Die Automobilindustrie befindet sich in einem umfangreichen Umbruch, der von zwei großen Trends bestimmt ist. Zum einen die Dekarbonisierung, also die Umstellung von herkömmlichen Verbrennungsmotoren auf elektrische Antriebe. Zum anderen die Digitalisierung der Fahrzeuge und ihrer Funktionen. Die Fahrzeugindustrie ist für die deutsche Wirtschaft äußerst relevant, da sie direkt und indirekt zahlreiche Arbeitsplätze bietet. Deshalb ist es umso wichtiger, diese beiden Megatrends mitzugestalten. Das Zukunftslabor Mobilität trägt zur Digitalisierung des Mobilitätssektors bei und reagiert damit auf den Umbruch der Fahrzeugindustrie.
Digitale Fahrzeugfunktionen prüfen, absichern und Entwicklungszeiten reduzieren
Im Zukunftslabor werden unterschiedliche Herangehensweisen erprobt, wie digitale Fahrzeugfunktionen entwickelt und abgesichert werden können. Die Herausforderung besteht darin, dass digitale Systeme mit Updates laufend aktualisiert und verändert werden. Erschwerend kommt hinzu, dass sich die Verbraucher*innen die Fahrzeuge nach Belieben zusammenstellen können (z. B. integriertes Navigationsgerät, automatisierte Abstandshaltung, Spurhalteassistenten), wodurch unzählige Varianten entstehen. Es muss gewährleistet werden, dass alle Komponenten nach einem Update weiterhin einwandfrei funktionieren. Um diese Funktionsfähigkeit der einzelnen Komponenten zu prüfen, führen die Wissenschaftler*innen Integrationstests und eine kontraktbasierte Prüfung der Fahrzeugsysteme durch.
Bei Integrationstests wird zunächst eine einzelne Fahrzeugkomponente überprüft. Anschließend werden weitere Komponenten hinzugeschaltet. Um die Integrationstests auszuwählen, führten die Wissenschaftler*innen eine Change Impact Analyse durch. Dabei analysierten sie, welche Abhängigkeiten zwischen den einzelnen Komponenten bestehen und identifizieren Komponenten, die direkt und indirekt von einem Update betroffen sind.
Neben den Integrationstests untersuchten die Wissenschaftler*innen des Zukunftslabors auch eine kontraktbasierte Prüfung der Fahrzeugsysteme. Mit Kontrakten können Komponenten verschiedener Hersteller über Systemebenen hinweg geprüft werden. Es zeigten sich zwei fundamentale Problemfelder: Erstens gibt es kein funktionierendes stochastisches Kontraktframework, welches überprüft, dass Kontrakte bezüglich ihrer Annahmen und Garantien wechselweise zueinander passen und gemeinsam die gewünschten Gesamtsystemeigenschaften (z. B. Kollisionsvermeidung) implizieren. Zweitens existieren keine Kontraktframeworks, mit denen die Fehlerhäufigkeit des Gesamtsystems ermittelt werden kann (z. B. die Fehlerhäufigkeit von kamerabasierten Objekterkennungssystemen). Diese Schwächen wollten die Wissenschaftler*innen beheben. Hierfür analysierten sie zunächst alle wesentlichen existierenden Kontraktframeworks für funktionale und nichtfunktionale Eigenschaften.
Es reicht nicht, die funktionale Sicherheit der Fahrzeugsysteme zu prüfen, sie muss auch nachgewiesen werden. Wir nehmen an, dass wir Fahrzeugmanöver (z. B. „Spur halten“) und Fahrzeugfunktionen (z. B. Abstand halten, Spur erkennen) zunächst isoliert entwickeln und ihre Funktionsfähigkeit nachweisen können, bevor wir Funktionen kombinieren. Es stellte sich heraus, dass sogenannte Skillgraphen dazu geeignet sind, mögliche Fehler frühzeitig zu erkennen. Skillgraphen setzen einzelne Fahrzeugfunktionen und Sicherheitsanforderungen in Beziehung zueinander.
