Absicherung von Advanced Driver Assistance Systems (ADAS): Sicherheitsstrategien für das nächste Jahrzehnt

Advanced Driver Assistance Systems (ADAS) erhöhen die Fahrzeugsicherheit durch Überwachung der Umgebung, Warnungen, Bremsassistenz und Lenkunterstützung. Das nächste Jahrzehnt wird eine rasante Expansion dieser Systeme bringen, getrieben durch Durchbrüche in Sensor- und LiDAR-Technologie sowie sich wandelnde regulatorische Anforderungen.

Laut Jeff Phillips, Head of Automotive Marketing bei National Instruments, verpflichtete die Europäische Union 2020 alle Neuwagen zur Ausstattung mit autonomer Notbremsung (AEB) und Frontkollisionswarnung (FCW).

Obwohl ADAS noch in den Kinderschuhen steckt, werden seine Sicherheitsfähigkeiten zu einem entscheidenden Differenzierungsmerkmal für Automobilhersteller – insbesondere auf dem Weg zum vollautonomen Fahren.

OEMs und Tech-Unternehmen konkurrieren in diesem weitgehend unregulierten Raum um Marktanteile und die sichersten Fahrzeuge. Bei jährlich fast 1,3 Millionen Verkehrstoten weltweit und einem Fünfjahreshoch von 1.792 Todesopfern auf britischen Straßen ist die Absicherung von ADAS-Technologie dringender denn je.

Horror-Szenario

Testingenieure stehen vor einer gewaltigen Herausforderung: sich wandelnde Vorschriften, neue Sensortechnologien und KI-gesteuerte Architekturen, die undurchsichtig sein können. Die Risiken sind hoch – jeder prominente Vorfall mit teilautonomen Fahrzeugen erhöht die öffentliche Aufmerksamkeit, und selbst die begrenzte Zahl dokumentierter Unfälle autonomer Fahrzeuge hat das Verbrauchervertrauen untergraben.

Testingenieure müssen festlegen, wie viel Verifikation nötig ist, um sowohl regulatorische als auch rechtliche Standards sowie öffentliche Erwartungen zu erfüllen. Das Fehlen klarer Richtlinien für KI-Systeme macht traditionelle Testansätze unzureichend.

Laut einer 2018er Rand-Corporation-Studie müsste ein autonomes Fahrzeug zig Millionen Testkilometer absolvieren, um statistisch Leistungsgleichheit – oder Überlegenheit – gegenüber menschlichen Fahrern nachzuweisen. Dieses Volumen in realistischer Zeit erfordert innovative Teststrategien und großangelegte Simulationsumgebungen.

Die Machine-Learning-Story

Vollautonomes Fahren basiert stark auf Machine-Learning-Modellen, da das Spektrum realer Szenarien praktisch unendlich ist. Ingenieure sammeln riesige Mengen menschlicher Fahrdaten, labeln sie und trainieren neuronale Netze, um menschliche Entscheidungen nachzubilden.

Während Designteams die zugrundeliegenden Algorithmen entwickeln können, funktionieren die resultierenden Modelle als Black Boxes, was die Validierung erschwert. Testingenieure müssen daher umfassende Szenariobibliotheken erstellen, die eine breite Palette von Edge Cases abdecken, da der fehlende Einblick in die interne Logik klassische Unit-Tests verhindert.

Eine neue Roadmap

Sensorportfolios entwickeln sich rasant, treiben Kostensenkungen und neue Architekturentscheidungen voran. Hersteller müssen sich zwischen zentraler On-Board-Verarbeitung und verteilter Edge-Verarbeitung entscheiden und für zukünftige Sensorerweiterungen wie LiDAR, Radar und zusätzliche Kameras planen.

Cloud-Computing und 5G-Konnektivität fügen eine weitere Komplexitätsebene hinzu, ermöglichen Echtzeit-Datenaustausch und Remote-Diagnostik, werfen aber auch Latenz- und Bandbreitenfragen auf.

Da der Sensor-Mix zukünftiger Plattformen ungewiss ist, benötigen Testteams flexible Infrastrukturen, die neue Hardware ohne teure Neuaufbauten integrieren können. Modulare Testrigs und virtualisierte Umgebungen erlauben schnelles Skalieren von Kamera-, Radar- und LiDAR-Nutzlasten.

Aufbau für Wandel

Wenn autonome Funktionen vom Prototyp zum Produkt übergehen, müssen Regulierungsbehörden sich weiterentwickeln, um Verbraucher zu schützen. Standards wie ISO 26262 für funktionale Sicherheit und EURO-NCAP-Crashtest-Protokolle prägen die Branche bereits, während Deutschlands kürzlich veröffentlichter ethischer Rahmen für autonome Fahrzeuge Präzedenzfälle für Entscheidungsregeln setzt.

Auch während formale Standards reifen, werden Unternehmen proprietäre Testschichten einführen, um sich zu differenzieren. Eine offene, anpassbare Testinfrastruktur gibt Ingenieuren die Agilität, neue regulatorische Anforderungen und interne Sicherheitsziele zu integrieren.

Autor dieses Blogs: Jeff Phillips, Head of Automotive Marketing, National Instruments