Startseite > Automotive > Software + Tools > dSpace integriert RoboSense-Lidar-Modelle in Sensorsimulation

Schnellere Lidar-Entwicklung

dSpace integriert RoboSense-Lidar-Modelle in Sensorsimulation

20. Juli 2023, 9:51 Uhr | Irina Hübner

Im Rahmen einer Technologiepartnerschaft hat dSpace Sensormodelle von RoboSense in die dSpace-Sensorsimulationslösung Aurelion integriert.

Im Rahmen einer Technologiepartnerschaft hat dSpace Sensormodelle von RoboSense in seine Sensorsimulationslösung Aurelion integriert. Das Ziel beider Unternehmen ist es, die Entwicklung, den Test und die Validierung von Lidar-Anwendungen in ADAS- und AD-Anwendungen zu beschleunigen.

▶ Diesen Artikel anhören

Aurelion kann sowohl in der Cloud als auch lokal beim Anwender betrieben werden und erzeugt in Echtzeit fotorealistische Bilder für die Kamerasimulation. Durch Ray Tracing werden auch für Radar und Lidar realistische Rohdaten berechnet. Die Lösung kann in allen Phasen im Entwicklungsprozess eingesetzt werden, zum Beispiel bei Software-in-the-Loop (SIL)-Tests, Hardware-in-the-Loop (HIL)-Tests oder bei der parallelen Validierung in der Cloud.

Nach einer umfassenden und strengen Validierung seiner Zuverlässigkeit hat das Lidar der M-Serie von RoboSense weltweit Marktakzeptanz gefunden. Das Lidar der M-Serie ist nach Unternehmensangaben das erste intelligente Festkörper-Lidar für den Automobilbereich, das in die Massenproduktion geht. Das Lidar der M-Serie, das MEMS-Chips und zweidimensionale Scantechnologie einsetzt, kombiniert hohe Leistung, Ausgereiftheit und Zuverlässigkeit und liefert Punktwolken von hervorragender Qualität. Dadurch können Fahrzeuge ihre Perzeption in verschiedenen komplexen Szenarien verbessern und Grenzfälle beim autonomen Fahren besser bewältigen.

Durch die Integration des Lidars der M-Serie können Entwickler von autonomen Fahrzeugen flexibel hochwertige Lidar-Modelle über die Aurelion-Plattform nutzen, die synthetische Daten für die Entwicklung, den Test und die Validierung von Systemen und Lösungen für das autonome Fahren bereitstellt. Dadurch lassen sich die Kosten für das Training von Grenzfällen senken. Entwicklung, Test und Validierung autonomer Fahrzeuge können schneller erfolgen.