Innovation aus Wupper Valley - Die Zukunft des vernetzten Fahrzeugs
Bei OSxCAR entwickeln Aptiv Services und die Bergische Universität Wuppertal eine intelligente Plattform, die Fahrzeugsoftware von Hardware entkoppelt. Die Zeit vom Test bis zur Serie wird damit kürzer und die Einsatzgebiete schier grenzenlos. Ralph-Heiner Haar und Mathias Sure erklären das Projekt.
Haar: Früher gab es in den Automobilunternehmen für alles ein eigenes Königreich. Türen, Schiebedach, Motor - fast jede Funktion hatte ein eigenes Steuergerät. Unsere Vision ist es, Fahrzeugsoftware von der Hardware und dem Betriebssystem unabhängig zu machen. So können OSxCAR-Technologien perspektivisch auch in Robotik, Luftfahrt, Industrie 4.0, Medizintechnik oder Verteidigungssystemen eingesetzt werden und viele von ihnen fließen in das kommerzielle LINC-Produktangebot von Aptiv ein.
Sure: An einem herkömmlichen Auto sind heute bis zu 100 Mini-Computer mit eingebauten Mikrocontrollern (ECUs) verbaut, die alle für eine bestimmte Aufgabe zuständig sind. Bereits ein einzelner defekter Microcontroller kann eine Kettenreaktion auslösen und den gesamten Datenverkehr stören. Und um neue Funktionen in das Auto einzubauen, müssen die alten Netzwerke komplett neu konfiguriert werden - das ist aufwendig. Bei softwaredefinierten Fahrzeugen wird die logische Rechenleistung von vielen dezentralen ECUs auf wenige, leistungsstarke Zentralrechner verlagert und die Funktionen der vielen einzelnen Steuergeräte als Software zusammengefasst. Wir wollen aus dem herkömmlichen Fahrzeug also eine Art Smartphone machen.
Haar: Universitäten bringen neue Ideen ein und bilden hochqualifizierte Ingenieure aus. Für uns ist es wichtig, dass Forschungsergebnisse direkt an realen industriellen Herausforderungen erprobt werden können. Zum Beispiel, wenn ein Fahrzeug OSxCAR-Komponenten hat, dann müssen sie über ein Netzwerk kommunizieren. Die Uni untersucht, wie man diese Netzwerkarchitektur mit KI optimieren kann.
Sure: Mithilfe einer KI-Methodik erlernen wir alle Dynamiken in solch einem Netzwerk und wie sie sich auf die Netzwerkperformance auswirken. Das Modell lernt das Prinzip, wie Daten von einem Knoten zum nächsten fließen, und kann dieses Wissen generalisieren, um das Verhalten in größeren Netzwerktopologien vorherzusagen. Kommen dann neue Bauteile wie Kameras oder Ultraschallsensoren hinzu, muss das KI-Netzwerk nicht komplett neu trainiert werden.
Sure: Kosteneinsparung, weil ich mehr Konstellationen testen kann. Das KI-basierte Graph Neural Network (GNN) generalisiert die Ergebnisse und berechnet sie in tausenden von neuen Konstellationen. Ich brauche zwar ein physisches Testbed, um reale Netzwerkdaten zu generieren, aber die Vorhersage reduziert die exponentielle Vielzahl an Netzwerk-Konfigurationen auf einige wenige, die am vielversprechendsten sind.
Haar: Wenn Software über verschiedene Fahrzeugserien und Produktgenerationen hinweg eingesetzt werden kann, reduziert das auch Risiken durch Lieferkettenunterbrechungen. Das Interesse bei Zulieferern und Fahrzeugherstellern wächst: Erste OSxCAR-Technologien sind bereits für ein Fahrzeug vorgesehen, das 2027 auf die Straße kommen soll. Für uns war wichtig, dass wir uns damit beweisen konnten.
Haar: OSxCAR verbindet Industrie und Mittelstand mit Hochschulen und erzeugt Spitzeninnovationen mit internationaler Relevanz hier bei uns, im Bergischen Land. Darauf sind wir stolz. OSxCAR zeigt, wie aus öffentlich geförderter Forschung wirtschaftliche Wertschöpfung und neue Arbeitsplätze entstehen. Gerade in einer Zeit, in der technologische Entwicklungen massiv durch KI beschleunigt werden, sind solche Kooperationen ein wichtiger Wettbewerbsfaktor.
Haar: Künftig führen wir Software-Updates durch, nachdem das Fahrzeug auf der Straße ist, ohne bestehende Zulassungsanforderungen zu gefährden. Bei großen Software-Blöcken und verschiedenen Herstellern konnte eine Homologation sehr zeitaufwendig sein, falls ein Hersteller etwas änderte. Das ist ein sehr teures Problem. In Zukunft kann Homologation stärker digital unterstützt werden, das heißt, validierte und homologierte Softwarekomponenten können als unveränderter Binärcode in ein anderes Fahrzeug übernommen werden. Dazu untersuchen wir Verfahren, bei denen neue Software zunächst parallel zu bereits zugelassenen Funktionen betrieben und ihr Verhalten verglichen wird. Ich könnte die neue Software auf Hunderte von Fahrzeugen installieren und mit den gesammelten Daten zusätzliche Nachweise dafür liefern, dass sich die neue Software im realen Fahrzeug wie erwartet verhält. Damit werden schnellere Innovationen bei gleichzeitig unverändert hohen Sicherheits- und Qualitätsstandards möglich.
Sure: Man bekommt viel mit, dass andere Länder da schon einiges gemacht haben. Zum Beispiel ein führender globaler Hersteller von Elektrofahrzeugen nutzt ein software defined network mit dem Unterschied, dass seine Software nur für die eigene Hardware entwickelt wurde. Wenn ich hardwareoffen bleiben möchte, muss ich anders vorgehen. Bei Automobilen ist alles in Deutschland extrem sicher. Der erwähnte Hersteller arbeitet nur mit Kameradaten und das funktioniert, aber die Wissenschaft zeigt, dass Kameraaufnahmen allein nicht genug sind, weil Kameraaufnahmen bei schlechtem Wetter negativ beeinflusst werden. Daher sollte Kamera durch Ultraschall und LiDAR-Sensoren ergänzt werden. Außerdem stellt man aktuell im Auto durch gezielte Redundanz die Ausfallsicherheit her, und das wird bei softwaredefinierten Fahrzeugen genauso sein müssen.
Das Gespräch führte Evgenia Gavrilova.