ADAS Tests -Validierung unter Verwendung von Echtzeit-Simulationsplattformen

Wichtigste Erkenntnisse

• Die ADAS-Validierung funktioniert am besten, wenn die Simulation an messbare Anforderungen, kontrollierte Szenarien und wiederholbare Nachweise geknüpft ist.
• Die Sensorgenauigkeit, die zeitliche Abstimmung im Regelkreis und hardware decken Fehler auf, die bei einer einfachen Wiedergabe und der Auswertung von Gesamtkilometerständen übersehen würden.
• Die OEM-Zulassung hängt von der Übereinstimmung der Ergebnisse zwischen Modell, Prüfstand und Fahrzeug ab, nicht allein vom Umfang der Simulation.

Die ADAS-Validierung funktioniert, wenn das Systemverhalten durch Simulationen nachgewiesen wird, bevor Testfahrten auf der Rennstrecke beginnen.

Teams, die auf Fahrzeugtests warten, verbringen zu viel Zeit damit, Fehler zu finden, die bereits früher in der Simulation erkennbar waren. Eine Studie des IIHS ergab, dass Frontalaufprall-Präventionssysteme Auffahrunfälle um 50 % reduzieren, was zeigt, wie sehr die Sicherheit von einer konsistenten Funktionsleistung in wiederholbaren Fällen abhängt. Diese Erkenntnisse lassen sich nicht allein durch Testfahrten auf der Straße gewinnen, da seltene Einfahrmanöver, teilweise Sichtbehinderungen und schlechte Sensorbedingungen nur schwer auf Kommando reproduzierbar sind. Echtzeit-Simulationen lösen dieses Problem, wenn sie mit klaren Anforderungen, hochpräzisen Sensormodellen und einer Closed-Loop-Ausführung verbunden sind.

„Szenariobibliotheken sind besser geeignet als Feldstudien, wenn man in begrenzter Zeit und mit begrenztem Budget umfassende Erkenntnisse gewinnen muss.“

Tests ADAS Tests mit einer Simulation, bevor die Fahrzeugtests stattfinden

Die Simulation sollte Ihre erste ADAS-Testphase sein, da sie unsichere Logik, Timing-Fehler und eine unzureichende Szenarioabdeckung aufdeckt, bevor Sie Fahrzeuge, Fahrer oder Testzeit riskieren. Fahrzeugtests sind nach wie vor wichtig, aber sie sind am effektivsten, wenn die Funktion bereits wiederholbare virtuelle Testfälle mit klaren Bestehens- und Fehlkriterien durchlaufen hat.

Eine automatische Notbremsfunktion macht dies schnell deutlich. Ein Kinderdummy, der hinter einem geparkten Lieferwagen hervortritt, lässt sich nur schwer immer wieder mit derselben Geschwindigkeit, demselben Winkel und demselben Zeitpunkt der Sichtbehinderung inszenieren. Ein Simulator kann diesen speziellen Fall hunderte Male durchspielen, während Sie die Geschwindigkeit des Fahrzeugs, die Zielgeschwindigkeit, die Bremskraft und die Kameraeinstellungen variieren. Diese Wiederholbarkeit verschafft Ihnen einen klaren Überblick darüber, wo die Funktion versagt.

Eine frühzeitige Simulation reduziert zudem den Aufwand entlang der gesamten Testkette. Sie erkennen bereits vor der Buchung eines Prüfstands oder eines Testzeitfensters fehlerhafte Schwellenwerte, instabile Tracker und eine mangelhafte Reglerabstimmung. Ihr Testteam kann sich dann darauf konzentrieren, bekannte Verhaltensweisen zu bestätigen, anstatt nach grundlegenden Fehlern zu suchen. Diese Reihenfolge ist entscheidend, denn die teuerste Testphase sollte niemals Ihr erstes Debugging-Werkzeug sein.

Die Rückverfolgbarkeit der Anforderungen bildet die Grundlage für zuverlässige Tests

Glaubwürdige Tests beginnen mit der Rückverfolgbarkeit von einer Anforderung über einen messbaren Test bis hin zu den gespeicherten Nachweisen. Sie müssen nachweisen, welche Funktion getestet wurde, welches Szenario sie ausgelöst hat, welche Signale den Erfolg definiert haben und wie das Ergebnis mit einem Sicherheits- oder Leistungsziel in Verbindung steht.

