Unter dem Begriff ADAS werden elektronische Assistenzsysteme in KFZ zusammengefasst, die den Fahrer in bestimmten Fahrsituationen unterstützen und i.d.R. zur Steigerung der Sicherheit oder des Fahrkomforts beitragen. Beispiele sind Spurhalte-Assistent, Brems-Assistent, Einpark-Assistent.

Entwicklung von ADAS mit MATLAB und Simulink

Die Entwicklung von Fahrerassistenzsystemen (kurz ADAS für Advanced Driver Assistance Systems) und (teil-)autonomen Fahrzeugen stellt die Hersteller solcher Systeme vor große Herausforderungen. Zur Entwicklung von ADAS Systemen leistet die modellbasierte Entwicklung mit MATLAB^® und Simulink^® einen wertvollen Beitrag, um technologische Aufgabenstellungen zu bewältigen und diese neue Ära der Mobilität erfolgreich zu gestalten.

ADAS Sensoren und Umfeldmodell

Für eine hohe beziehungsweise vollständige Automatisierung des Fahrens ist die einwandfreie und vorausschauende Erkennung der Verkehrssituation um das Fahrzeug herum eine grundlegende Vorraussetzung. Hierzu wird ein sogenanntes Umfeldmodell benötigt, dass eine vollständige Abbildung aller Objekte, Hindernisse und Freiräume beinhaltet. Zur Erstellung des Umfeldmodells verwendet man die Daten von verschiedenen über das Fahrzeug verteilten Sensoren. Es kommen Radartechnik, Kameras, LIDAR, Ultraschall, GPS und weitere Sensoren bei ADAS zum Einsatz. Für die Entwicklung der Sensorik und der zugehörigen Algorithmen für die Signalverarbeitung stehen in MATLAB und Simulink leistungsstarke Erweiterungen zur Verfügung. Antenna Toolbox™, Phased Array System Toolbox™ und SimRF™ unterstützen die effiziente Entwicklung von Radarapplikationen. Für kamerabasierte Sensorik stehen dem Entwickler unter anderem mit Image Processing Toolbox™ und Computer Vision Toolbox™ umfangreiche Möglichkeiten für die sensornahe Bildverarbeitung, die nachgelagerte videobasierte Objekterkennung als auch für die Verarbeitung von Punktwolken aus einem LIDAR Sensor zur Verfügung.

Sensor Fusion

Im Rahmen der Sensor-Daten-Fusion (häufig als auch Sensor Fusion bezeichnet)  werden die spezifischen Stärken jedes einzelnen Sensortyps sowohl zur komplementären Vervollständigung des ADAS-Umfeldmodells als auch zur Verifikation der Objektdaten aus unterschiedlichen Sensoren gegeneinander genutzt. Die Fusion der Sensordaten ist ein Prozess, der sich direkt mit MATLAB programmieren lässt, da hierfür häufig Schleifenkonstrukte und Matrix-Vektor-Operationen zur Konsolidierung und Analyse der Daten erforderlich sind. Darüber hinaus bietet MATLAB mit seinen umfangreichen Funktionen zur Visualisierung und automatischen C-Code-Generierung weitere Vorteile für diese Aufgaben gegenüber herkömmlichen Progammiersprachen.

Situationsanalyse und Entscheidungslogik von ADAS Systemen

Die anschließende Situationsanalyse und Entscheidungslogik repräsentieren einen komplexen Zustandsautomaten. Dieser legt das Verhalten der Systemfunktionen für das automatisierte Fahrmanöver mit den aus dem ADAS Umgebungsmodell abgeleiteten Informationen  fest. Hier kommt Stateflow^® als Werkzeug für die modellbasierte Entwicklung von Entscheidungslogiken mittels Zustandsautomaten zum Einsatz, das auf Simulink aufsetzt.

ADAS Regelung

Die aus der Entscheidungslogik festgelegten Manöver sind dann von der Fahrzeugregelung in Bezug auf Brems-, Lenk- und Motoreingriffe umzusetzen und eventuelle Änderungen sind kontinuierlich und umgehend im Fahrszenario anzupassen. Für den Entwurf und Test der regelungstechnischen Algorithmen bietet Simulink ebenfalls eine umfassende modellbasierte Lösung. Das Blockschaltbild-basierte Systemdesign in Simulink sowie die Formulierung einer Zustandsmaschine in Stateflow, die das Verhalten des Reglers unter verschiedenen Arbeitspunkten definiert, liefern dem Entwickler zusammen mit der automatischen Reglersynthese in Simulink Control Design™ die richtigen Werkzeuge für einen zügigen Reglerentwurf, der auch funktionale Tests der modellierten Reglerkomponente in frühen Entwicklungsstadien ermöglicht.

