KI-Modelle in der Engineering-Werkstatt
Fahrzeugvalidierung auf echter Hardware
Fahrzeuge werden zunehmend komplexer – mehr Software, mehr Sensoren, mehr Funktionen –, doch die Zeitfenster für die Validierung werden immer kürzer. Ein Ausweg aus diesem Dilemma können Innovationslabore sein, in denen KI-Modelle und -Frameworks in Echtzeit auf physischer Hardware validiert werden.
OEMs und ihre Entwicklungspartner stehen unter Druck. Sie müssen erstklassige Softwarequalität liefern – mit immer größerem Funktionsumfang, immer schneller und zu geringeren Kosten. Dabei nutzen sie beim Testen und bei der Validierung der Software Prototyp-Hardware, die teuer, sicherheitskritisch und in ihren physischen Eigenschaften eingeschränkt ist.
Kein Ausweg: Noch höherer Automatisierungsgrad
Viele Unternehmen sehen die Lösung dieser Herausforderung in noch höherer Automatisierung und dem (virtuellen) Testen in simulierten Umgebungen. Aber früher oder später muss die Software auf echter Hardware unter realen Bedingungen laufen – dann kann es sein, dass relativ spät im Prozess eine Kluft zwischen Simulation und Realität sichtbar wird, die nur mit hohem (Zeit-)Aufwand zu beseitigen ist. Ein höherer Automationsgrad ist somit nicht immer zielführend.
Vom SDV zum AIDV – und die Folgen für die Software-Entwicklung
Diese Herausforderung ist schon jetzt ein drängendes Problem – schließlich werden Fahrzeuge immer mehr zu Software-Defined Vehicles (SDVs), bei denen die Software zentrale Funktionen in allen Bereichen (von der Fahrsicherheit über Komfort und Bedienung bis zum In-car-Entertainment) übernimmt. Auch die Konnektivität bringt zusätzliche Komplexität ins Fahrzeug ein. Nochmals deutlich komplexer aber wird die Software in den kommenden Generationen der AI-Defined Vehicles (AIDV).
Zusammenarbeit in der Engineering-Werkstatt
In der Automobiltechnik sind Hardware-Ressourcen und Entwicklungsteams oft weltweit verteilt. Große OEMs und Tier-1-Partner stehen permanent vor der Aufgabe, den Zugriff auf physische Prüfstände (Headunits, Cluster, Steuergeräte) zu verwalten und gleichzeitig die unterschiedlichen Software-Versionen über verschiedene Regionen hinweg zu managen.
Bild 2. Die Software-Infrastruktur im Fahrzeug wird komplexer und arbeitet zunehmend KI-gestützt. Dem müssen sich die Test- und Validierungsprozesse anpassen.
Für diese Arbeiten hat Intellias kürzlich eine Engineering-Werkstatt in Ingolstadt eröffnet: eine nach TISAX Acceptance Level 3 zertifizierte Einrichtung mit einem Labor, das Dutzende von Prüfständen und spezielle Bereiche für Prototypenfahrzeuge beherbergt und eine Verfügbarkeit von 95 % aufweist. Dank sicherem Fernzugriff über zwei unabhängige Netzwerke steht hier die kostbare Ressource »Hardware« bereit, die Ingenieurteams von Intellias und den OEMs von überall auf der Welt nutzen können.
Kluge Kombination: Physische Infrastruktur, intelligente Automatisierung und KI-gestützte Validierung
In dieser Konfiguration hängt die Fähigkeit zur Interaktion mit der Hardware von einer stabilen Netzwerkverbindung ab. Die verantwortlichen Ingenieure müssen nicht vor Ort sein. Allerdings ist noch mehr erforderlich, um den Marktanforderungen nach schnelleren Entwicklungszyklen, erweiterten Testmöglichkeiten und Kosteneffizienz ohne Abstriche bei der Sicherheit gerecht zu werden. Diese Aspekte hat Intellias bei der Planung der Engineering-Werkstatt in Ingolstadt berücksichtigt:
Das dortige AI R&D Lab verbindet physische Infrastruktur mit intelligenter Automatisierung und KI-Validierungsfunktionen. So können KI-Frameworks unter realen Bedingungen anhand des in den Anforderungen beschriebenen erwarteten Verhaltens getestet und verfeinert werden und nicht nur anhand von Simulationen.
Die Aufgaben von Künstlicher Intelligenz im KI R&D Lab
Die durchgängige Automatisierung des V-Modells ist einer der Eckpfeiler der KI-Strategie von Intellias für die Automobilentwicklung. Sie bietet erhebliche Vorteile im Vergleich zu den isolierten Einzweck-Tools, die in der Software-Entwicklung der Branche noch vorherrschen.
Bild 3. Auch die Bedienfunktionen können in der »AI Engineering Garage« effizient getestet werden – durch eine neuartige »Arbeitsteilung« von Testfahrer und Prüfingenieuren.
Aktuell entwickelt Intellias ein Framework aus kombinierbaren KI-Agenten, die alle Phasen des V-Modells abdecken – von der Definition der Anforderungen über die Testimplementierung bis zur Dokumentation und Abnahmephase. In jeder Phase werden Routineaufgaben an die KI delegiert, während kritische technische Entscheidungen unter menschlicher Kontrolle bleiben.