Die Mobilität der Zukunft soll nicht nur sicher, sondern auch energieoptimiert und autonom sein. Welche Fahrzeugfunktionen ermöglichen diese Ziele und wie können KI-basierte Funktionen, die das autonome Fahren ermöglichen, kostengünstig und modellbasiert entwickelt werden? Hierfür untersuchen die Wissenschaftler*innen eine autonome Mobilitätsplattform für den Personentransport im vernetzten Verkehrssystem. Besonders relevant sind hierbei die Struktur und Kommunikation innerhalb des vernetzten Verkehrssystems. Nur über eine klare hierarchische Strukturierung mit definierten Schnittstellen sowie einer Vernetzung über große Entfernungen ergeben sich Vorteile wie die Minimierung des Energieverbrauchs von domänenübergreifenden, autonomen Mobilitätskonzepten.
Entwicklungszeiten und –risiken können vermieden werden, wenn die Architektur der Fahrzeugsysteme möglichst effizient und fehlerfrei entwickelt wird. Daher arbeiten die Wissenschaftler*innen an einem digitalen Zwilling, der dabei helfen soll, Fahrzeugsysteme zielgerichtet zu rekonfigurieren und aufzuwerten. Er soll außerdem die Restlebensdauer (mechanischer) Komponenten auf Basis von Nutzungsinformationen prognostizieren.
Im weiteren Verlauf des Zukunftslabors Mobilität werden sich die Wissenschaftler*innen auch mit der Frage beschäftigen, wie es um die Alterung von Features steht – Können diese durch Software kompensiert werden? Außerdem werden sie die bisherigen Arbeiten an Entwicklungs- und Absicherungsmethoden intelligenter Fahrzeugfunktionen fortsetzen.
Umgang mit unterschiedlichen Sensordaten in der Umfelderkennung
Die Grundlage moderner Fahrzeugfunktionen sind Daten, die über Sensoren erfasst werden. Problematisch wird es, wenn Sensoren unterschiedliche Daten liefern. Um dieses Problem näher zu betrachten, definierten die Wissenschaftler*innen ein Anwendungsszenario, bei dem es darum geht, inkonsistente Sensordaten zu erkennen und zu bearbeiten. Die zentrale Frage ist: Wie entscheidet ein autonomes Auto, wenn die Sensordaten widersprüchlich sind? Bei dem Szenario fahren zwei Autos auf einer Autobahn hintereinander auf eine Baustelle zu. Das hintere Auto fährt autonom und agiert auf Basis von Kartendaten und Sensorinformationen. Im Kartenmaterial ist die Baustelle nicht vorhanden, die Abstandssensoren des autonomen Fahrzeugs melden aber ein Hindernis. Anhand dieses Anwendungsfalls werden die Wissenschaftler*innen drei Forschungsfragen bearbeiten: Was passiert, wenn das autonome Fahrzeug keine weiteren Informationen erhält? Wie entwickelt sich die Situation, wenn das vordere Auto das Hindernis dem autonomen Auto mittelt? Was wäre, wenn ein anderes Auto das Hindernis bereits passiert hätte und die Information an eine zentrale Autorität gemeldet hätte?
Die Wissenschaftler*innen betrachten außerdem das Verfahren der Novelty Detection: Der Machine Learning Algorithmus des autonomen Autos soll signalisieren, dass die neuen Sensordaten nicht zu den bekannten Daten passen und deshalb nicht zugeordnet werden können. Diese Information fließt dann zum Hersteller, sodass dieser die unbekannte Situation in die Trainingsdaten des Algorithmus aufnehmen kann und schließlich das Auto zuverlässiger wird.
Eine weitere Möglichkeit, die Situation zu verbessern, besteht in der Vehicle-to-Vehicle-Kommunikation (V2V) und in der Vehicle-to-Infrastructure-Kommunikation (V2I). Bei der V2V-Kommunikation tauschen sich die Fahrzeuge direkt über das Hindernis aus. Bei der V2I-Kommunikation werden die Informationen an eine zentrale Stelle weitergeleitet, um die Kartendaten nachzubessern und zu verteilen.
