AI gestützte Fehlerklassifikation im Bereich EE-Systemintegration Automated Driving

AI gestützte Fehlerklassifikation im Bereich EE-Systemintegration Automated Driving

Umfeld

Automatisierte Fahrfunktionen in hochvernetzten Fahrzeugarchitekturen bilden komplexe funktionale Wirkketten über diverse Schnittstellen ab, welche ausgiebig getestet und abgesichert werden müssen. Im komplexen Fehlerfall ist eine Analyse auf Signalebene zum Teil sehr aufwendig und nur mit tiefgängigem Wissen durchführbar. Es ist zu untersuchen wie durch die Anwendung von AI/ML sich Fehlerzustände auf Signalebene durch zuvor gewonnenes Expertenwissen (Labeled Training Set) automatisiert auswerten und kategorisieren lassen.

Durch die Konzeption und Implementierung versprechen wir uns künftige Analysen effizienter und umfangreicher gestalten zu können. Außerdem können eine große Anzahl von Beanstandungen auf konkrete Fehlerklassen heruntergebrochen werden und hierdurch priorisiert werden. Auch bekannte Fehlerfälle können automatisiert erkannt und bearbeitet werden durch den Einsatz von AI/ML

 

Aufgabe

  • Einarbeiten in die Methodik der Signalanalyse automatisierter Fahrsysteme mit realen Fahrzeug-Messdaten
  • Entwicklung einer Methodik zur Beschreibung von Fehlerbildern für maschinelles Lernen
  • Auswahl eines geeigneten Deep Neural Networks (DNNs) und trainieren des DNNs zur automatisierten Fehleranalyse und Clusterung
  • End2End Evaluierung des eigenen Ansatzes an Hand von echten Messdaten mit dem Ziel der Integration in Produktivsysteme
  • Entwicklung eines Prozessvorschlags zur produktiven Nutzung und Erweiterung der Toolchain inkl. Ausblick auf Erweiterungsmöglichkeiten.

 

Voraussetzungen

  • Grundkenntnisse in Systems Engineering und automotive Architekturen (AutoSAR)
  • Gute Programmierkenntnisse in Python, C++
  • Erfahrung mit Machine Learning Frameworks, e.g. TensorFlow oder PyTorch
  • Spaß in der Zusammenarbeit und Lösungsdefinition im Team, analytisches, strategisches und innovatives Denkvermögen