Referenzsensorik zur hochpräzisen Sensorvalidierung für das automatisierte Fahren (RepliCar)

Abstract

Das Verbundvorhaben RepliCar adressiert die zuverlässige Validierung von Wahrnehmungssystemen für automatisierte Fahr- und Parkfunktionen. Im Beitrag der Porsche AG wurde hierfür ein realfahrzeugnaher Versuchsträger auf Basis eines Porsche Taycan Cross Turismo aufgebaut, der Referenzsensorik, Seriensensorik, Fahrzeugdaten, Energieversorgung, Kommunikationsschnittstellen und zentrale Messtechnik in einer gemeinsamen Mess- und Validierungsplattform zusammenführt. Ein methodischer Schwerpunkt lag auf der sicherheitsorientierten Verarbeitung von Radardaten. Die entwickelten Ansätze bewerten Radarpunkte hinsichtlich ihrer Kritikalität für den zukünftigen Fahrraum und passen Filterung, Clustering und Track-Initialisierung situationsabhängig an, um sicherheitsrelevante Informationen möglichst früh zu erhalten. Dabei zeigt sich ein Zielkonflikt zwischen höherer Sensitivität und zusätzlichen False Positives. Ergänzend wurde die Robustheit KI-basierter Wahrnehmungsmodelle untersucht. Dazu wurden realistische opake Kamera-Verschmutzungen simuliert, die Konsistenz zwischen Kamera- und LiDAR-Daten analysiert sowie interne Modellrepräsentationen zur Erkennung von Verteilungsverschiebungen und möglichen Wahrnehmungsfehlern ausgewertet. Die Ergebnisse zeigen, dass eine belastbare Absicherung automatisierter Fahrfunktionen die gemeinsame Betrachtung von Referenzdaten, Seriensensorik, realen Versuchsträgern, multimodaler Konsistenz und modellinterner Zuverlässigkeit erfordert. RepliCar schafft damit eine Grundlage für die realitätsnahe Bewertung sicherer und robuster Fahrzeugwahrnehmung in Forschung und Vorentwicklung. The RepliCar joint project addresses the reliable validation of perception systems for automated driving and parking functions. As part of Porsche AG's contribution, a vehicle-based demonstrator using a Porsche Taycan Cross Turismo was established, integrating reference sensors, production sensors, vehicle data, power supply, communication interfaces, and central measurement technology into a common measurement and validation platform. One methodological focus was the safety-oriented processing of radar data. The developed approaches assess radar points according to their criticality for the vehicle's future driving corridor and adapt filtering, clustering, and track initialization accordingly in order to preserve safety-relevant information at an early stage. The results also reveal a trade-off between increased sensitivity and additional false positives. In addition, the robustness of AI-based perception models was investigated. This included the realistic simulation of opaque camera soiling, consistency analysis between camera and LiDAR data, and the evaluation of internal model representations for detecting distribution shifts and potential perception failures. The results show that robust validation of automated driving functions requires the combined consideration of reference data, production sensors, real-world demonstrators, multimodal consistency, and model-internal reliability. RepliCar therefore provides a basis for the realistic assessment of safe and robust vehicle perception in research and pre-development.