Vollautonome Fahrzeuge der nicht allzu fernen Zukunft versprechen enorme Sicherheits- und Effizienzvorteile. Aber um dieses Versprechen einzulösen, müssen Automobil-Erstausrüster (OEMs) das derzeitige Niveau der Fahrzeugpalette übertreffen. Um diesen Sprung zu machen, müssen eine Reihe einzigartiger Herausforderungen beim Testen von Kfz-Radarsensoren in fortschrittlichen Fahrerassistenzsystemen (ADAS) und autonomen Fahrsystemen bewältigt und neue Methoden zum Trainieren von Algorithmen entwickelt werden, mit denen herkömmliche Lösungen nicht umgehen können.
SAE International (ehemals Society of Automotive Engineers) definiert sechs Stufen der Fahrzeugautonomie, wobei Stufe 0 vollständig manuell und Stufe 5 vollständig autonom ist.
Die fortschrittlichsten aktuellen autonomen Fahrzeugsysteme erreichen nur Level 3, was bedeutet, dass sie in der Lage sind, einige Entscheidungen wie Beschleunigung oder Bremsen ohne menschliches Eingreifen zu treffen. Um von Stufe 3 auf Stufe 5 zu gelangen, sind viele Fortschritte erforderlich, darunter die Überbrückung der Lücke zwischen Softwaresimulation und Straßentests sowie das Training von ADAS- und autonomen Fahrzeugalgorithmen unter realen Bedingungen.
Die neueste Innovation von Keysight, der Radar Scenario Emulator (RSE), trägt wesentlich dazu bei, diese Lücke zu schließen.
Softwaresimulation spielt eine wichtige Rolle bei der Entwicklung des autonomen Fahrzeugs. Die Simulation von Umgebungen mithilfe von Software kann dabei helfen, die Fähigkeiten von ADAS und autonomen Fahrsystemen zu validieren. Die Simulation kann jedoch die realen Fahrbedingungen oder eine möglicherweise unvollkommene Sensorreaktion nicht vollständig reproduzieren, womit sich vollautonome Fahrzeuge zwangsläufig auseinandersetzen müssen.
OEMs verlassen sich auf Straßentests, um Fahrerassistenzsysteme und autonome Fahrsysteme zu validieren, bevor sie sie auf den Markt bringen. Während Straßentests ein notwendiger Bestandteil des Entwicklungsprozesses sind und bleiben werden, ist es zeitaufwändig, teuer und schwierig, unter gegebenen Umgebungsbedingungen genau in einem Bereich zu replizieren. Sich ausschließlich auf Straßentests zu verlassen, um Fahrzeuge zu entwickeln, die zuverlässig genug sind, um zu 100 % sicher in städtischen und ländlichen Umgebungen zu fahren, würde Jahrzehnte dauern. Um die Entwicklung in einem realistischen Zeitrahmen durchzuführen, werden Trainingsalgorithmen benötigt.
Die Validierung radarbasierter autonomer Fahralgorithmen ist eine entscheidende Aufgabe. Die Sensoren erfassen Informationen aus Verkehrs- und Straßenbedingungen und leiten diese Informationen an Prozessoren und Algorithmen weiter, die es dem Fahrzeug ermöglichen, Entscheidungen darüber zu treffen, wie es in einer bestimmten Situation reagieren soll. Ohne angemessenes Training könnten autonome Fahrzeuge Entscheidungen treffen, die die Sicherheit des Fahrers, der Passagiere oder der Fußgänger beeinträchtigen.
So wie Menschen ihr Fahren mit Zeit und Erfahrung verbessern, verbessern autonome Fahrsysteme mit Zeit und Training ihre Fähigkeit, mit realen Fahrbedingungen umzugehen. Und das Erreichen der Autonomiestufe 5 erfordert komplexe Systeme, die die Fähigkeiten der besten menschlichen Fahrer übersteigen.
Vorzeitige Straßentests von ADAS und autonomen Fahrsystemen können Risiken bergen. OEMs müssen in der Lage sein, reale Szenarien zu simulieren, die die Validierung von Sensoren, ECU-Code, künstlicher Intelligenz und mehr ermöglichen.
Aktuelle laborbasierte Simulationslösungen bieten keine echte Annäherung an reale Fahrszenarien. Sie haben ein eingeschränktes Sichtfeld und können Objekte in Entfernungen von weniger als 4 Metern nicht unterscheiden. Einige dieser Systeme verwenden mehrere Radarzielsimulatoren, von denen jeder den Radarsensoren Punktziele präsentiert und die horizontale und vertikale Position durch mechanisches Variieren der Position der Antennen emuliert. Diese mechanische Automatisierung verlangsamt die gesamte Testzeit. Andere Lösungen erstellen eine Antennenwand mit nur wenigen Zielattrappen, wodurch ein Objekt leicht überall in der Szene erscheinen kann, aber nicht gleichzeitig. In einer statischen oder quasi-statischen Umgebung ermöglicht dieser Ansatz das Testen einiger Ziele, die sich seitlich mit Geschwindigkeiten bewegen, die durch die Geschwindigkeit der Roboterarme begrenzt sind.
Aktuelle Simulatoren können maximal nur 32 Objekte emulieren, darunter Fahrzeuge, Infrastruktur, Fußgänger, Hindernisse und andere Objekte. Das ist weit weniger als die Objekte, denen ein Fahrzeug zu irgendeinem Zeitpunkt auf der Straße begegnen würde. Das Testen von Radarsensoren anhand einer begrenzten Anzahl von Objekten gibt ein unvollständiges Bild von Fahrszenarien und verdeckt die Komplexität der realen Welt.
Um die autonome Fahrzeugtechnologie auf die Autonomiestufen 4 und 5 zu bringen, benötigen Automobil-OEMs Lösungen, die in der Lage sind, mehr Objekte schneller und aus kürzeren Entfernungen anzuzeigen. Um diese Lücken zu schließen, hat Keysight eine einzigartige skalierbare Simulationsanzeigetechnologie entwickelt, die Hunderte von Miniatur-Radarzielsimulatoren kombiniert und bis zu 512 Objekte in Entfernungen von bis zu 1.5 Metern emulieren kann. Das Ergebnis ist eine realitätsnahe, deterministische Umgebung für Labortests komplexer Szenarien, die bisher nur auf der Straße getestet werden konnten.
Keysight ist stolz auf diese technologischen Fortschritte und den daraus resultierenden Radar Scenario Emulator, einen wichtigen Bestandteil der Autonomous Driving Emulation (ADE)-Plattform. Wir glauben, dass diese Technologie einen großen Beitrag dazu leistet, zwei wichtige Lücken auf dem Weg zum autonomen Tier-5-Fahrzeug zu schließen und einen effizienteren und sichereren Transport mit weniger tödlichen Unfällen und weniger Zeitverschwendung im Straßenverkehr zu ermöglichen.
Autor Thomas Goetzl, Vice President Automotive and Energy Solutions bei Keysight Technologies
