In Fokus des Projekts KOPLA steht konkret die Erforschung der Interaktion von kurzfristigen und langfristigen Störungen. Diese aktuell nicht ausreichend verstandenen Korrelationen dienen dazu, Assistenzsysteme signifikant zu optimieren, indem Sie alle Abhängigkeiten zwischen Störungen beinhalten und in unsicheren Situationen bestmögliche Entscheidungen treffen. Das langfristige Ziel der hier beschriebenen Forschung zur datenbasierten Algorithmik ist den Betrieb langfristig stabiler, effizienter und kundenfreundlicher zu machen – sowohl im Alltag als auch im Störungsfall und so die Qualität des Nahverkehrs zu sichern.

Ein besonderer Fokus liegt auf der dynamischen Insassenbewegung, die durch veränderte Fahrdynamik, wie etwa Notbremsungen, kurz vor dem Unfall oder die Dynamik während des Unfalls, beeinflusst wird. Das Projekt gliedert sich in drei Hauptschritte: Die KI-basierte Erkennung und Prädiktion der Unfallsituation, die KI-basierte Prädiktion der Insassenposition (und -bewegung) sowie die Analyse der zu erwartenden Verletzungsschwere. Zur Umsetzung sollen moderne Sensoren und Algorithmen zum Einsatz kommen, um eine präzise, zuverlässige und schnelle Reaktion der Rückhaltesysteme zu gewährleisten und neue Ansätze für Sicherheitssysteme in automatisierten Fahrzeugen zu ermöglichen.

Ziel dieses Projekts ist es daher, die Eignung moderner Radarsimulationsverfahren für den Einsatz in virtuellen Testprotokollen wissenschaftlich zu evaluieren. Hierzu werden Messkampagnen mit realen Fußgängern, NCAP-Dummies sowie Radarsimulationen derselben Szenarien durchgeführt und systematisch gegenübergestellt.

Im Projekt sollte ein abgastauglicher kombinierter Sensor für NH₃ und NO_X entwickelt werden. Grundlage bildeten zwei elektrochemische Prinzipien: ein gepulster NO_X-Sensor und ein NH3-Mischpotentialsensor, beide basierend auf einer Festelektrolytschicht aus Yttriumoxid-stabilisiertem Zirkoniumdioxid (YSZ), hergestellt mit der Pulveraerosoldepositionsmethode (PAD).

Zunächst wurden dichte PAD-YSZ-Schichten auf keramischen Substraten hergestellt und hinsichtlich Temperaturstabilität und ionischer Leitfähigkeit untersucht. Anschließend wurde die Funktionalität des gepulsten NO_X-Sensors und des NH₃-Mischpotentialsensors mit PAD-Festelektrolytschicht erfolgreich getestet. Zur Kombination beider Sensorprinzipien auf einer Sensorplattform wurden verschiedene Varianten realisiert und charakterisiert, um eine gegenseitige Beeinflussung zu minimieren. Aufgrund von Stabilitätsproblemen wurde der NO_X-Sensor nicht weiterentwickelt. Stattdessen wurde der NH₃-Sensor optimiert.

Der NH₃-Mischpotentialsensor wurde unter Laborbedingungen und im Realabgas erfolgreich getestet. Es zeigte sich eine sehr gute Übereinstimmung mit Referenzmessungen. Die Eignung für den praktischen Einsatz wurde nachgewiesen.

In sicherheitskritischen Anwendungen kommen derzeit zusätzliche Sensoren zum Einsatz. Da die gleiche physikalische Größe mehrfach gemessen wird, ist es möglich, den Ausfall eines einzelnen Sensors durch die verbleibenden Signale zu erkennen. Daraufhin werden die vom Fehler nicht betroffenen Signale zur Bestimmung der Motorspannung genutzt. Nachteilig daran sind die damit einhergehenden höheren Kosten und der zusätzliche Bauraumbedarf.

Ziel des Forschungsprojektes war es, anstelle der erläuterten physikalischen Redundanz, die sich durch die Verwendung zusätzlicher Sensoren auszeichnet, eine analytische Redundanz aufzubauen. Hierzu sollte der Umstand genutzt werden, dass in der standardmäßigen Ausführung einer Antriebsregelung ein einzelnes Sensorsignal auf Basis eines Maschinenmodells und der Messwerte der verbleibenden Sensoren geschätzt werden kann.

Im Rahmen des Forschungsprojekts wurden Schätzverfahren für die einzelnen Sensorsignale erarbeitet sowie ein Demonstrator zur Erprobung der Ansätze konzeptioniert und umgesetzt. Eine ausführliche Validierung an einem realen Antriebssystem zeigt, wie die erarbeiteten Methoden zukünftig zur Erhöhung der Ausfallsicherheit elektrischer Antriebssysteme genutzt werden können. Durch die enge Zusammenarbeit der Projektpartner während des Projektablaufs weisen die vorgeschlagenen Lösungsansätze eine hohe Integrierbarkeit in die jeweiligen Produktpaletten auf.

Aufwändige Visualisierungen basierend auf 3D-Computergrafik nehmen zunehmend Einzug in unseren Alltag, insbesondere in unsere Automobile. In klassischen Navigationssystemen werden Straßen, Gebäude und das Gelände in der dritten Dimension dargestellt, die zunehmend zur Visualisierung zahlreicher Fahrassistenzsysteme verwendet werden. Neuerdings halten sie auch Einzug in Augmented-Reality-basierte Navigationssysteme. Solche Systeme werden unter anderem auch durch das bayerische Unternehmen e.solutions GmbH in Erlangen entwickelt.

