Fahrzeug AI us und -diagnose: Behebung von Entwicklungsproblemen noch vor Produktionsbeginn

In modernen Fahrzeugentwicklungsprogrammen sind die teuersten Probleme oft nicht die Ausfälle selbst –sondern die Zeit, die für die Durchführung der Fahrzeugdiagnose während der Entwicklung benötigt wird. Da sich die Branche in Richtung „ AI “-definierter Fahrzeuge bewegt, wächst die Komplexität der Fehlerbehebung schneller, als die Entwicklungsteams mitwachsen können. 

Dazu sind Hunderte von Steuergeräten, leistungsstarke Rechenplattformen, hochmoderne Sensoren und Millionen von Programmzeilen in Fahrzeugen. Diese Systeme interagieren auf eine Weise, die sich während der Entwicklung nur schwer vollständig vorhersagen lässt. Da diese Komponenten auf unvorhersehbare Weise zusammenwirken können, erfassen Validierungsteams umfangreiche Telemetriedaten, um das Systemverhalten zu verstehen. Dennoch verbringen Ingenieure nach wie vor viel Zeit damit, die Ursache von Problemen zu ermitteln, die nur unter bestimmten Bedingungen auftreten.

Mit anderen Worten: Die Branche hat kein Datenproblem, sondern ein Diagnoseproblem. Da sich Fahrzeuge zu komplexen Softwareplattformen entwickeln, wird der Einsatz einer Plattform für die Fahrzeug AI zur schnellen Diagnose des Systemverhaltens ebenso wichtig wie die Fähigkeit, das System selbst zu entwerfen. Der Einsatz von AI im Automobilbereich– insbesondere die Kombination von Edge- AI im Automobilbereich mit groß angelegter Telemetrieanalyse über eine robuste Fahrzeugdatenplattform – bietet eine leistungsstarke Möglichkeit, diese Lücke zu schließen. Bei effektiver Nutzung ermöglicht sie es den Entwicklungsteams, Anomalien bereits in frühen Entwicklungsphasen zu erkennen, den Debugging-Aufwand zu reduzieren und die Markteinführungszeit für immer komplexer werdende Fahrzeuge zu verkürzen.

In diesem Beitrag wird beleuchtet, wie „ AI “ – sowohl im Fahrzeug als auch in der Cloud – die Art und Weise verändert, wie Teams immer komplexer werdende Fahrzeugsysteme verstehen, validieren und debuggen.

Die versteckten Kosten der Entwicklungsdiagnostik

Bei den meisten Fahrzeugprogrammen nimmt die Fehlerdiagnose vor Produktionsbeginn einen erheblichen Teil der Entwicklungsressourcen in Anspruch. Tritt während der Validierungsprüfungen ein Problem auf, umfasst der Untersuchungsprozess in der Regel mehrere Schritte:

• Durchführung einer Fahrzeugdatenerfassung zur Erfassung von Diagnoseprotokollen und Telemetriedaten aus dem Fahrzeug
• Versuch, das Problem mithilfe der Ferndiagnose des Fahrzeugs in einer kontrollierten Umgebung zu reproduzieren
• Manuelle Analyse umfangreicher Systemdatensätze, die von Testflotten oder Telematiksystemen für das Flottenmanagement generiert werden
• Eingrenzung des verantwortlichen Teilsystems
• Mehrere Hypothesen nacheinander prüfen, bis die eigentliche Ursache gefunden ist

Auch wenn dieser Ansatz in der Vergangenheit vielleicht ausreichend war, lässt er sich nicht schnell genug skalieren, um mit der Komplexität moderner softwaredefinierter Fahrzeuge Schritt zu halten. Heutige Entwicklungsumgebungen generieren riesige Mengen an Telemetriedaten über Tausende von Signalen hinweg. Angesichts dieser enormen Datenmengen, die durch das System fließen, hat sich der Engpass vom Zugriff auf Informationen hin zur Geschwindigkeit verlagert, mit der Teams diese auswerten können.

AI Verändert das Modell für die Fahrzeugdiagnose

Die Fahrzeug- AI ermöglicht ein grundlegend anderes Modell für die Diagnose während der Entwicklung. Anstatt sich in erster Linie auf manuelle Analysen zu verlassen, können agentenbasierte AI Systeme Telemetriedaten, Software-Protokolle und das Systemverhalten kontinuierlich untersuchen, um Muster zu erkennen, die auf aufkommende Probleme hinweisen – und zwar schneller und einfacher. Diese Fähigkeit gewinnt besonders an Bedeutung, da generative AI in Automobilanwendungen zunehmend zum Einsatz kommen und Fahrzeugsysteme immer stärker vernetzt sind, wobei Fehler oft aus Wechselwirkungen zwischen mehreren Teilsystemen und nicht aus einer einzelnen fehlerhaften Komponente resultieren. Fortschrittliche, auf der AI basierende Diagnosesysteme können:  

• Erkennen Sie auffällige Signalverläufe in Tausenden von Datenströmen innerhalb der Fahrzeugdatenplattform.
• Setzen Sie im Automobilbereich agentenbasierte „ AI “ ein, um Zusammenhänge zwischen Ereignissen über mehrere Teilsysteme hinweg autonom zu erkennen.
• Weist auf Anomalien hin, die beobachtbaren Ausfällen vorausgehen, und dient somit als Frühwarnsystem für Teams, die Testflotten verwalten, oder im Rahmen des Flottenmanagements von AI .
• Stellen Sie den Ingenieurteams die relevantesten diagnostischen Erkenntnisse zur Verfügung.

