Im Kontext von Validierung und Hardware-in-the-Loop (HiL)-Prüfständen stellt die Auswertung von Fahrfunktionstests derzeit eine bedeutende Quelle manueller Arbeitsaufwände für Mitarbeitende dar. Das Projekt setzt hier an und verfolgt das Ziel, ein modulares Mustererkennungssystem für Bild- und Audiodaten zu entwickeln. Dieses soll eine wirtschaftlich effiziente Automatisierung geeigneter Testauswertungen ermöglichen.
Die methodische Grundlage bildet das Systems Engineering, das zur Festlegung von Anforderungen (Requirements) und zur Spezifikation des Designs eingesetzt wird. Darauf aufbauend erfolgt eine ökonomische Bewertung verschiedener Tests hinsichtlich ihrer Eignung zur Automatisierung. Anschließend werden modulare Prüfstandkonzepte entwickelt, die eine automatisierte Auswertung identifizierter Testspektren unterstützen. Diese Konzepte werden mit ökonomischen Bewertungen kombiniert, sodass eine strategische Planung und ein gezieltes Ausrollen von Automatisierungsmaßnahmen ermöglicht wird. Zur Umsetzung werden moderne KI-basierte Verfahren eingesetzt, darunter Computer Vision zur Bilderkennung sowie Large Language Models (LLM) zur Audioanalyse. Die Integration dieser Technologien soll die Testauswertung effizienter gestalten, Fehlerquellen minimieren und eine Standardisierung über verschiedene Testbereiche hinweg fördern.
Das übergeordnete Ziel des Projekts ist es, den manuellen Aufwand bei der Testauswertung durch den Einsatz modularer, KI-gestützter Automatisierungssysteme deutlich zu reduzieren. Konkret werden folgende Ziele verfolgt:
