Ein Blick auf die Messtechnik

Datengetriebene ADAS/AD-Entwicklung

11. März 2022, 10:30 Uhr | Autoren: Bernd Eggl und Adrian Bertl, Redaktion: Irina Hübner

Fortsetzung des Artikels von Teil 1

Datenqualität als zentrales Element

Die Qualität der Daten ist ein essenzieller Punkt für die Weiterentwicklung von Fahrfunktionen, die auf neuronalen Netzen basieren. Gerade diese Qualität beginnt beim ersten Bit.

Aufgrund der hohen Datenübertragungsraten an den Schnittstellen gibt es die bereits physikalisch bedingte Fehlerbehaftung in der Übertragung und Speicherung. Nebst den oben genannten Schnittstellen ist auch eine Absicherung der Integrität der Daten notwendig, um sie für das Training neuronaler Netze verwenden zu können. Betrachtet man dabei die Datenströme, ist in erster Linie eine Veränderung der Daten durch die Einflüsse von Transport und Speicherung zu überprüfen.

Als weiterer Grundsatz ist die zeitliche Korrelation der Datenströme zu betrachten. Vom erstellten Signal zur Speicherung durchläuft das Datenpaket mit den Messwerten mehrere Softwareblöcke und Systeme wie Messdatenadapter oder Ethernet Switches. Dabei kommt es zu Ausbreitungs- und Übertragungsverzögerungen (zum Beispiel Store and Forward) und prozessbedingtem zeitlichen Taktzittern (Jitter).
 
Durch diese Phänomene werden die gesammelten Messdaten nicht chronologisch in Bezug auf ihre Entstehung an der Datenrecorder-Einheit, die für Aufzeichnung und Speicherung zuständig ist, ankommen und verarbeitet. Eine exakte zeitliche Korrelation der Datenpakete bildet jedoch die Basis für eine aussagekräftige Fusion von Sensorwerten. Ohne sie werden die Werte fehlerhaft zugeordnet und können ein System in ihrem kompletten Modell nicht abbilden. Eine belastbare und sichere Aussage über einen Messwert hinaus ist somit nicht möglich.

Um oben genannte Effekte auszugleichen, ist es wichtig, jegliches Datenpaket mit dem Zeitstempel der Entstehung zu versehen, um es später zuordnen zu können. Dabei ist darauf zu achten, dass der Zeitstempel möglichst früh an das Datenpaket angebracht wird, um Übertragungsverzögerungen mit betrachten zu können.

Beachtet man die einzelnen Zeitstempel und die zugrundeliegende Uhrzeit, so müssen die Uhren im kompletten System auf einer Zeitbasis laufen und laufend synchronisiert werden, um eine Zeitdomäne zu bilden. Dies bildet die Basis sowohl für anspruchsvolle sicherheitskritische Anwendungen als auch eine Safety-Zertifizierung dieses Multisensorsystems.

Anbieter zum Thema

zu Matchmaker+
 Korrelation der Daten verschiedener Datenrecorder aus verschiedenen Zeitquellen über Ethernet mittels gPTP (802.1AS)
Bild 1. Korrelation der Daten verschiedener Datenrecorder aus verschiedenen Zeitquellen über Ethernet mittels gPTP (802.1AS).
© b-plus

Betrachtet man einen Messaufbau in Fahrzeugen (Bild 1) mit mehreren Sensoren und Recordern, so ist die Synchronisation der Zeitquellen mittels IEEE 802.1AS über Ethernet eine adäquate Lösung, um flexible Konfigurationen zur realisieren. Dabei werden die Zeit von der Recording-Einheit als Master über das komplette Netzwerk aus Messdatenschnittstellen und Recordern verteilt und die Uhren synchron gehalten.

Darauf basierend können Zeitstempel auf die empfangenen Frames von der Sensorik angebracht und die Datenpakete für eine spätere Analyse zusammengesetzt werden. Betrachtet man Datenquellen, die nicht über Ethernet empfangen werden, bietet sich ergänzend an, alle Uhren innerhalb der Recording-Plattformen über Hardwaremechanismen zu synchronisieren und die Zeitstempel beim Empfang hochgenau zu setzen.