Eine Anforderung zur Spurhaltung verdeutlicht den Unterschied zwischen einer vagen und einer umsetzbaren Anforderung. „Das Fahrzeug in der Spur halten“ reicht für die Validierung nicht aus, da Angaben zu Geschwindigkeitsbereich, Straßenkrümmung, Qualität der Fahrbahnmarkierung, zulässigem seitlichen Abweichungsbereich und Reaktionszeit fehlen. Eine rückverfolgbare Anforderung legt den Betriebsbereich, den messbaren Schwellenwert, die erwartete Reaktion des Reglers und die für die Freigabe erforderlichen Nachweise fest. Sobald diese vorliegen, wird Ihre Simulationskampagne strukturiert statt improvisiert.

• Objektklassen müssen definiert werden, damit die Ausgabe der Wahrnehmung anhand der richtigen Kategorie überprüft werden kann.
• Für die Straßengeometrie müssen Grenzwerte für Kurvenradius, Steigung und Fahrspurbreite festgelegt werden, damit die Variation der Szenarien unter Kontrolle bleibt.
• Die Geschwindigkeits- und Beschleunigungsbereiche müssen eindeutig festgelegt sein, damit das Ansprechverhalten des Reglers anhand des richtigen Betriebsbereichs beurteilt werden kann.
• Fälle von Sensorverschleiß sollten benannt werden, damit teilweise Abdeckungen, Blendungen und Ausfälle gezielt getestet werden.
• Reaktionen im sicheren Zustand benötigen Zeitvorgaben, damit das Ausweichverhalten ohne Spekulationen überprüft werden kann.

Die Rückverfolgbarkeit schützt Sie auch bei der Überprüfung. Die OEM-Teams werden fragen, inwiefern ein fehlgeschlagener Cut-in-Fall mit einer festgelegten Anforderung zusammenhängt und was sich nach der Behebung geändert hat. Ist diese Kette lückenhaft, verliert der Nachweis an Aussagekraft, selbst wenn die Simulation überzeugend erscheint. Eine gute Rückverfolgbarkeit verwandelt Tests einem großen Stapel von Durchläufen in ein Validierungsprotokoll, das Sie verteidigen können.

Die Abdeckung der Testszenarien ist wichtiger als das reine Testvolumen

Die Abdeckung verschiedener Szenarien ist wichtiger als das reine Testvolumen, da sich hinter ähnlichen Fahrstrecken dieselben Schwachstellen verbergen können. Es bedarf gezielter Variationen hinsichtlich Geschwindigkeit, Straßenbeschaffenheit, Objektbewegung, Lichtverhältnissen und Sensorzustand, damit die Funktion alle Fälle abdeckt, die zu einem Ausfall führen können.

Eine hohe Kilometerleistung klingt zwar beruhigend, kann aber irreführend sein, wenn sich das gleiche Fahrverhalten auf der Fahrspur wiederholt. RAND schätzte, dass 11 Milliarden Meilen Straßenfahrleistung erforderlich wären, um einen Sicherheitsgewinn von 20 % mit einer Konfidenz von 80 % nachzuweisen. Dieses Ausmaß erklärt, warum Simulationen für autonome Funktionen Long-Tail-Risiken unverzichtbar sind. Szenariobibliotheken sind der Fahrleistung auf der Straße überlegen, wenn man mit begrenzter Zeit und begrenztem Budget umfassende Erkenntnisse benötigt.

Eine sinnvolle Kampagne variiert die Faktoren, die den Fahrer tatsächlich belasten. Ein Überholmanöver kann unter verschiedenen Bedingungen wiederholt werden: auf trockener Fahrbahn, bei tief stehender Sonne, bei verblassten Fahrbahnmarkierungen und wenn ein Motorrad das Sensorfeld durchquert. Jede Variante testet eine bestimmte Schwachstelle in der Wahrnehmung, der Planung oder der Kontrolle. Fünfzig sorgfältig ausgewählte Fälle sind wertvoller als Tausende von Kilometern auf der Autobahn.

Die Genauigkeit der Sensoren bestimmt den Wert der Lidar-Simulation

Eine Lidar-Simulation ist nur dann sinnvoll, wenn sie die Sensoreffekte nachbildet, die die Wahrnehmungsergebnisse beeinflussen. Punktzeitpunkte, Reflektivität, Verdeckungen, Abtastmuster und wetterbedingte Signalverluste beeinflussen allesamt, was Ihr System erkennt, verfolgt und klassifiziert; daher liefert eine einfache Objektliste nicht genügend Informationen.

