Autonomes Fahren und ADAS im Fokus – Vom Assistenzsystem zur echten Autonomie

Autonomes Fahren und ADAS neu gedacht: Wie Level 3 und 4 die Branche prägen – und sensified dabei unterstützt

Die Automobilindustrie befindet sich an einem Wendepunkt: Autonomes Fahren und immer weiterentwickelte Advanced Driver Assistance Systems (ADAS) sind dabei, den Alltag auf unseren Straßen grundlegend zu verändern. Wo vor wenigen Jahren einfache Spurhalte- oder Abstandsassistenten noch eine Besonderheit waren, rücken heute teilautonome Systeme (Level 3) in die Serienfertigung. Zugleich schreiten Entwicklungen für hoch- und vollautomatisiertes Fahren (Level 4 und darüber) stetig voran – zumindest in definierten Einsatzgebieten.

Für Sie als Entscheidungsträger*in bei einem OEM, Zulieferer oder einer leitenden IT-/F&E-Position stellt sich die Frage, wie man den Sprung von assistierten zu autonomen Fahrfunktionen meistert. Dieser Artikel beleuchtet:

• Technische und organisatorische Herausforderungen bei der Implementierung von Level-3- und Level-4-Systemen.
• KI-basierte Sensordatenfusion, virtuelle Testverfahren und HPC-Infrastrukturen als Schlüssel zu hochzuverlässigen ADAS.
• Die Rolle von SOTIF (Safety Of The Intended Functionality) für nicht-deterministische KI-Algorithmen.
• Den Mehrwert und die Alleinstellungsmerkmale von sensified als Technologie- und Implementierungspartner.
• Einen Zukunftsausblick, welche Themen in den nächsten zwei Jahren besonders relevant sein werden (z. B. HPC, OTA-Updates, Absicherung von KI-Systemen).

Der Weg zu Level 3 & Level 4: Chancen und Herausforderungen

Worum geht es bei Level 3 und Level 4?

• Level 3 (Conditional Automation): Das Fahrzeug kann in bestimmten Situationen (z. B. auf Autobahnen bei Stau) die Fahraufgaben eigenständig übernehmen. Die Fahrerin oder der Fahrer muss jedoch immer in der Lage sein, auf Aufforderung hin wieder die Kontrolle zu übernehmen.
• Level 4 (High Automation): Das Fahrzeug kann innerhalb definierter Bedingungen (z. B. in abgegrenzten Bereichen, „Geofencing“) autonom agieren, ohne dass ein Eingreifen des Menschen erforderlich ist. Außerhalb dieser Bereiche oder bei spezifischen Systemgrenzen muss allerdings noch ein Mensch übernehmen können.

Praxisbeispiel:

• Ein „Staupilot“ bei Level 3 kann das Fahrzeug bis zu einer definierten Geschwindigkeit selbstständig steuern und bremsen. Bei Level 4 würde das System in einer bestimmten Umgebung (etwa Innenstadt-Testgebiet) das Fahren voll übernehmen; die Person hinter dem Lenkrad muss erst bei Verlassen der Geozone eingreifen.

Herausforderung: Die rechtlichen und organisatorischen Aspekte (Haftung, Datenspeicherung, Freigabeprozesse) sind oft noch nicht final geregelt, unterscheiden sich aber je nach Land. Da hier kein Tiefeinstieg in die Gesetzgebung erfolgt, soll jedoch eines klar sein: Auf dem Weg zu Level 4 müssen OEMs, Zulieferer und Partnerunternehmen sich gründlich vorbereiten – sowohl technisch als auch prozessual.

Warum Level 3 & 4 jetzt in Serie gehen (können)

1. Rechenleistung: Moderne Hochleistungsrechner (HPCs) im Fahrzeug ermöglichen es, große Datenmengen aus Kamera-, Lidar- und Radarsensoren in Echtzeit zu verarbeiten.
2. KI-Algorithmen: Deep-Learning-Modelle haben sich weiterentwickelt und liefern jetzt deutlich zuverlässigere Objekterkennung (Fußgänger, Fahrräder, Fahrzeuge).
3. Bessere Sensorik: Fortschritte in Lidar-Technologie und hochauflösenden Kameras sowie Radar-Systemen bieten ein detaillierteres Umgebungsbild.
4. Datenverfügbarkeit: Millionen Testkilometer, teils virtuell, teils real, liefern enorme Datenbestände für KI-Training und Validierung.