Überwachung der Datenintegrität

Während der Auskopplung von Daten am Messtechnik-Interface treten mitunter Fehler wie Frame Drops, Paketverluste oder auch Übertragungsfehler auf.

Mehrstufige Überwachung der Datenintegrität vom Auskoppeln bis zur Speicherung der Daten
Bild 2. Mehrstufige Überwachung der Datenintegrität vom Auskoppeln bis zur Speicherung der Daten.
© b-plus

Diese sind schwer zu vermeiden, jedoch ist es möglich, sie über Frame Counter oder Prüfsummen (CRC) bereits in den Messdatenschnittstellen zu detektieren und in einer geeigneten Recording-Software in der Aufzeichnung zu markieren. In der AVETO-Toolbox ist diese mehrstufige Datenintegritätsüberwachung bereits enthalten und berücksichtigt (Bild 2). Somit ist in den aufgezeichneten Daten sofort ersichtlich, wo in einer Zeitscheibe Daten korrupt sind oder fehlen. Dies bietet für die spätere Analyse und im Anlernen von künstlichen neuronalen Netzen sofort einen Qualitätsindikator über die komplette Aufzeichnung.

Effizienz beginnt vor der Datenübertragung

Bei steigenden Bandbreiten und Datenmengen ist es heute und zukünftig nicht mehr zielführend, dass sämtliche Messdaten erfasst werden, sondern nur die für den nachfolgenden Prozess relevanten. Dazu macht es Sinn, so früh wie möglich in der Verarbeitungskette passend zu entscheiden, ob Daten wirklich benötigt werden. Das b-plus-Konzept des Smart Recordings stellt durch KI-Technologie sicher, dass nur relevante Daten im Testträger bzw. Fahrzeug aufgezeichnet werden. Dies entlastet das darauffolgende Daten-Handling beim Verifizieren und Validieren von ADAS/AD-Systemen, bzw. im datengetriebenen Entwicklungsprozess KI-gestützter Systemfunktionen.

Intelligent Recording

Getreu dem Motto »Every Bit is Gold« ist es für OEMs und Tier-1s, die sensorbasierte Systeme im Bereich Fahrerassistenz und autonomes Fahren entwickeln, üblich, möglichst viele Daten aus realen Testfahrten für die Validierung zu sammeln. Bei dieser Vorgehensweise wird man aber schnell mit verschiedenen Problemen konfrontiert: Sowohl das Speichern der Daten im Fahrzeug, als auch der Transport über das Netzwerk, die Speicherung im Rechenzentrum und die abschließende Verarbeitung der Daten, sind mit sehr hohen Kosten verbunden. Darüber hinaus erhalten Entwickler keine Informationen zur Relevanz der gesammelten Daten.

Selektive Aufzeichnung mit Intelligent Recording führt zu einer Reduktion der Daten an der Quelle und vermeidet überflüssige Kosten
Bild 3. Selektive Aufzeichnung mit Intelligent Recording führt zu einer Reduktion der Daten an der Quelle und vermeidet überflüssige Kosten.
© b-plus

So ist es nicht unwahrscheinlich, dass einige Fahrszenen redundant vorkommen oder schlichtweg aufgrund ihrer Aufnahmequalität nicht brauchbar sind. Dies fällt beispielsweise dann ins Gewicht, wenn lange Testfahrten aufgrund der begrenzten Speicherfähigkeit von fehlerhaften oder korrupten Daten im Fahrzeug beeinflusst werden. Vor allem durch die fortschreitende technologische Entwicklung, einhergehend mit immer größeren Datenmengen, stellt sich dieser Ansatz des Data Harvesting als äußerst ineffizient und kostenintensiv heraus (Bild 3).

Für das sogenannte Intelligent Recording wird in den Aufzeichnungsprozess neben dem klassischen Datenrecorder zusätzlich eine Hochleistungsplattform gesetzt, die einzelnen Datenströme bereits während der Testfahrt analysiert. Dabei können einzelne definierte Szenen selektiert und die Aufzeichnung nur bei bestimmten Konditionen ausgelöst werden. Gleichzeitig werden Metadaten erzeugt. Nach der Testfahrt können die erfassten Szenen direkt gesichtet werden. Es wird Zeit gespart, da irrelevante Szenen sofort verworfen und die Daten-Pipeline nicht mit Duplikaten oder mit für eine Weiterentwicklung der Algorithmik nicht notwendigen Daten gefüttert werden.