Einige Beispiele für KI-Frameworks und Anwendungsfälle, die in der Engineering-Werkstatt in Ingolstadt bereits genutzt werden:
Bild- und Videoanalyse: KI- und Vision-Language-Modelle beseitigen den sonst üblichen manuellen Engpass bei der visuellen Prüfung. Die Frameworks analysieren Kamerabilder und identifizieren Softwarefehler, Rendering-Artefakte und Schnittstellenlatenz. Ein wichtiges Tool dabei ist der Verification & Validation Accelerator – eine KI-gestützte Plattform, die Intellias auf der CES 2026 vorgestellt hat. Sie arbeitet wie der kognitive Zwilling eines Testingenieurs, der detaillierte Berichte erstellt. Somit können sich die menschlichen Ingenieure auf die Analyse statt auf die Beobachtung konzentrieren.
KI-gesteuerte Testassistenten im Fahrzeug: Dieser Use Case verändert die Wirtschaftlichkeit von realen Fahrzeugtests grundlegend. Normalerweise benötigt man immer ein Tandem – einen Fahrer und einen Testingenieur, der die Testszenarien ausführt und die Telemetriedaten überwacht. Jetzt kann ein KI-System die Aufgaben eines Assistenten übernehmen, der die Skripte startet und die Telemetrie überwacht. Es ist also nur noch eine Person erforderlich, nämlich der Fahrer im Fahrzeug. Das Ergebnis: Das Tandem kann doppelt so produktiv sein, indem es mehrere Fahrzeuge gleichzeitig testet, während ein menschlicher Ingenieur im Loop bleibt. Das verdoppelt nicht nur den Durchsatz, sondern ermöglicht auch Testläufe rund um die Uhr, was die Kosteneffizienz erheblich steigert.
Automatisierung des V-Modell-Zyklus: Testfälle werden direkt aus den Anforderungen generiert und umgekehrt die vorhandene Testdokumentation in formale Anforderungen zurückgeführt. So schließt KI die Lücke zwischen Entwicklung und Validierung. Dies beseitigt den manuellen Aufwand, der in komplexen Projekten oft zu Abweichungen in der Dokumentation führt.
Als Teil einer umfassenderen KI-Strategie von Intellias sind diese Frameworks so konzipiert, dass sie nicht nur den internen Teams zur Verfügung stehen, sondern auch den Kunden und deren Partnern. So lässt sich mit geringem Zeitaufwand und hoher Präzision sicherstellen, dass die Innovationen, die Intellias im Labor erprobt, in die Produktionszyklen der Kunden integriert werden können.
Tage statt Monate: Testen auf echter Hardware spart Zeit
Zwischen dem Testen einer KI-Lösung in einer kontrollierten Softwareumgebung und der Validierung auf der Hardware, mit der sie tatsächlich interagieren wird, bestehen in der Praxis deutliche Unterschiede. Das Konzept des AI R&D Lab wurde speziell entwickelt, um diese Lücke zu schließen.
Denn das Testen von KI-Tools auf echter Hardware und in realen Fahrzeugen bildet Validierungsszenarien nach, die eine Simulation allein nicht abdecken kann. Dies ist entscheidend für die Entwicklungsgeschwindigkeit: Wenn ein neuer KI-gesteuerter Ansatz direkt auf der Endbenutzer-Hardware validiert wird, verkürzt sich die Feedbackschleife von Monaten auf Tage. Kunden können das Verhalten unter realen Bedingungen bewerten und über die Einführung auf der Grundlage tatsächlicher Erkenntnisse statt prognostizierter Leistung entscheiden.
Eine Hardware-Demo kann tausende virtuelle Tests ersetzen
An KI-Konzepten und virtuellen Simulationen mangelt es in der Automobilwelt nicht. Die eigentliche Herausforderung besteht jedoch oft darin, diese Ideen von einer Präsentation auf tatsächliche Vorserien-Hardware zu übertragen.
Einrichtungen wie die Intellias Engineering Garage und das AI R&D Lab in Ingolstadt bieten eine praktische Umgebung für diesen Übergang – eine Arbeitsumgebung, in der KI-gesteuerte PoCs durch iterative Tests an echten Steuergeräten und Fahrzeugen zu serienreifen Werkzeugen werden. Hier trifft Strategie auf Hardware: Die strukturierte KI-Methodik, die Intellias über den gesamten SDLC anwendet, wird unter den Bedingungen der physikalischen Einschränkungen realer Automobilelektronik validiert.
Die Richtung ist klar. Da die Zahl der KI-Projekte wächst, bietet das Labor die Infrastruktur, um sie schneller vom Konzept zum validierten Framework zu bringen, als dies in einer rein simulierten Umgebung möglich wäre. Konkret: Für die OEMs und Tier Ones wird die Kluft zwischen »die Möglichkeiten der KI erkunden« und »auf der realen OEM-Hardware getestet« immer kleiner. Dieses Konzept trägt auch der Eigenheit der KI Rechnung, dass ein und derselbe Input nicht zwingend zum selben Ergebnis führt. Wo regelbasierte, deterministische Eingabe-/ Ausgabe-Strukturen durch zielbasierte Befehle abgelöst werden, muss mehr und realitätsnäher getestet werden.
Andrii Likhopii, Intellias.
Der Autor
Andrii Likhopii
ist Senior Delivery Manager bei Intellias.