Insider-Perspektive: Gerade Level-4-Projekte entstehen derzeit oft in begrenzten Gebieten (z. B. Shuttle-Dienste in Innenstädten oder abgesicherten Campusbereichen). Die Kombination aus definierter Infrastruktur, hohem Digitalisierungsgrad und High-End-Sensorik macht es möglich, dass Fahrzeuge praktisch ohne menschliches Eingreifen fahren. In jedem dieser Szenarien spielt SOTIF (Safety Of The Intended Functionality) eine wichtige Rolle, um unvorhergesehene Szenarien abzudecken.

KI-basierte Sensordatenfusion: Das Gehirn des autonomen Fahrzeugs

Fortschritte bei Kamera, Radar und Lidar

Um als autonomes System zuverlässig zu funktionieren, muss das Fahrzeug seine Umgebung erkennen und interpretieren können:

• Kameras: Hochauflösende Kameras erfassen Farbinformationen und Detailstrukturen (z. B. Verkehrszeichen, Spurmarkierungen, Ampeln).
• Radar: misst Entfernungen und Geschwindigkeiten auch bei schwierigen Sichtverhältnissen (Nebel, Dunkelheit).
• Lidar: erstellt ein 3D-Punktebild der Umgebung und liefert präzise Abstände zu Objekten.

Die Sensordatenfusion kombiniert diese Quellen, um ein mehrdimensionales Umgebungsmodell zu erzeugen. KI-Algorithmen erkennen Objekte (z. B. Fußgänger, andere Fahrzeuge, Hindernisse) und kalkulieren deren Position und Bewegungsrichtung.

Insider-Beispiel:
Früher verließen sich viele ADAS-Funktionen überwiegend auf Kamera- und Radarsensorik. Inzwischen setzen fortschrittliche Level-3/4-Systeme verstärkt auf Lidar (z. B. MEMS-Lidar, Solid-State-Lidar), um eine Redundanz zu schaffen. Fällt ein Sensor aus oder liefert ungenaue Daten, kann ein anderer Sensor die nötigen Informationen bereitstellen.

Datengetriebene Entwicklung und Validierung

Virtuelle Testkilometer sind heute Standard, um neuronale Netze zu trainieren und zu validieren. OEMs sammeln echte Fahrdaten (z. B. via Flottenfahrzeugen), ergänzen diese um synthetische Szenarien und verschmelzen sie in Simulationsumgebungen.

• Simulationen: Tools wie CARLA, AVSimulation oder IPG CarMaker ermöglichen realistische Verkehrsumgebungen, um Edge Cases (Kind springt auf die Straße, plötzlicher Gegenverkehr) durchzuspielen.
• HiL/SiL: „Hardware-in-the-Loop“ und „Software-in-the-Loop“ sichern das Zusammenspiel von Sensorik, Aktorik und Steuergeräten, bevor ein System auf die Straße kommt.
• Data Lakes: OEMs bauen riesige Datenspeicher auf (oft in der Cloud), in denen sie Billionen von Datensätzen sammeln, labeln und analysieren.

Praxisnutzen:
Diese Daten ermöglichen eine fortlaufende Verbesserung der KI-Modelle. Jede erkannte Fehlklassifizierung (z. B. unerkannter Passant) fließt in den nächsten Trainingszyklus ein – ein kontinuierlicher Lernprozess, der besonders für Level 4 essenziell ist.

Safety vs. SOTIF: Absicherung nicht-deterministischer Systeme

SOTIF (ISO/PAS 21448)

Bei rein deterministischer Software (klassische Regelwerke) war es vergleichsweise einfach, alle Zustände im V-Modell abzubilden. Doch mit KI und Deep Learning ergeben sich neuartige Risiken, da Algorithmen selbstständig Muster erkennen und teils schwer vorhersagbare Entscheidungen treffen.

• Was ist SOTIF?
  SOTIF steht für „Safety Of The Intended Functionality“ (ISO/PAS 21448). Anders als ISO 26262, die vor allem Hardware- und Softwarefehler betrachtet, adressiert SOTIF unbeabsichtigte Fehlfunktionen in eigentlich fehlerfreier Software.
• Ziel: Risiken durch unvorhergesehene Umgebungen oder nicht-trainierte Szenarien minimieren. OEMs müssen nachweisen, dass ihre KI-Modelle ausreichend robust sind – auch bei Regen, Gegenlicht, verschmutzten Sensoren oder seltenen Verkehrssituationen.