Wenn mehrere Fahrzeuge ihre Daten austauschen und dadurch ihre Informationen über den Straßenverkehr ergänzen, spricht man von einer kollektiven Wahrnehmung (Collective Perception). Diese bringt Herausforderungen mit sich, wie z. B. das Zusammenführen von Informationen mehrere Fahrzeuge. Die kann u. a. Problem durch Track-to-Track-Fusion geschehen. Ein Track ist die Summe aller Parameter, die durch Sensoren geschätzt wurden (z. B. Position, Geschwindigkeit, Größe eines Objektes). Zunächst analysierten die Wissenschaftler*innen, welche Daten mindestens für eine Track-to-Track-Fusion zu übertragen sind: Es muss nicht der gesamte Track gesendet werden, die aktuell geschätzten Parameter für die getrackten Objekte genügen. Außerdem identifizierten sie die Funkstandards, die für eine Track-to-Track-Fusion genutzt werden können. Dazu zählen Adhoc Networks (VANets), die in den Fahrzeugen zum Informationsaustausch eingesetzt werden, und Cellular-V2X Standards, die die 4G- und 5G-Mobilfunktechnik verwenden. Die bisherigen Untersuchungen bilden die Grundlage für weitere Forschung im Bereich Track-to-Track-Fusion und Collective Perception. Um ein solches System zu implementieren, werden die Wissenschaftler*innen das Zusammenführen der Daten näher betrachten. Des Weiteren werden sie prüfen, welche zu übertragenden Objektparameter eine Verbesserung der Tracking-Genauigkeit erreichen können.
Die Schätzung bestimmter Parameter (z. B. Orientierung) oder die Verwendung bestimmter Sensoren wie (z. B. Radarsensoren) erfordert nichtlineare Modelle, welche auch komplexere Bewegungen von Objekten (z.B. Fahrräder) erlauben. Die Schätzung der Objektparameter ist komplexer, aber es können sogenannte Gauß’sche Filter eingesetzt werden. Dieser Filter nimmt an, dass es sich um eine Gauß-Verteilung (auch Normalverteilung genannt) handelt und zieht zufällig Punkte, die diese Verteilung repräsentieren. Der Filter kann in einem Fahrzeug zur Umfelderkennung genutzt werden: Die Tracks verschiedener Fahrzeuge werden von einem Infrastrukturmodul kombiniert und zu den Fahrzeugen zurückgesendet. Um Zufallseffekte zu vermeiden und verlässliche Ergebnisse zu erzeugen, entwickelten die Wissenschaftler*innen des Zukunftslabors Mobilität einen deterministischen Sampling Algorithmus. Das bedeutet, dass die Wissenschaftler*innen verlässliche Stichproben mithilfe eines Algorithmus erzeugen, die sie dann im Gauß-Filter zur Betrachtung nichtlinearer Zusammenhänge einsetzen können. Dadurch werden die Ergebnisse der Umfelderkennung noch sicherer.
Zukunftsszenarien für die Logistikbranche
Innovative Fahrzeuge und Fahrzeugfunktionen sollen eine gesunde, ressourcenschonende, nachhaltige und nutzerfreundliche Mobilität der Zukunft ermöglichen. Um dies zu verwirklichen, müssen die konkreten Anforderungen der Gesellschaft bezüglich der zukünftigen Mobilität in sogenannten Zukunftsszenarien erfasst werden.
Im vorigen Jahr hatten die Wissenschaftler*innen bereits die fünf maßgeblichen Einflussbereiche identifiziert, die die Mobilität beeinflussen (Gesellschaft, Technologien, Wirtschaft, Umwelt, Politik). Anschließend hatten sie die Zusammenhänge zwischen den Einflussfaktoren ermittelt und in einem initialen Beziehungsmodell zusammengefasst. Darauf bauten die Wissenschaftler*innen dieses Jahr auf und legten ihre Untersuchungsschwerpunkte im Bereich Verkehr fest: Sie entschieden sich dazu, einerseits die Logistik/den industriellen Verkehr näher zu betrachten, andererseits die private/öffentliche Mobilitätsnutzung.