Ein Fußgänger in dunkler Kleidung neben einer reflektierenden Leitplanke verdeutlicht, warum Genauigkeit entscheidend ist. Wenn das Modell nur eine perfekte Objektposition übermittelt, erkennt Ihr System niemals die lückenhaften Rückmeldungen, fehlenden Punkte oder Entfernungsrauschen, die sich auf die Clusterbildung und die Verfolgung auswirken. Regen erschwert die Situation zusätzlich, da durch den Verlust von Regentropfen und Reflexionen auf nassen Oberflächen die Punktwolke im Laufe der Zeit verzerrt wird. Diese Details entscheiden darüber, ob der Planer ein stabiles oder ein fehlerhaftes Ziel erhält.

Auch die Lidar-Simulation muss mit dem restlichen System abgestimmt sein. Zeitstempel, Synchronisation und Einbaugeometrie beeinflussen die Fusion mit Kamera-, Radar- und Fahrzeugbewegungsschätzungen. Eine schlechte Abstimmung kann dazu führen, dass ein eigentlich leistungsfähiges Wahrnehmungsmodell schwach erscheint oder einen Fehler verdeckt, der sich später im Straßenverkehr bemerkbar macht. Eine hochpräzise Sensorsimulation liefert Erkenntnisse über das Systemverhalten und zeigt, ob die Ergebnisse für eine Validierung bereit sind – und nicht nur für eine visuelle Demonstration.

Die Zeitmessung im geschlossenen Regelkreis deckt Fehler auf, die bei der Offline-Wiedergabe übersehen werden

Tests im geschlossenen Regelkreis decken Fehler auf, die bei einer Offline-Wiedergabe übersehen werden, da die Reaktion des Reglers den nächsten Sensoreingang und den Fahrzeugzustand beeinflusst. Sobald Brems-, Lenk- oder Drehmomentbefehle in das Modell zurückgeführt werden, zeigen sich Latenz- und Planungsfehler in Form von übersehenen Erkennungen, instabiler Regelung oder unsicherem Zeitpunkt der Eingriffe.

Nehmen wir als Beispiel eine Vorwärtskollisionswarnkette mit Wahrnehmung, Datenfusion, Wegvorhersage und Bremsanforderungslogik. Durch eine Offline-Wiedergabe lässt sich bestätigen, dass jeder software für eine aufgezeichnete Sequenz ein plausibles Ergebnis geliefert hat. Die Ausführung im geschlossenen Regelkreis geht jedoch noch einen Schritt weiter, da die Bremsanforderung die Fahrzeuggeschwindigkeit verändert, was wiederum die Zielgeschwindigkeitsänderung beeinflusst, was wiederum den nächsten Wahrnehmungsframe und die nächste Regleraktion beeinflusst. In dieser Rückkopplungsschleife werden kleine zeitliche Abweichungen sichtbar.

Latenzbudgets gehen oft durch mehrere geringfügige Verzögerungen verloren und nicht durch einen einzigen offensichtlichen Stillstand. Sensorgenerierung, Middleware-Transport, Aufgabenplanung und Befehlspfade zu den Aktuatoren tragen jeweils Millisekunden bei. Ein System kann die Replay-Analyse bestehen und dennoch zu spät bremsen, sobald diese Verzögerungen zusammenwirken. Die ADAS-Simulation im geschlossenen Regelkreis bietet Ihnen die einzige aussagekräftige Möglichkeit, das Timing als Systemverhalten zu testen, anstatt isolierte software zu betrachten.

Hardware “ wird das Verhalten des Reglers unter Last überprüft

Tests dass sich die Seriensteuerung korrekt verhält, wenn software mit I/O tatsächlichen I/O , dem Busverkehr und den Rechengrenzen konfrontiert wird. Dies ist von Bedeutung, da viele ADAS-Fehler erst dann auftreten, wenn die Ziel-ECU unter derselben Last, demselben Interrupt-Muster und denselben Schnittstellen-Timings läuft, wie sie im Fahrzeug auftreten werden.

Ein mit OPAL-RT ausgestatteter Prüfstand kann Fahrzeugdynamik, Sensormodelle und Verkehrsszenarien in Echtzeit simulieren, während die Serien-ECU über CAN, Ethernet und diskrete I/O dem Simulator kommuniziert. Mit dieser Konfiguration lassen sich Watchdog-Timing, Schnittstellensättigung und Fallback-Logik anhand der tatsächlichen hardware überprüfen. Thermische Drosselung, Protokollierungsaufwand und konkurrierende Aufgaben verändern oft das Verhalten, selbst wenn der Algorithmus bei software Softwareläufen stabil erschien. Das wird erst deutlich, wenn die ECU Teil des Regelkreises ist.