Insider-Fakten:

• Viele OEMs und Zulieferer investieren aktuell massiv in Tools und Methoden, um SOTIF-Anforderungen mit realen und virtuellen Testkilometern abzudecken.
• Neben SOTIF spielt weiterhin ISO 26262 (Funktionale Sicherheit) eine Rolle, besonders bei sicherheitskritischen Komponenten wie Lenkung oder Bremse.

OEMs in der Nachweispflicht

Komplexität: Um z. B. ein Level-4-System freizugeben, muss belegt werden, dass das System nicht nur unter normalen Bedingungen funktioniert, sondern auch in seltenen oder extremen Situationen sicher bleibt (z. B. plötzlich auftauchende Hindernisse, untypische Wetterereignisse).

Datenbasierte Zertifizierung:
Entwicklungs-Teams dokumentieren sämtliche Testcases, Datendurchläufe, KI-Modellversionen und Softwareänderungen lückenlos. Dies erfordert eine enge Verzahnung von:

• Traceability (jede Änderung ist rückverfolgbar)
• CI/CD-Prozesse (kontinuierliche Tests und automatisierte Freigaben)
• Safety-Reviews (u. a. SOTIF-Checklisten).

Gerade hier ist sensified ein starker Partner, um die Vielzahl an Normen, Verfahren und Tools strukturiert zu orchestrieren.

HPC-Infrastrukturen als Enabler für Level 3 & 4

Vom klassischen ECU-Verbund zur Hochleistungsplattform

Wesentliche Voraussetzung für autonome Fahrfunktionen ist eine leistungsstarke HPC-Architektur (High-Performance Computing) im Fahrzeug. Anders als beim klassischen Steuergeräte-Verbund, bei dem jede Funktion eine eigene ECU hatte, bündeln HPCs mehrere sicherheitskritische und nicht-sicherheitskritische Applikationen zentral.

• Mixed-Criticality: Ein HPC (z. B. Nvidia Orin, Qualcomm Snapdragon Ride, NXP S32) läuft unter einem Hypervisor, der Lenk-, Brems- und KI-Funktionen sauber trennt, gleichzeitig aber schnelle Datenflüsse ermöglicht.
• Virtualisierung & Containerisierung: Verschiedene Betriebssysteme (RTOS, Linux, AUTOSAR Adaptive) können nebeneinander existieren. KI-Anwendungen können in Containern bereitgestellt, aktualisiert und gewartet werden, ohne die Basisfunktionen zu gefährden.

Nutzen:

• Höhere Rechenleistung für Sensordatenfusion und KI-Inferenz.
• Modularität: OTA-Updates sind einfacher, da Container oder Partitionen einzeln aktualisierbar sind.

Security-by-Design und OTA

Autonome Fahrzeuge sind besonders sensibel hinsichtlich Sicherheit: Ein Angriff auf die Lenkung oder Bremsen kann fatale Folgen haben. Daher gelten für Level-3/4-Plattformen besonders hohe Anforderungen:

• Secure Boot & HSM: Trusted Platform Modules (TPM) oder Hardware-Sicherheitsmodule (HSM) schützen kryptografische Schlüssel und signierte Software.
• OTA-Prozesse: Neu aufgespielte KI-Modelle oder Bugfixes müssen durchgängig dokumentiert und gegen Manipulation gesichert sein (UNECE R156).
• Zero-Trust-Konzepte: Jede Softwarekomponente läuft unter eingeschränkten Rechten; ein kompromittierter Container kann keinen anderen Bereich übernehmen.

Insider-Tipp:
Hier kommen Microservices- und DevOps-Ansätze zum Tragen, bei denen sensified OEMs unterstützt, sichere und dennoch flexible Update-Pipelines zu etablieren. Level-3/4-Systeme erfordern eng verzahnte QA-Prozesse, um die Balance zwischen Innovationsgeschwindigkeit und maximaler Sicherheit zu halten.

Agile Prozesse & DevOps für Autonomes Fahren

Kontinuierliche Integration trotz hoher Sicherheitsanforderungen

Bei konventionellen Fahrzeugprojekten dauerten Entwicklungszyklen oft mehrere Jahre. In der Welt des autonomen Fahrens und KI-basierten ADAS jedoch ist fortlaufende Optimierung unabdingbar:

• KI-Modelle können mehrmals im Jahr Updates erhalten, basierend auf neuen Daten oder verbesserten Algorithmen.
• Agile Methoden (Scrum, SAFe): Interdisziplinäre Teams, die KI, Sensorik, HPC-Entwicklung und Embedded-Software zusammenbringen, sind wesentlich schneller in der Umsetzung.
• CI/CD: Mit jedem Commit durchlaufen die Algorithmen automatisierte Tests, Simulationen (SiL/HiL) und Sicherheitschecks (z. B. statische Codeanalyse, Intrusion Tests).

