Im Zusammenhang mit Hardware-in-the-Loop-Testumgebungen (HiL) stellt die optische und akustische Bewertung von Fahrzeugfunktionen derzeit einen erheblichen Engpass bei der Testautomatisierung dar. Herkömmliche Ansätze der Bildverarbeitung sind oft unflexibel und reagieren sehr empfindlich auf industrielle Störfaktoren wie Spiegelungen oder wechselnde Lichtverhältnisse. Das SOVA-Projekt begegnet dieser Herausforderung durch die Entwicklung eines modularen, KI-basierten Frameworks für die physikalische End-to-End-Validierung. Es ersetzt manuelle Bewertungen und fehleranfällige regelbasierte Systeme und ermöglicht eine zuverlässige Beurteilung der tatsächlichen Ausführung von Fahrzeugfunktionen.
Die methodische Grundlage bildet eine hybride Systemarchitektur, die sich nahtlos in bestehende Testinfrastrukturen integrieren lässt. Um eine wirtschaftlich effiziente Automatisierung zu gewährleisten, kombiniert SOVA drei technologische Säulen:
Zustandsschätzung in Echtzeit: Einsatz robuster KI-Methoden zur schnellen und zuverlässigen Erkennung optischer Signale und Lichtsequenzen.
Kinematische Analyse: Anwendung intelligenter Computer-Vision-Techniken zur präzisen Validierung mechanischer und geometrischer Prozesse.
Multimodale Mustererkennung: Integration von Bild- und Audioanalyse unter Verwendung moderner KI-Modelle. Dies ermöglicht die automatisierte Verifizierung komplexer Fahrzeugrückmeldungen auf Basis einfacher textueller Spezifikationen – bei gleichzeitig deutlich reduziertem Aufwand für die Einbindung neuer Testszenarien.
Diese Architektur schließt die Lücke zwischen abstrakten Testspezifikationen und der Komplexität der realen Fahrzeugphysik und ermöglicht so eine skalierbare, strategische und kosteneffiziente Automatisierung.
Das übergeordnete Ziel des Projekts besteht darin, den manuellen Aufwand bei der Testauswertung durch den Einsatz modularer KI-Systeme deutlich zu reduzieren. Konkret werden folgende Ziele verfolgt:
Überwindung optischer Störungen: Reduzierung von Fehlinterpretationen bei der Testauswertung durch Nutzung der überlegenen Robustheit von KI gegenüber Umwelteinflüssen unter Prüfstandbedingungen.
Effizienzsteigerung: Automatisierte Echtzeit-Übersetzung physikalischer Messwerte in eindeutige und revisionssichere Testurteile.
Skalierbarkeit & Kosteneffizienz: Deutliche Reduzierung des Konfigurations- und Trainingsaufwands bei Fahrzeugwechseln durch den Einsatz flexibler, verallgemeinerbarer KI-Ansätze.
Standardisierung: Bereitstellung einer hardwareeffizienten, modularen Lösung, die konsistent über verschiedene Testdomänen und Prüfstandskonzepte hinweg eingesetzt werden kann.
Übersetzt mit DeepL.com (kostenlose Version)
