Sensorsimulation
Umfelderfassung für ADAS-Tests mit virtuellen Sensoren für Kamera, Radar, Lidar und Ultraschall
Die Erfassung der Umgebung bildet die Grundlage für assistiertes und automatisiertes Fahren (ADAS/AD).
Für die Entwicklung und den Test von Fahrfunktionen bietet die Fahrzeug- und Umfeldsimulation DYNA4 Sensormodelle für Kamera-, Radar-, Lidar- und Ultraschallsensoren.
Verschiedene Abstraktionsebenen
Die DYNA4 Sensormodelle bieten simulierte Sensordaten zur Einspeisung in Steuergeräte oder Algorithmen auf mehreren Abstraktionsebenen. Je nach Anwendungsfall und den Grenzen Ihres zu testenden Systems können Sie zwischen den verschiedenen Ebenen wechseln:
- Sensoren mit physikalisch basierten Rohdaten
Testen Sie Ihren Perzeptionsalgorithmus mit virtuell generierten Kamerabildern oder Lidar-Punktwolken - Sensoren auf Detection Level
Testen Sie Low-Level-Sensorfusionsalgorithmen mit Detections von mehreren Sensoren wie Radar, Kamera und Lidar - Objektlisten aus Sensor Outputs
Testen Sie High-Level-Sensorfusionsalgorithmen mit Objektlisten aus mehreren Sensoren wie Radar und Kamera - Fusionierte Objektlisten
Testen Sie ADAS/AD-Funktionen mit einer fusionierten Objektliste als Input
Vorteile virtueller Sensoren
- Ganzheitliche Fahrzeugbewertung
Closed-Loop-Simulationen für Tests von Perzeptions- und Regelungsfunktionen liefern konsistentes Feedback - im Gegensatz zu Setups mit aufgezeichneten Daten - Flexibilität in frühen Entwicklungsstadien
Virtuelle Sensoren ermöglichen die Änderung verschiedener Parameter, wenn das reale Sensor-Setup noch nicht vollständig definiert ist - Risikofreies Testen
Einfache Nachbildung anspruchsvoller Szenarien in der virtuellen Welt, die in der Realität selten vorkommen oder Sicherheitsrisiken bergen - Genau die richtigen Inputs
Wählen Sie den Abstraktionsgrad mit dem passenden Input für Ihr zu testendes System – von Sensorrohdaten bis hin zu vollständig idealisierten Objektlisten - Mehr Effizienz, weniger manuelle Arbeit
Durch vollständig verfügbare Ground-Truth-Informationen ist manuelles Labelling überflüssig
Typische Anwendungsfälle
Virtueller Fahrversuch mit DYNA4 für Sensordatenfusion
- Definieren Sie die Sensorkonfiguration
bereits in frühen Entwicklungsphasen - Funktionstests
z. B. mit Objektlisten aus NCAP-Kollisionsszenarien als Eingabe für eine Notbremsfunktion, wobei der Einfluss der Perzeption bewusst vernachlässigt wird - Robustheitstests
z. B. Test einer automatischen Parkfunktion bei verschlechterten Kamerabildern aufgrund verschmutzter Linse - Performance Tests
z. B. Bewertung einer automatisierten Fahrfunktion hinsichtlich Funktionalität und Timing in einer HIL-Umgebung mit eingespeisten Kamerabildern und Radardetektionen - Anreicherung von Datensätzen
zum Lernen und Testen von KI-basierten Perzeptionsalgorithmen, insbesondere in der realen Welt seltene oder sicherheitskritische Szenarien
Simulierte Sensordaten auf Objektebene
- Objektliste in DYNA4 mit semantischer Bildsegmentierung
- Sensorspezifische oder fusionierte Objektlisten
- Idealisierte Ground-Truth-Informationen oder Berücksichtigung der Verdeckung
- Hocheffiziente Berechnung auf der Basis von Bounding-Boxen oder semantischer Bildsegmentierung unter Berücksichtigung exakter Geometrien
- Simulierte Sensordaten im ASAM-OSI-Format, für eine einfache Integration in Ihr zu testendes System
Simulierte Sensoren: Kamera, Radar, Lidar, Ultraschall
Kameras
- Konfigurierbare Kameras mit Öffnungswinkeln bis zu 360°
- Parametrisierung der Verzerrung mit OpenCV, Scaramuzza oder Kannala-Brandt Parametern
- Filter: Schmutz auf dem Objektiv, Graustufen, Bayer usw.
- RGB-Bildstreaming auf separaten Ausgängen zur Bildeinspeisung, auch für Stereokameras
- Streaming von RGB-Kamerabildern zur Videoeinspeisung in ADAS-Steuergeräte
- Einsatz von MIL (Algorithmenentwicklung) bis HIL (Bildeinspeisung auf ECU)
RADAR
- Mehrere Radardetektionen pro Objekt mit radarspezifischen Daten wie Entfernung, Radialgeschwindigkeit und RCS, bereitgestellt als OSI-Sensordaten
- Modellierung basierend auf dem Doppler-Effekt und Fast-Fourier-Transformation (FFT) mit daraus resultierendem Binning
- Berücksichtigung typischer Effekte wie Verdeckung durch andere Objekte, Antennenmuster, begrenzte Anzahl von Detektionen pro Zyklus, Winkel- und Geschwindigkeitsmehrdeutigkeiten
- Recheneffizientes phänomenologisches Modell, entwickelt mit dem Fachwissen von Persival
LIDAR
- Reflexionsintensität basierend auf dem Winkel zwischen Laserstrahl und Objektoberfläche und deren Materialeigenschaften
- Rotierende und nicht rotierende Lidar-Sensoren verfügbar
- Öffnungswinkel und Signalauflösung einstellbar
- Ausgabe von 3D-Punktwolken als ROS-Topic über DDS oder über UDP im Velodyne-Format
Ultraschall
- Berücksichtigung von Ausbreitungsdämpfung, atmosphärischer Dämpfung
- Absorption und Reflexion basierend auf Objektgeometrie und Materialeigenschaften
- Öffnungswinkel und Signalauflösung einstellbar
- Ausgabe eines Intensitäts-Tiefen-Histogramms
Felix Beygang
Experte für ADAS-Lösungen
Erhalten Sie die passende Lösung
Kontaktieren Sie mich für Ihre Fragen zu ADAS-Testsystemen, physikalischen Simulationsmodellen oder virtuellen Testfahrten.