Herausforderung: Safety und Security dürfen darunter nicht leiden. OEMs etablieren daher „hybride“ Modelle, bei denen bestimmte Freigabestufen im DevOps-Prozess mit fest definierten Safety- und Compliance-Gates verknüpft sind.

Rolle von sensified in der Prozessgestaltung

sensified begleitet OEMs und Zulieferer bei der Einführung von DevOps in sicherheitskritischen Umfeldern:

• Toolchain-Integration: Aufbau von Pipelines, die automatisierte KI-Tests, Code-Inspektionen und Security-Audits vereinen.
• Traceability-Lösungen: Jede Änderung an KI-Modellen, Sensordaten oder HPC-Software wird lückenlos dokumentiert (z. B. in Systemen wie Jira, Polarion oder CodeBeamer).
• Coaching: Schulung interdisziplinärer Teams, um agile Arbeitsmethoden im Zusammenspiel mit ISO 26262, SOTIF und anderen Normen zu verankern.

Wie sensified den Sprung zu Level 3 & 4 beschleunigt

sensified versteht sich als strategischer Partner für Hersteller und Zulieferer, die den Schritt in Richtung automatisiertes Fahren gehen möchten. sensified bietet Expertise in der Tiefe, und das in unterschiedlichen Bereichen entlang der gesamten Kette – von HPC-Architekturen über KI-Integration und Cybersecurity bis hin zur agilen Prozessberatung:

KI-Entwicklung und Sensordatenfusion

• KI-Modelle: sensified unterstützt bei der Auswahl, Optimierung und Validierung neuronaler Netze (z. B. für Objekterkennung, Pfadplanung).
• Sensorfusion: Integration verschiedener Sensoren (Kamera, Lidar, Radar) in ein konsistentes Umgebungsmodell, einschließlich Redundanzkonzepten.

SOTIF- und Safety-Beratung

• SOTIF-Checklisten und Best Practices, um nicht-deterministische Systeme abzusichern.
• Safety Reviews: Unterstützung bei der Dokumentation, Konzeption und Validierung nach ISO 26262 und SOTIF-Anforderungen.
• Testautomatisierung mit virtuellen und realen Fahrversuchen.

HPC- und OTA-Lösungen

• Zonen- und Domain-Architekturen: Architekturberatung für Hochleistungsrechner, um Mixed-Criticality-Funktionen sicher zu trennen.
• Secure OTA: Implementierung von Ende-zu-Ende verschlüsselten Update-Prozessen, Code-Signing und Intrusion Detection.

Agile DevOps mit Compliance

• CI/CD-Einführung: Aufbau automatisierter Pipelines für KI-Modelle, Embedded-Software und HPC-Anwendungen.
• Hybride Safety- und DevOps-Kultur: Prozessdesign, das schnelle Innovation und strenge Freigabekriterien in Einklang bringt.
• Coaching & Schulung: Interdisziplinäre Teams fit machen für die neue Entwicklungs- und Testwelt des autonomen Fahrens.

Zukunftsausblick: Was in den nächsten zwei Jahren besonders relevant wird

1. Geofenced Level-4-Projekte: Wir werden immer mehr Pilotprojekte in definierten Innenstadtbereichen oder auf speziellen Autobahnabschnitten sehen.
2. Skalierbarer HPC-Einsatz: OEMs konsolidieren weitere Funktionen (z. B. Infotainment, Fahrzeugdiagnose) in zentralen Hochleistungsrechnern, was die Komplexität steigert.
3. Stärkere KI-Standardisierung: Brancheninitiativen versuchen, Normen für KI-Validation und SOTIF-Prozesse zu harmonisieren. Tools, Metriken und Benchmarks für KI-Sicherheit gewinnen an Bedeutung.
4. Mehr OTA-Funktionen: ADAS-Features oder Performance-Upgrades werden vermehrt über Softwarepakete verteilt – was zusätzliche Einnahmemodelle schafft und gleichzeitig noch mehr Fokus auf Cybersecurity erfordert.
5. Green AI & Nachhaltigkeit: OEMs schauen zunehmend auf den Energieverbrauch von HPC-Knoten und KI-Algorithmen. „Green AI“ wird ein wichtiges Merkmal, um CO₂-neutralere Mobilität zu erreichen.

