Wie Sensorfusion Zuverlässigkeit, Sicherheit und Effizienz autonomer Systeme steigert

Sensorfusion bleibt ein Eckpfeiler moderner Technologie, besonders da sich das Internet der Dinge ausweitet und autonome Fahrzeuge sowie fortschrittliche Fahrerassistenzsysteme (ADAS) zum Mainstream werden. Obwohl das Konzept bis in die 1960er Jahre zurückreicht, gewinnt die Industrie heute neue Erkenntnisse darüber, welche Sensordatenströme zu kombinieren sind und wie verwertbare Intelligenz extrahiert wird. Der richtige Mix hängt von der spezifischen Anwendung und der Balance zwischen Kosten, Risiko und Nutzen ab.

Wie viel Sensorfusion nötig ist, hängt von Anwendung und Kosten-/Risiko-Nutzen ab (Bild: SAR Insight and Consulting)

In einer Ära, in der einzelne Akteure und staatlich unterstützte Agenturen zunehmende Bedrohungen für autonome Systeme darstellen, ist Sensorfusion wichtiger denn je. Während die politische Debatte oft auf 5G-Informationssicherheitsrisiken fokussiert, stellt Malware, die autonome Systembetreiber sabotieren oder erpressen kann, eine konkrete Gefahr dar. Systemarchitekten müssen diese Bedrohungen erkennen und kostspielige Fehltritte vermeiden, die Automobil- und Luftfahrtriesen plagten. So verdeutlichte Fords Pinto-Rückruf in den 1970ern den menschlichen Preis unzureichender Sicherheitsmaßnahmen, und Boeings Entscheidung, für kritische Sensorfusion-Redundanz beim 737 MAX extra zu verlangen, wirkt bis heute in der Lieferkette nach.

Über Sicherheit hinaus sind die wirtschaftlichen und gesundheitlichen Vorteile fortschrittlicher Sensorfusion – ob zur Überwachung menschlicher Aktivität oder zur Steuerung industrieller Automation – bereits evident.

Fehlertoleranz und Resilienz

Jeder Sensor und jedes Vorhersagemodell birgt inhärente Fehler. Durch Aggregation mehrerer Messungen derselben Variable gewinnen Systeme an Zuverlässigkeit und Resilienz und mindern Ausfälle, die sonst katastrophal wären. Zwar führen Redundanz zu Kosten und Komplexität, doch die Ford- und Boeing-Fälle zeigen, dass kurzsichtige Abkürzungen zu verheerenden Ergebnissen führen können.

Angriffsresistenz

Malware-Angreifer suchen ständig Wege, sensorbasierte Systeme zu stören. Robuste Datenfusionsstrategien, gekoppelt mit sicheren Protokollen und KI-gestützter Anomalieerkennung, können Operationen vor solchen Einbrüchen schützen. Typische Angriffsvektoren umfassen:

• Signal-Spoofing von LiDAR und Kameras;
• Signalunterdrückung und Interferenz mit ABS-Magnetsensoren oder manipulierten Verkehrsschildern;
• Seitenkanal-Lecks, wo eingeschleuste Malware sensible Informationen über Sensoren abschöpft.

Menschliche Aktivität: Multisensor-Fusion

Die Kombination von Wearable- und Umgebungsensoren zur Interpretation menschlichen Verhaltens liefert überlegene Gesundheitsergebnisse und Kosteneinsparungen – kritisch bei alternden Bevölkerungen. Anwendungsfälle reichen von Altenpflege, Sturzerkennung, Sicherheitsüberwachung, Athleten-Monitoring, Ersthelfer-Status bis hin zu Navigationshilfen für Beeinträchtigte.

Datenfusion im Netzwerk

Historisch fanden Fusion und Analytik auf zentralen Servern oder in der Cloud statt. Die Miniaturisierung und Kostensenkung von Sensoren ermöglichen nun Edge-Level-KI und Machine Learning. Zukünftige hybride Architekturen werden Datenfusion über drei Ebenen schichten:

• Low-Level-Fusion auf Smart Devices oder Gateways, die mehrere Eingänge aggregieren;
• Mid-Level-Fusion an Hub-Gateways und Edge-Compute-Nodes für tiefere Analytik über breitere Gerätesets;
• High-Level-Fusion in Rechenzentren oder der Cloud für die breiteste Systemperspektive.

Geringere Betriebskosten

Sensorfusion erweitert Reichweite und Nutzen autonomer Geräte – UAVs, Robotik und mehr – und senkt Betriebskosten. Vorteile umfassen automatische Kollisionsvermeidung für Inspektionsdrohnen, Fernfahrer-Eingriff in weitgehend autonomem Transport und reduzierte Arbeitskosten in Remote-Operations-Szenarien.

Trends

Miniaturisierung und Kostensenkungen setzen sich bei Sensoren, Prozessoren und Konnektivität fort, getrieben durch Consumerisierung in industriellen und IoT-Ökosystemen. Die CES 2020 zeigte MEMS-Sensor-Durchbrüche wie kleinere LiDAR-Spiegel, die Automotive und intelligente Transportsysteme begünstigen.

Der Kalman-Filter bleibt der Standardalgorithmus für Sensorfusion, der Systemzustände mit kontinuierlicher Messung und Vorhersage modelliert. In zunehmend komplexen Systemen setzen Architekten auch Machine Learning und neuronale Netze ein, um raffinierte Signal-Injektions-Angriffe abzuwehren.

Durch die durchdachte Integration von Sensorfusion können Designer und Architekten Systemintegrität, Zuverlässigkeit und Robustheit stärken – und Menschen, Eigentum und wirtschaftliche Interessen vor sowohl Fehlfunktionen als auch böswilliger Aktivität schützen.

>> Dieser Artikel wurde ursprünglich auf unserer Schwesterseite EE Times Europe veröffentlicht.