Zunächst ermittelten sie für den Schwerpunkt Logistik die 20 wichtigsten Einflussfaktoren – sogenannte Schlüsselfaktoren (z. B. Routenplanung). Diese Schlüsselfaktoren statteten die Wissenschaftler*innen wiederum mit Projektionen aus, also detaillierten Ausprägungen (z. B. „Keine Routenoptimierung“ oder „Vollautomatisierte Routenoptimierung“). Zu diesen Projektionen erstellten sie eine Konsistenzmatrix und auf Basis der mathematischen Kombinationen verschiedener Faktorenausprägungen kristallisierten sich spezielle Zukunftsszenarien heraus: Stillstand (Stagnation in der Wirtschaft und der Digitalisierung), Fortschritte (Ausbau der Vernetzung), Reger Austausch (zwischen Verkehrsteilnehmern innerhalb eines Mobilitätsbereiches), Wandel (Der Weg zu einem zentralen Verkehrsmanagement), Grüne Welt (Mobilität im Zeichen der Klimaziele), Neues digitales Zeitalter (Automatisierung und zentrales Verkehrsmanagement).
Die sechs Szenarien dienen dazu, sich die zukünftige Mobilität im Jahr 2030 plausibel vorstellen zu können. Mithilfe der Szenarien sollen Anforderungen ermittelt werden, um bestimmte Technologien für 2030 zu entwickeln. Das dient gleichzeitig dazu, Forschungsschwerpunkte zu ermitteln: Was muss erforscht werden, damit bestimmte Ausprägungen der Szenarien ermöglicht werden?
Für den zweiten Untersuchungsschwerpunkt private/öffentliche Mobilitätsnutzung bestimmten die Wissenschaftler*innen ebenfalls Schlüsselfaktoren. Daraus werden sie im kommenden Jahr die entsprechenden Szenarien ableiten. Zukünftig werden sie die Szenarien aus beiden Bereichen – Logistik/industrielle Verkehr sowie private/öffentliche Mobilitätsnutzung – zu einer Matrix verschmelzen, um ein Gesamtbild der zukünftigen Mobilität zu erzeugen. Außerdem werden sie mit Technologie-Scoutings prüfen, welche Technologien zur verbesserten zukünftigen Mobilität beitragen können.
Die Einflussfaktoren und deren Verknüpfungen sollen weiter ausgearbeitet und vervollständigt werden. Hierzu entwickeln die Wissenschaftler*innen Lösungsansätze mithilfe von Modellierungen und Simulationen im Verkehrssystem, d. h. auf der Straße, auf der Schiene, im Schiffsverkehr sowie die Integration von Boden- und Luftverkehr (z. B. über Drohnen). Die Ergebnisse der Analysen und Bewertungen werden wiederum in die Matrix einfließen, die die Szenarien für Logistik und öffentliche Mobilitätsnutzung vereint. So lassen sich am Ende des Projekts bestimmte Zukunftsszenarien beschreiben, Einflüsse simulieren und Lösungsansätze für die Zukunft aufzeigen.
Anforderungen an eine Mobilitätsplattform
In den Zukunftsszenarien spielt unter anderem die Intermodalität, die Verbindung verschiedener Verkehrsmittel für die optimale Reise- bzw. Transportroute, eine wichtige Rolle. Für die Realisierung intermodaler Mobilitätsketten sind sogenannte Multi-Provider Shared Mobility Platforms (MPSM) erforderlich. Dabei handelt es sich um Plattformen, auf denen unterschiedliche Akteure ihre Mobilitätsdienstleistungen über eine zentrale App oder Website anbieten. Die angebotenen Mobilitätsdienstleistungen könnten durch einen Austausch der Mobilitätsdaten verbessert werden. Darüber hinaus wäre ein Datenaustausch mit weiteren Akteuren vorteilhaft, die Mobilitätsdaten halten, wie etwa Kommunen oder Automobilhersteller (z. B. Informationen über das Verkehrsaufkommen, Unfälle, verfügbare Parkplätze oder Staus). Dateneigentümer (z.B. Automobilhersteller, Serviceanbieter oder Kommunen) könnten durch den Austausch der Mobilitätsdaten ihre Produkte und Dienstleistungen verbessern. Oftmals befürchten Dateneigentümer aber, dass Geschäftsgeheimnisse an Wettbewerber weitergeleitet werden könnten, wenn sie ihre Daten preisgeben.