Fazit: Die nächste Generation der Mobilität gestalten

Autonomes Fahren und hochentwickelte ADAS (bis Level 4) sind längst nicht mehr nur Forschungsprojekte – sie stehen in den Startlöchern, um den Verkehrsalltag tiefgreifend zu ändern. KI-basierte Sensordatenfusion, umfangreiche Test- und Validierungsprozesse, HPC-Architekturen und neue Sicherheitsnormen (SOTIF) sind die Eckpfeiler dieser Entwicklung.

sensified ist dabei der ideale Partner: Mit Expertise in KI-Integration, Security-by-Design, OTA und agilen Entwicklungsprozessen hilft das Unternehmen OEMs und Zulieferern, das Potenzial von Level-3- und Level-4-Systemen voll auszuschöpfen – sicher, skalierbar und nachhaltig.

• Nachweisliche KI-Kompetenz: Vom neuronalen Netz bis zur Edge-Implementierung.
• Umfassende Safety- und Security-Beratung: ISO 26262, SOTIF, UNECE WP.29 – alles aus einer Hand.
• HPC- und DevOps-Lösungen: Containerisierte Architekturen und automatisierte Test-Pipelines beschleunigen das Time-to-Market.

Wer den Schritt zu autonomen Fahrfunktionen wagt, agiert in einem hochdynamischen und wettbewerbsintensiven Umfeld. Umso wichtiger ist es, starke Technologiepartner an seiner Seite zu haben, die nicht nur theoretisches Wissen bieten, sondern praxisbewährte Lösungsansätze und langjährige Projekterfahrung.

Mit sensified legen Sie den Grundstein für die nächste Evolutionsstufe der Mobilität: eine Welt, in der Fahrzeuge smarter, sicherer und umweltbewusster unterwegs sind – und in der Ihr Unternehmen einen entscheidenden Vorsprung hat.

Ihr Mehrwert mit Sensified

1. Beratung & Konzeption
   • Sensified zeigt OEMs und Zulieferern, wie sie von heutigen ADAS (Level 2) zu hochautomatisierten Systemen (Level 3 & 4) gelangen.
   • Aufbau individueller Roadmaps zur Einführung und Skalierung dieser Technologien.
2. Technische Implementierung
   • KI-Modelle & Sensorfusion: Auswahl, Anpassung und kontinuierliche Verbesserung von Deep-Learning-Algorithmen (z. B. für Objekterkennung, Pfadplanung).
   • HPC-Architekturen: Unterstützung bei der Auswahl und Integration von Hochleistungsrechnern, Containerisierung und Virtualisierung.
   • Security-by-Design: Absicherung von Lenk-, Brems- und Update-Prozessen mithilfe modernster Sicherheitsarchitekturen (z. B. Zero Trust, Secure Boot, HSM).
3. Absicherung & Normen (Safety & SOTIF)
   • Hilfestellung bei der lückenlosen Dokumentation und Validierung gemäß ISO 26262 und SOTIF.
   • Implementierung automatisierter Test- und Freigabeprozesse (HiL/SiL, Simulation, Traceability).
4. Agile DevOps & Prozesse
   • Einführung von CI/CD-Pipelines für KI- und Embedded-Software, sodass Software-Updates schnell, aber compliant ausgerollt werden können.
   • Schulung interdisziplinärer Teams in agilen Methoden und in der Schnittstelle zu Sicherheitsnormen (z. B. Scrum & ISO 26262).
5. Langfristige Unterstützung
   • Sensified begleitet Unternehmen dauerhaft im Projekt – vom ersten Prototypen bis zum Rollout und in den laufenden Betrieb hinein (OTA-Updates, Monitoring, Fehleranalyse).
   • Aufbau einer skalierbaren Infrastruktur, die mit den stetig steigenden Anforderungen (z. B. neue Sensorik, zusätzliche KI-Funktionen) wächst.

sensified ist als Technologiepartner kein reiner Beratungsdienstleister, sondern ein umfassender Implementierungspartner, der gemeinsam mit OEMs und Zulieferern die Entwicklung sicherer, KI-basierter ADAS- und Autonomie-Funktionen vorantreibt – von der ersten Idee bis zur Serienreife und darüber hinaus.