Die zentrale Herausforderung beim Nachweis der funktionalen Sicherheit automatisierter Fahrsysteme ist die Sicherstellung der notwendigen Testabdeckung. In diesem Zusammenhang wird die Anwendung von Simulationsmethoden immer wichtiger, um die Problematik des rein physikalischen Tests zu überwinden, der wirtschaftlich kaum machbar ist. Mit Hilfe virtueller Testfahrten ist es möglich, die geforderten Szenarien unter verschiedensten Bedingungen zu testen. Bisher mussten die einzelnen Fahrmanöver umfangreich und manuell in der Simulationsumgebung definiert werden. Es ist daher wünschenswert, Fahrszenarien aus aufgezeichneten Fahrsequenzen der Umfeldsensoren von Fahrzeugflotten zu extrahieren und für Simulationsumgebungen aufzubereiten, so dass sie automatisch für den Einsatz als Testfälle zur Verfügung stehen.
Zur Kategorisierung der letztlich in den Daten enthaltenen Szenarien sind Methoden des maschinellen Lernens vielversprechend, die eine Segmentierung (Clustering) verschiedener Fahrmanöver durchführen können. Dies ermöglicht es, ähnliche Szenarien in den Daten zu identifizieren und so die aufgezeichnete Datenmenge auf relevante Szenarien zu reduzieren. Außerdem kann damit eine sinnvolle Darstellung der in den Daten enthaltenen Fahrmanöver gefunden werden. Schließlich können die Szenarien katalogisiert und priorisiert werden und stehen den bereits bekannten Simulationsmethoden (X-in-the-Loop) für die Durchführung der Tests im konventionellen Entwicklungsprozess zur Verfügung.
Anwendung von Clusteringverfahren für die Extraktion und Reduktion von Testfällen aus aufgezeichneten Fahrszenarien
Proceedings
2021-04-18
13 pages
Article/Chapter (Book)
Electronic Resource
German
Entwicklung von Testfällen für ERTMS
DataCite | 2019
|Verifikation des NSFLEX-Verfahrens an verschiedenen Testfällen
TIBKAT | 1990
|