AI ermöglicht es den Entwicklungsteams, von manuellen Untersuchungen hin zu einer intelligenten Mustererkennung überzugehen. Das Ergebnis ist eine drastische Verkürzung der Zeit, die zur Ermittlung der Grundursachen während der Entwicklung.

Die Rolle des Edge- AI s in der Entwicklungsdiagnostik

Ein weiterer wichtiger Aspekt dieser Entwicklung ist Edge-Computing im Automobilbereich AI. Herkömmliche Entwicklungsdiagnosen stützen sich stark auf zentralisierte Umgebungen. Die von Testfahrzeugen erfassten Daten werden in Entwicklungssysteme hochgeladen, wo sie offline analysiert werden. Die Edge- AI im Automobilbereich ermöglicht einen ergänzenden Ansatz, indem die Intelligenz direkt im Fahrzeug selbst untergebracht wird. Durch die direkte Ausführung von Modellen des maschinellen Lernens auf den Rechenplattformen der Fahrzeuge können Diagnosesysteme Telemetriedaten in Echtzeit analysieren. Dies ermöglicht mehrere wichtige Funktionen:  

• Sofortige Erkennung von abnormalem Verhalten während der Validierungstests
• Frühzeitige Erkennung von Problemen, die ohne prädiktive Analysen im Flottenmanagement möglicherweise unentdeckt blieben
• Geringerer Bedarf an der Übertragung großer Mengen von Telemetrie-Rohdaten
• Schnellere Rückkopplungsschleifen für Entwicklerteams

Insgesamt verdeutlichen diese Vorteile, warum die effektivsten Architekturen Edge-Diagnostik mit cloudbasierter Analyse kombinieren, um eine wesentlich reaktionsschnellere Diagnoseinfrastruktur zu schaffen.

Automotive-Daten in technische Erkenntnisse umwandeln

Die Branche ist bei der Datenerfassung mittlerweile sehr effizient geworden, doch die eigentliche Herausforderung besteht darin, diese Daten in umsetzbare technische Erkenntnisse mithilfe einer auf der „Automotive AI “-Plattform basierenden Lösung. „ AI “-basierte Systeme helfen dabei, diese Lücke zu schließen, indem sie automatisch:  

• Clustering von systembezogenen Ereignissen
• Erkennung abnormaler Signalmuster
• Hervorhebung wahrscheinlicher Ursachen in den verschiedenen Teilsystemen
• Priorisierung der relevantesten Signale für die Ferndiagnose von Fahrzeugen   

Anstatt umfangreiche Protokolle zu durchsuchen, erhalten die Ingenieure eine gezielte Auswahl an Erkenntnissen, die ihnen als Leitfaden für ihre Untersuchung dienen und so den Zeitaufwand für die Isolierung komplexer Software-Wechselwirkungen erheblich reduzieren.

Die Markteinführungszeit verkürzen

Eine der wichtigsten Auswirkungen von „ AI “ in der Automobilindustrie dürfte der Einfluss auf die Entwicklungszeitpläne sein. Automobilprojekte stehen unter ständigem Druck, Innovationen schneller auf den Markt zu bringen. Wenn Entwicklungsteams zu viel Zeit mit der Untersuchung von Problemen verbringen, verzögern sich die Entwicklungszeitpläne unweigerlich. „ AI “ trägt dazu bei, dieses Problem zu lösen, indem es eine frühzeitigere Erkennung und schnellere Behebung von Entwicklungsproblemen ermöglicht. Im Laufe der Zeit können „ AI “-Systeme zudem Wissen ansammeln, was einen zusätzlichen Vorteil mit sich bringt: Jedes Fahrzeugprojekt lässt sich leichter diagnostizieren als das vorherige. 

Umgang mit der Komplexität softwaregesteuerter Fahrzeuge

AI-basierte Diagnosen beschleunigen nicht nur die Abläufe, sondern helfen den Teams auch dabei, die wachsende Komplexität von SDVs zu bewältigen. Der Einsatz von „ AI “ in Fahrzeugen wird in den kommenden Jahren nur noch komplexer werden. Softwaredefinierte Architekturen ermöglichen leistungsstarke neue Funktionen, erhöhen aber auch die Anzahl der Interaktionen, die Ingenieure bewältigen müssen. Die durch „ AI “ ermöglichte Fahrzeugdiagnose bietet einen praktischen Weg, diese Komplexität zu bewältigen. Anstatt die Ingenieurteams unbegrenzt zu vergrößern, können Unternehmen die Diagnoseintelligenz skalieren.

