RDV - Real driving validation: Erweiterung der Überprüfbarkeit von Continuous SW Integration in Kommunikation mit Fahrzeugen im Feld - partnerspezifischer Schlussbericht

Abstract

Eine kontinuierliche Qualitätsaussage über automatisierte Fahrfunktionen von Level 3 bis 5 auf Fahrzeugebene („Grey box“) unter umfassender Berücksichtigung aller möglichen Szenarien, Umweltbedingungen und Verkehrsteilnehmer (Gesamtsystem) ist eine sehr große Herausforderung und bedarf einer zunehmenden Vernetzung sowie einem effizienten Wissenstransfer von Wirtschaft, Wissenschaft und Industrie. Auf Grundlage realer Fahrdaten aus dem Feld sowie aus Hauptuntersuchungen wurde durch das Projekt Real Driving Validation (RDV) eine effiziente und sichere Methodik für OEM´s und Tier 1/Tier 2 zur Validierung von KI-basierten Fahrfunktionen zur Verfügung gestellt. RDV nutzte stochastische Modelle und Ausfallwahrscheinlichkeiten, um anhand der realen Betriebszustände von Fahrzeugen im Feld kritische Szenarien gezielter und schneller identifizieren und testen zu können. Diese Szenarien können in digitale Ökosysteme wie GAIA-X oder zur Weiterentwicklung der industriellen Normung und Standardisierung genutzt werden. Mittels Markov-Modell und numerischen Simulationsmethoden wurde zudem eine methodisch und analytisch-quantitativ abgesicherte Validierung der hochautomatisierten Fahrfunktionen (z.B. bei Softwareupdates) gewährleistet, wodurch optimierte Entwicklungs- und Zulassungsprozesse die Innovationszyklen durch Real Driving Validation beschleunigen. Über ein AD-Referenzsystem für zukünftige “fail-operational” agierender Fahrzeuggenerationen wurden anhand eines automatischen AD MW & Computing Test-Systems Erkenntnisse in Bezug auf Testbarkeit, speziell im Middleware-Segment des AD Stacks und der on-board Datenkommunikation, gewonnen. Making continuous quality statements about automated driving functions from levels 3 to 5 at vehicle level (‘grey box’) while comprehensively taking into account all possible scenarios, environmental conditions and road users (overall system) is a huge challenge and requires increasing networking and efficient knowledge transfer between business, science and industry. Based on real driving data from the field and from general inspections, the Real Driving Validation (RDV) project provided an efficient and secure methodology for OEMs and Tier 1/Tier 2 suppliers to validate AI-based driving functions. RDV used stochastic models and failure probabilities to identify and test critical scenarios more quickly and precisely based on the real operating conditions of vehicles in the field. These scenarios can be used in digital ecosystems such as GAIA-X or for the further development of industrial standardisation. Using Markov models and numerical simulation methods, a methodologically and analytically-quantitatively validated verification of highly automated driving functions (e.g. for software updates) was also ensured, whereby optimised development and approval processes accelerate innovation cycles through real driving validation. Using an AD reference system for future fail-operational vehicle generations, an automatic AD MW & Computing test system was used to gain insights into testability, particularly in the middleware segment of the AD stack and on-board data communication.