Die Darstellung solcher 3D-Inhalte zu testen ist eine erhebliche Herausforderung. Gleichzeitig werden 3D-Inhalte zunehmend sicherheitsrelevant. Aktuell werden diese Anwendungen mittels manuell definierter statischer Tests geprüft. Das ist zeit- und kostenintensiv. Die Evaluation ist zum einen auf die Anzahl solcher manuell erzeugter Testszenarios beschränkt, die unmöglich alle Eck-Probleme abfangen können. Zum anderen müssen 3D-Szenen vorgerendert werden, was insbesondere bei wechselnden Designs sehr aufwendig ist.

Das Projekt löst mittels modernster und neu entwickelter Methoden im Bereich Computer Vision und maschinelles Lernen diese Probleme. Automatisch generiert es Testfälle und erkennt zudem Fehler, ohne manuell erzeugte Testszenarios oder Vorrenderings.

Das Ergebnis ist eine fundierte Grundlage für vorausschauende Wartung („predictive Maintenance“), die den Betrieb optimiert, Ausfälle reduziert und gleichzeitig zu einer nachhaltigeren Ressourcennutzung in der Landwirtschaft beiträgt.

Die modulare Softwareentwicklung für autonome Fahrfunktionen bietet aus Entwicklungssicht entscheidende Vorteile, da Funktionalitäten unabhängig voneinander entwickelt und einfacher in die Gesamtsoftware integriert werden können. Allerdings ist es möglich, dass aufgrund des limitierten Informationsaustausches zwischen Modulen Fehler auftreten, die sich durch die Gesamtsoftware ziehen und nicht rechtzeitig abgefangen werden können.

Das Ziel des Projekts ist es, den Datenaustausch der einzelnen Module untereinander zu optimieren, um die Informationslücke zwischen diesen zu reduzieren. Der Schwerpunkt liegt hierbei auf dem Austausch zwischen Umfeld-Wahrnehmung und Fahrplanung. In Zusammenarbeit mit den Industriepartnern FDTech und Bertrandt und dem assoziiertem Partner Embotech wird die entwickelte Software simulativ sowie im Realfahrzeug getestet.

Das Perzeptions-Modul liefert zu jedem Zeitschritt Daten über Objekte, die basierend auf den verwendeten Sensoren erkannt wurden. Zusätzliche Informationen, wie etwa Unsicherheiten in der Objekterkennung oder nicht einsehbare Bereiche, werden jedoch nicht an die Fahrplanung weitergeleitet. Durch die Integration dieser zusätzlichen Informationen soll eine bessere Grundlage für die robuste Fahrplanung entwickelt werden.

Gleichzeitig soll auch der Informationsfluss zwischen Fahrplanung und Perzeption optimiert werden. Methoden zur Objektdetektion werden oft ausschließlich basierend auf Bildmaterial trainiert, ohne Berücksichtigung der Position der Objekte im Bild. Die Rückführung des geplanten Fahrweges soll eine Priorisierung der Objekte im fahrbaren Bereich erzielen. Auf diese Weise lässt sich die Erkennungsgüte erhöhen, und Gefahrensituationen können schneller erkannt werden.

Ziel des Projektes war es, realistische Sensormodelle aus Realdaten abzuleiten. Aus bei Testfahrten erhobenen Datenströmen (von Kameras, LiDAR, Radar, GPS etc.) sollte ein 3D-Modell der Umgebung gewonnen werden, darauf aufbauend das Verhalten der Fahrzeugsensorik mit einer physikalischen Simulation abgeglichen und ein realitätsnahes virtuelles Modell des Sensors abgeleitet werden, das dann in der virtuellen Fahrsimulation verwendet werden kann (s. Abb.).

Auf dem einschlägigen Forschungsgebiet gab es im Lauf des Projektes vielfältige technische Weiterentwicklungen, die große Auswirkungen auf den Projektverlauf hatten. Mit Hilfe neuester Verfahren zur Bildtransformation wurde es möglich, in virtuellen Testumgebungen die Ergebnisse eines Sensors direkt aus (simulierten) Kamerabildern vorherzusagen. Mit sogenannten Neural Radiance Fields konnten detailreiche Rekonstruktionen der 3D-Umgebung von Testfahren generiert werden, wodurch es möglich wurde, das physikalische Verhalten der Sensoren genau zu erfassen. Außerdem ist es gelungen, bisher nicht berücksichtigte technische Eigenschaften von LiDAR-Sensoren zu rekonstruieren und physikalisch-basiert auch in die Sensorsimulation mit einzubeziehen. Das Sensormodell wurde in die virtuelle Simulationsumgebung CARLA integriert und unter anderem anhand eines Abstandreglers evaluiert.

Ziel des beantragten Forschungsprojekts ist daher die Identifikation und Validierung eines Werkstoffs, der die additive Fertigung von oxydationsbeständigen Hochtemperatursonden zur Messung von Strömungen in Gasturbinen ermöglicht. Der Werkstoff soll additiv verarbeitbar sein und bei über 1.200°C eingesetzt werden können. Zu entwickeln sind hierzu Methoden zur Werkstoffcharakterisierung und -bewertung und zur additiven Fertigung von filigranen Versuchskörpern aus diesen Werkstoffen im Labor- bzw. Technikumsmaßstab.