Simulation des ADAS Gesamtsystems

Zusätzlich zum modellbasierten Design der einzelnen ADAS Komponenten lassen sich diese Teilfunktionen nach erfolgreichen Tests zu einem Gesamtsystem integrieren. Die ADAS Funktion lässt sich anschließend in Verbindung mit einem Fahrzeugmodell plus Umgebung im Rahmen eines vollständig virtuellen Fahrvorgangs in Form einer Closed Loop Simulation testen. Für die Virtualisierung der das Fahrzeuge umgebenden Infrastruktur inklusive aller Umgebungsobjektestellt  Simulink Schnittstellen zu Simulationswerkzeugen von verschiedenen Partnerunternehmen zur Verfügung. Die Gesamtsimulation des automatisierten Fahrvorgangs bietet dem Entwicklerteam viele Vorteile: Beispielsweise das Testen der ADAS Funktionen in kritischen Fahrsituationen in einer virtuellen Umgebung und damit eine gefahrlose frühzeitige Validierung und Verifikation auf Fahrzeugebene durch modellbasierte Integration. Daraus resultiert eine deutliche Beschleunigung des Innovationszyklus durch schnelle Design-Iterationen und flexible Anpassungen von Umgebungsbedingungen (z.B. Unterschied zwischen trockener und nasser Fahrbahn) sowie durch die Reproduzierbarkeit der Testergebnisse.

Ground-Truth Labeling und Re-Simulation von ADAS Algorithmen

Ein komplementärer Ansatz zur vollständigen Closed-Loop-Simulation von ADAS Systemen ist der modellbasierte Open-Loop-Test der Algorithmen zur Sensordatenfusion und Situationsanalyse unter Einbeziehung aufgezeichneter Messdaten aus realen Fahrzeugtests. Dies bezeichnet man auch als Re-Simulation. Mittels sogenanntem Ground-Truth Labeling, das mit MATLAB in hohem Maße automatisiert werden kann, werden Referenzobjekte oder -informationen in den Mess- und Videodaten gekennzeichnet. In einem ersten Schritt analysiert man die aufgezeichneten Fahrzeugdaten dahingehend, ob die Algorithmen die Objekte und die Verkehrssituation korrekt erkannt haben. An Stellen, an denen die Algorithmen die Sensordaten fehlerhaft analysiert haben - beispielsweise wenn sie ein vorhandenes Objekt nicht detektiert haben - korrigiert der Entwickler den Fehler im Algorithmus und appliziert den verbesserten Algorithmus mittels einer Simulation erneut auf die aufgezeichneten Sensordaten zur Verifikation.

Funktionale Sicherheit von ADAS

Bei ADAS beschäftigen sich die Entwickler häufig mit Systemen und Funktionen, die nach ISO 26262 die Anforderungen von ASIL D erfüllen müssen. Je höher der Grad der Automatisierung, desto größer werden die Anforderungen an die funktionale Sicherheit. MathWorks unterstützt Entwickler von sicherheitsrelevanten Applikationen, die eine entscheidende Rolle bei ADAS Systemen spielen, durch einen vorqualifizierten Workflow für die modellbasierte Entwicklung von Fahrzeugfunktionen. Diese werden anschließend für die ISO-Konforme Implementierung auf dem Steuergerät mit Hilfe von Embedded Coder^® automatisiert in C-Code übersetzt.

Zuverlässigkeitstests von Software für ADAS

Eine der großen Herausforderungen bei der Entwicklung von ADAS ist das Testen. Schätzungen gehen von Größenordnungen von mehreren hundert Millionen Testkilometern aus, die man abspulen müsste, um einen realen Prototypen erschöpfend zu testen. Die modellbasierte Entwicklung mit MATLAB und Simulink ermöglicht es Entwicklern bereits in einem frühen Stadium, sowohl ADAS Komponenten als auch komplette Systeme im Kontext des automatisierten Fahrens zu testen. Dadurch lassen sich frühzeitig systematische Implementierungsfehler oder Fehler in den Anforderungen aufdecken, Verbesserungen einpflegen und ins System integrieren und so viele Testkilometer einsparen. Bereits in der Design-Phase erfolgt über den funktionalen Test hinaus die Überprüfung des Modells sowohl auf strukturelle Korrektheit mittels einer modellbasierten Coverage-Analyse als auch durch weitere statische bzw. formale Analysen auf mögliche spätere Laufzeitfehler. Nach der automatischen Code-Generierung folgt die Code-Verifikations-Phase, die dazu dient, den Code noch einmal abzusichern und die Äquivalenz zwischen generiertem Code und Modell des ADAS Systems zu verifizieren.