KI4BoardNet - Spezifikation, Erprobung und Demonstration intelligent vernetzter Rohdaten-Sensorik im zentralisierten Bordnetz; im Rahmen des Verbundvorhabens "Integrale agile E/E-Entwicklung für fusionierte und standardisierte Energie- und Datenbordnetze"; BMBF-Verbundprojekt: MANNHEIM-KI4BoardNet

Abstract

Das Teilvorhaben von CARIAD SE im Verbundprojekt KI4BoardNet entwickelte und erprobte intelligent vernetzte Rohdaten-Sensorik für zentralisierte Bordnetzarchitekturen. Im Fokus stand ein exemplarischer Akustiksensor (Außenmikrofonmodul AMM, akustischer Straßenzustandssensor ASZS), der unverarbeitete Audiodaten über A²B und Ethernet (10BASE‑T1S mit PoDL) überträgt. Ziel war die Bewertung von Latenz, Bandbreite, Determiniertheit und Zukunftssicherheit beider Vernetzungsalternativen. Auf zwei rollenden Demonstratoren (VW ID.Buzz) wurde eine vollständige Wirkkette aus Sensorik, Datenlogging, KI-gestützter Auswertung (z. B. Erkennung von Einsatzfahrzeugen, Fahrbahnzustand) und digitalem Zwilling realisiert. Mehrere Datensammelkampagnen auf internationalen Testgeländen lieferten hochwertige Trainings- und Testdaten. Die Validierung zeigte, dass die entwickelten Ansätze unter realen Bedingungen tragfähig sind und eine methodische Grundlage für zukünftige softwaredefinierte Fahrzeuge (SDV) bilden. Die Ergebnisse liegen als Anforderungskataloge, Demonstratoren, Datenbasen und Bewertungsmetriken vor – eine vorwettbewerbliche Basis für weiterführende Forschungs- und Entwicklungsarbeiten. In the KI4BoardNet joint project, CARIAD SE developed and tested intelligently networked raw data sensors for centralized onboard electrical architectures. The focus was on an exemplary acoustic sensor (exterior microphone module AMM, acoustic road condition sensor ASZS) transmitting unprocessed audio data via A²B and Ethernet (10BASE‑T1S with PoDL). The goal was to evaluate latency, bandwidth, determinism, and future viability of both networking alternatives. Two rolling demonstrators (VW ID.Buzz) implemented a complete chain of sensors, data logging, AI‑based evaluation (e.g., emergency vehicle detection, road condition) and digital twin. Multiple data collection campaigns on international proving grounds delivered high‑quality training and test data. Validation proved the approaches are feasible under real conditions and provide a methodological foundation for future software‑defined vehicles (SDV). Results are available as requirement catalogs, demonstrators, data sets, and evaluation metrics – a pre‑competitive basis for subsequent research and development.