Eine neue Entwicklungskompetenz

Insgesamt betrachtet deuten diese Veränderungen auf eine umfassenden Wandel in der Art und Weise, wie Fahrzeuge entwickelt werden. Die Automobilindustrie hat Jahrzehnte damit verbracht, Prozesse im Maschinenbau, bei der Sicherheitsvalidierung und der Fertigungsqualität zu verfeinern. Da sich Fahrzeuge zu stark softwaregesteuerten Plattformen entwickeln, müssen sich auch die Entwicklungsprozesse weiterentwickeln. Die Einbindung generativer AI in die Automobilentwicklung und die automatisierte Diagnose stellt einen wichtigen Schritt in dieser Entwicklung dar. 

Durch die Kombination von „ AI “-Analysen, Edge-Computing und groß angelegter Telemetrie können Entwicklungsteams Probleme früher erkennen und schneller beheben. Unternehmen, die diese Möglichkeiten erfolgreich nutzen, werden nicht nur fortschrittlichere Fahrzeuge bauen – sie werden diese auch schneller, effizienter und mit größerer Zuversicht entwickeln.

Der schnellste Weg zur Entwicklung von Fahrzeugen mit „ AI “-Technologie

Da „ AI “ einen immer wichtigeren Bestandteil der Fahrzeugentwicklung einnimmt, hängt der Erfolg nicht nur von der Qualität der „ AI “-Modelle ab, sondern auch davon, wie schnell die Entwicklungsteams diese über den gesamten Entwicklungszyklus hinweg bereitstellen, validieren und in Betrieb nehmen können.

Um dieser Herausforderung zu begegnen, hat Sonatus Fastlane™ Copilot, eine spezielle Hochleistungs-Gateway-ECU für Prototypen und Testfahrzeuge. Mit integrierter Konnektivität und fahrzeugweitem Datenzugriff Fastlane Copilot bildet die Hardware-Grundlage für das gesamte Fastlane™ Platform. OEMs können fortschrittliche Datenerfassung, Edge- AI und technische Analysen bereits in frühen Entwicklungsphasen einsetzen, ohne darauf warten zu müssen, dass Architekturen für Serienfahrzeuge verfügbar werden.

Das Fastlane Platform schafft einen durchgängigen Intelligence-Workflow, der die Validierung und Entwicklung beschleunigt:

• Fastlane™ Collector Erfasst hochwertige Fahrzeugdaten direkt an der Quelle. Anstatt sich auf statische Protokollierung zu verlassen, passt das System die Datenerfassung dynamisch an die Testbedingungen, technischen Prioritäten oder Fahrzeugereignisse an und stellt so sicher, dass die Teams die relevantesten Informationen erfassen, während Speicherbedarf, Bandbreite und Aufwand für die Nachbearbeitung minimiert werden.
• Fastlane™ Edge bringt „ AI “ direkt ins Fahrzeug, indem Analyse-, Diagnose- und Machine-Learning-Modelle am Edge ausgeführt werden. Ingenieure können Software validieren, Anomalien erkennen und Echtzeitanalysen an Prototypenfahrzeugen durchführen, ohne auf eine ständige Cloud-Verbindung angewiesen zu sein.
• Fastlane™ Insight wandelt Rohdaten aus Fahrzeugen in verwertbare technische Erkenntnisse um. Durch „ AI “-gestützte Arbeitsabläufe können Teams Anomalien erkennen, Probleme über verschiedene Fahrzeugbereiche hinweg in Zusammenhang bringen, Untersuchungen priorisieren und die Ursachenanalyse beschleunigen.

Zusammen Fastlane Platform entsteht ein kontinuierlicher Informationskreislauf, der Datenerfassung, Fahrzeug AI und technische Analyse miteinander verbindet. Anstatt lediglich Testdaten aufzuzeichnen, werden Prototypenfahrzeuge zu aktiven Teilnehmern am Entwicklungsprozess und liefern kontinuierlich Erkenntnisse, die eine schnellere Validierung, eine effizientere Fehlerbehebung und fundiertere technische Entscheidungen ermöglichen.

Da „ AI “, softwaredefinierte Architekturen und Plattformen für vernetzte Fahrzeuge die Automobilentwicklung weiterhin grundlegend verändern, sind Unternehmen, die Fahrzeugintelligenz bereits in einer frühen Phase des Entwicklungszyklus umsetzen können, in der Lage, die Entwicklungszeit zu verkürzen, die Softwarequalität zu verbessern und neue Fahrzeugfunktionen mit größerer Sicherheit auf den Markt zu bringen.