Datenablauf bei Intelligent Recording: Selektierung der Szenen und Entscheidung der Aufzeichnung aufgrund von Metadaten
Bild 4. Datenablauf bei Intelligent Recording: Selektierung der Szenen und Entscheidung der Aufzeichnung aufgrund von Metadaten.
© b-plus

Bild 4 zeigt den logischen Ablauf des Datenflusses. Hierbei wird zusätzlich zur Datenrecorder-Plattform BRICK ein zweites Hochleistungssystem im Fahrzeug geschaltet, an das der zu analysierende Datenstrom gesendet wird. Dort wird dieser auf Basis von CPU und GPU bereits live während der Testfahrt innerhalb eines Docker Containers analysiert, es werden Objekte detektiert und die Metadaten generiert.

Der Recorder entscheidet dann aufgrund der ihm gelieferten Metadaten, ob eine Szene relevant für die Aufzeichnung ist oder nicht. Er zeichnet nur auf, wenn ein bestimmter, vordefinierter Fall eintritt. Damit reduziert man die Daten auf das Wesentliche sowie auch die Kosten und den Aufwand Terabytes im Fahrzeug zu speichern, ins Datencenter hochzuladen und dort zu analysieren.

Qualität gewinnt an Bedeutung

Alles in allem ist die Automobilindustrie an einem Punkt, an dem nicht mehr die Datenmasse als solche zählt. Stattdessen startet ein Paradigmenwechsel hin zur Qualität von Daten (Bild 5). Diese beginnt bereits bei der Digitalisierung der Testfahrten im Fahrzeug. Gerade die datengetriebene Entwicklung von Fahrerassistenzsystemen und automatisierten Fahrfunktionen ist ein echter Gamechanger.

Die datenbetriebene Entwicklung von ADAS macht die Verwendung hochqualitativer Daten notwendig.
Bild 5. Die datenbetriebene Entwicklung von ADAS macht die Verwendung hochqualitativer Daten notwendig.
© b-plus

Drei zentrale Aspekte der AVETO-Toolbox unterstützen auf dem Weg zu automatisierten Fahrsystemen der Level 3, 4 und 5 – eine modulare Toolbox, die bereits von Beginn an über verschiedene Standards hinweg einen sehr flexiblen Zugriff auf Fahrzeugrohdaten ermöglicht. Sie ist die Basis für hochqualitative Daten, die in einem nachgelagerten Entwicklungsprozess benötigt werden.

Die zeitlich hochgenaue Erfassung der Daten und das Erkennen von Datenintegritäts-problemen sind grundlegende Funktionen für das Erreichen einer hohen Datenqualität. Ein letzter Aspekt ist die Erfassung der für den Fortschritt wichtigen Grenzfälle. Dies wird mit einer gezielten Selektierung über intelligentes Recorden erreicht.

 

Die Autoren

 

Bernd Eggl von b-plus
Bernd Eggl von b-plus.
© b-plus

Bernd Eggl

ist Head of Product Strategy bei b-plus technologies und hat einen geschärften Blick auf die Anforderungen und Standards im SerDes-Umfeld. Er kennt die ADAS-Welt als Systemarchitekt und Produktmanager für hochbandbreitige Messtechnik aus über 20 Jahren Branchenerfahrung.

Adrian Bertl von b-plus
Adrian Bertl von b-plus.
© b-plus

Adrian Bertl

studierte Medientechnik an der FH Deggendorf mit dem Schwerpunkt Medieninformatik. Er ist seit 2009 bei b-plus und war dort unter anderem im Produktmanagement und Marketing tätig. Heute ist er Teamleiter im technologiegetriebenen Produktmarketing für Entwicklungswerkzeuge für automatisiertes Fahren, einschließlich einer Toolbox für autonomes Fahren.


  1. Datengetriebene ADAS/AD-Entwicklung
  2. Datenqualität als zentrales Element

Das könnte Sie auch interessieren

Verwandte Artikel

b-plus GmbH