Gute HIL-Arbeit ist diszipliniert und zielgerichtet. Man benötigt synchronisierte Protokolle, wiederholbare Stimuli und eine klare Fehlerisolierung, damit ein fehlerhafter Durchlauf diagnostiziert und nicht nur vermutet werden kann. Genau hier gewinnen oder verlieren viele Programme das Vertrauen. HIL ist nicht nur eine weitere Testphase; es ist der Punkt, an dem die virtuelle Validierung auf die tatsächliche Steuerung trifft, die Sie ausliefern wollen.

Die Fehlerinjektion deckt Vorteil vor Tests auf

Fehlerinjektionstests prüfen, wie sich eine ADAS-Funktion verhält, wenn die Eingaben oder die Plattform nicht mehr ideal funktionieren, sondern beeinträchtigt sind. Sie können Paketverluste, Taktabweichungen, teilweise verdeckte Sensoren, veraltete Objekte oder beschädigte Zeitstempel simulieren und anschließend überprüfen, ob die Funktion innerhalb der vorgeschriebenen Zeit in einen definierten sicheren Zustand wechselt.

Ein Kamerabildstrom, der bei einem Einblendevorgang für 120 Millisekunden unterbrochen wird, ist ein anschauliches Beispiel. Der Wahrnehmungsstapel könnte weiterhin das zuletzt bekannte Ziel ausgeben, die Fahrspur zu früh freigeben oder eine geringe Zuverlässigkeit melden und einen Fallback anfordern. Jedes dieser Ergebnisse hat unterschiedliche Auswirkungen auf die Sicherheit hinsichtlich der Warnlogik und der Längssteuerung. Durch das Einfügen des Fehlers in die Simulation können Sie diese Verzweigungen untersuchen, ohne unnötige Risiken auf der Fahrspur zu verursachen.

Gute Fehlerkampagnen decken auch Kombinationen ab und nicht nur einzelne Fehler. Ein geringfügiger Taktversatz ist für sich genommen vielleicht noch beherrschbar, doch derselbe Versatz in Verbindung mit einer Busüberlastung und einem Bremsvorgang mit geringem Reibungswiderstand führt zu einem instabilen Verhalten des Controllers. Sie Tests sowohl Tests als auch die Fehlererkennung. Diese Unterscheidung ist wichtig, da die Zulassung von ADAS-Systemen von einer vorhersehbaren Leistungsminderung und einem eindeutigen Verhalten im sicheren Zustand unter Fehlerbedingungen abhängt.

„Die OEM-Zulassung hängt davon ab, dass die Nachweise vom Modell über den Prüfstand bis hin zum Fahrzeug konsistent sind.“

Durch Korrelation werden Simulationsergebnisse für die Zulassung durch Erstausrüster nutzbar

Die OEM-Zulassung hängt davon ab, dass die Nachweise vom Modell über den Prüfstand bis hin zum Fahrzeug konsistent sind. Simulationsergebnisse werden erst dann zu aussagekräftigem Zulassungsmaterial, wenn sie mit den gemessenen Signalen, den Szenarioergebnissen und den Zeitverläufen aus Teststrecken- oder Straßentests innerhalb vereinbarter Toleranzbereiche korrelieren.

Ein praktischer Korrelations-Workflow beginnt mit einer kleinen Auswahl von Referenzfällen. Dabei werden die Geschwindigkeit des Ego-Fahrzeugs, die Zielbahn, der Zeitpunkt der Eingriffe, die Stabilität der Objekterkennung und die Reglerausgabe mit den gemessenen Daten des Fahrzeugs oder der Strecke abgeglichen. Dabei treten Abweichungen auf, was völlig normal ist. Der entscheidende Schritt besteht darin, jede Abweichung anhand von Modellgrenzen, Sensorannahmen oder Details der Reglerimplementierung zu erklären und die Konfiguration anschließend konsequent zu korrigieren.

Vertrauen schafft man durch Beständigkeit, Geduld und nachvollziehbare Nachweise. Teams, die von der frühen Modellierung über HIL bis hin zur Fahrzeugvalidierung stets an derselben Szenario-Absicht festhalten, erstellen Aufzeichnungen, auf die sich die Prüfer verlassen können. OPAL-RT eignet sich besonders für diese abschließende Phase, in der eine wiederholbare Ausführung und synchronisierte Daten über mehrere Testreihen hinweg erforderlich sind. Das ist der Standard, den Sie für Tests anwenden sollten, Tests Sie möchten, dass Simulationsergebnisse auch außerhalb des Labors Gültigkeit haben.