Aus diesem Grund gehen die Wissenschaftler*innen davon aus, dass eine solche Datenallianz attraktiver wäre, wenn ein datenschutzgerechter Austausch sichergestellt und die Datenverarbeitung transparent und erklärbar wäre. Daher ist das Ziel, entsprechende Techniken des Datenaustausch, Geschäftsmodelle und Mechanismen zu untersuchen und zu entwickeln. Aus Gesprächen mit Praxispartnern (z. B. größere Automobilhersteller, Unternehmensberatungen, Start Ups für neuartige Mobilitäts-Services) und im Rahmen von Literaturrecherchen ermittelten die Wissenschaftler*innen Anwendungsfälle, die besonders von Datenaustausch im Rahmen von Datenallianzen profitieren würden. Zur Ermöglichung eines effizienten und sicheren Datenaustauschs, erproben die Wissenschaftler*innen die Federated Learning Technik. Bei dieser Machine Learning Technik werden die Daten nicht auf einem einzigen Server gespeichert, sondern dezentral auf Servern der einzelnen Partner. Die Daten werden verschlüsselt und aggregiert als Parameter ausgetauscht. Mittels Federated Learning kann dann auf alle aggregierten Parameter zugegriffen werden und so für jeden Akteur zielgerichtet ausgewertet werden.
In einem gemeinsamen, interdisziplinären Forschungsvorhaben fokussieren sich die Wissenschaftler*innen auf den identifizierten Anwendungsfall „Intelligente Kreuzung“. Die meisten Verkehrsunfälle geschehen durch menschliches Fehlverhalten. Ortungsgeräte und Sensoren können die Positionen von Verkehrsteilnehmer*innen erfassen, maschinelles Lernen kann die Informationen analysieren und auswerten. Wenn mehrere Akteure Mobilitätsdaten beisteuern, wird die Wahrscheinlichkeit höher, menschliches Fehlverhalten zu prognostizieren.
Eine weitere potentielle Anwendung des Verfahrens könnte in einem zweiten Anwendungsfall, dem „Vernetzten Lernen im öffentlichen Verkehr“, erfolgen. Hier bezieht sich die Datenerhebung und -auswertung auf den öffentlichen Linienbus. Busfahrer*innen haben neben der Tätigkeit des Fahrens noch weitere Aufgaben, wie z. B. pflegebedürftigen Personen beim Einsteigen zu helfen. Die Forschungsidee besteht darin, Daten aus dem Innenraum des Busses zu sammeln (z. B. durch videobasierte Bildanalyse), um daraus das Angebot der Busunternehmen zu verbessern (z. B. Einstiegsmöglichkeiten für die pflegebedürftigen Personen optimieren).
Für beide Anwendungsfälle entwerfen wir eine Datenarchitektur, die durch den Einsatz von Federated Learning Datenallianzen ermöglicht. Die Daten werden zunächst lokal gesammelt (einmal beim Auto, einmal im Bus) und dann auf dem Partner Level (z. B. Automobilhersteller oder Busunternehmen) aggregiert. Im nächsten Schritt werden die aggregierten Modellparameter entweder über einen Cloudserver oder direkt zwischen den beteiligten Partnern ausgetauscht und mittels Federated Learning ausgewertet. Die Beteiligten der Datenallianz ergänzen dadurch Lücken im eigenen Datensatz – im Anwendungsfall „Intelligente Kreuzung“ erhalten Automobilhersteller so z. B. Daten aus Verkehrskameras und können somit die Sicherheitssysteme der Vehikel verbessern.
Ziel der Wissenschaftler*innen ist es, geeignete Geschäftsmodelle und Mechanismen zu entwickeln, um Shared-Mobility-Dienste (vermehrt) zu nutzen. Dafür werden sie sich weiterhin damit beschäftigen, welche Vorteile eine Mobilitätsplattform Dateneigentümer*innen bieten muss, damit sie eine Datenallianz eingehen. Außerdem werden sie in Zukunft untersuchen, wie hoch die Bereitschaft von Konsument*innen ist, Mobilitätsservices (z. B. intermodale Reisekette) in Anspruch zu nehmen, wenn ein transparenter Algorithmus eingesetzt wird und die Datenschutzgrundverordnung eingehalten wird.
