhilfesystems: Unser Team hat ein bestehendes Einparkhilfesystem durch den Einsatz fortschrittlicher Sensorfusionstechniken verbessert, wodurch die Leistung unter schwierigen Lichtverhältnissen gesteigert wurde. Das optimierte System zeigte eine um 35 % höhere Erkennungszuverlässigkeit bei einer Reduzierung der Fehlalarme um über 40 %.

Diese Implementierungen belegen unsere Fähigkeit, konkrete Verbesserungen in realen ADAS-Systemen zu erzielen, indem wir unser branchenübergreifendes Fachwissen zur Lösung spezifischer technischer Herausforderungen einsetzen und gleichzeitig eine nahtlose Integration in bestehende Fahrzeugarchitekturen gewährleisten.

Gemeinsame Innovation im Bereich der autonomen Fahrtechnologie

Die Entwicklung autonomer Fahrzeuge erfordert die Zusammenarbeit zwischen Bereichen, die traditionell voneinander getrennt sind. T&S unterstützt diese Integration durch:

• Interdisziplinäre Ingenieurteams: Projektteams, die Fachwissen aus den Bereichen Hardware, Software, KI, Sicherheitstechnik und Human Factors vereinen
• Lieferantenintegration: Unterstützung von OEMs bei der effektiven Integration von Komponenten und Teilsystemen verschiedener Lieferanten
• Wissenschaftliche Partnerschaften: Zusammenarbeit mit Forschungseinrichtungen, um die Ansätze stets an die neuesten technologischen Entwicklungen anzupassen
• Branchenübergreifende Arbeitsgruppen: Aktive Mitwirkung an der Entwicklung von Standards und in Branchenkonsortien, die sich mit den Herausforderungen des autonomen Fahrens befassen

Durch die Förderung dieser kooperativen Ansätze tragen wir dazu bei, die Entwicklung autonomer Fahrzeuge voranzutreiben und gleichzeitig die strengen technischen Standards einzuhalten, die für sicherheitskritische Systeme unerlässlich sind.

Der Weg hin zu vollständig autonomen Fahrzeugen stellt eine der komplexesten technischen Herausforderungen unserer Zeit dar und erfordert Fachwissen aus verschiedenen Bereichen und Disziplinen. Der branchenübergreifende Ansatz von Technology & Strategy, der Sicherheitsmethoden aus der Luft- und Raumfahrt mit spezifischer Umsetzungserfahrung im Automobilbereich verbindet, bietet Unternehmen, die sich in diesem anspruchsvollen Umfeld bewegen, einen einzigartigen Mehrwert.

Unsere Fähigkeit, sicherheitskritische Systemtechnik mit modernsten KI- und Sensortechnologien zu verbinden, ermöglicht die Entwicklung autonomer Systeme, die sowohl innovativ als auch vertrauenswürdig sind. Angesichts der fortschreitenden Reifung der Branche für autonome Fahrzeuge wird dieser ausgewogene Ansatz – der strenge Sicherheitsstandards beibehält und gleichzeitig den technologischen Fortschritt nutzt – entscheidend sein, um das Versprechen eines sichereren und effizienteren Verkehrs einzulösen.

Wenn Sie mehr darüber erfahren möchten, wie der Bereich „Technologie & Strategie“ Ihre Initiativen im Bereich autonomer Fahrzeuge unterstützen kann, informieren Sie sich über unsere intelligenten Validierungslösungen oder wenden Sie sich an unsere Spezialisten für Automobiltechnik, um eine Beratung zu Ihren spezifischen Herausforderungen zu erhalten.