Infrastructure Performance Management

Management und Analyse von Anwendungsworkloads für autonomes Fahren

| Autor / Redakteur: Kai Preuss / Florian Karlstetter

Volle Fahrt voraus: Wie anwendungsbasiertes Infrastructure Performance Management die Sicherheit von fahrerlosen Autos verbessern kann.
Volle Fahrt voraus: Wie anwendungsbasiertes Infrastructure Performance Management die Sicherheit von fahrerlosen Autos verbessern kann. (Bild: © chombosan – stock.adobe.com)

Die Menschheit träumt seit Jahrzehnten schon den Traum von selbstfahrenden Autos, die durch den Verkehr gleiten, und allen pragmatischen Vorteilen, die diese Art der Mobilität mit sich bringen kann. Aber die komplexen technischen Herausforderungen sind größer, als es sich die meisten Menschen vorstellen können.

Autonomes Fahren bedeutet nicht nur, dass das traditionelle Fahrzeugdesign über Bord geworfen werden muss. Es erfordert auch ganz neue Sicherheits- und Validierungsprozesse, um ein System zu schaffen, das sicher genug ist, um flächendeckend genutzt werden zu können. Man muss sich auch bewusst machen, dass die häufig gestellte Frage: „Wann werden selbstfahrende Autos zur Selbstverständlichkeit?“ falsch formuliert ist. Die schiere Komplexität der Systeme, Prozesse und Speicher, die benötigt werden, um sichere fahrerlose Fahrzeuge zu entwickeln, verlangt nach einem ganzen Fragenkatalog. Ein selbstfahrendes Auto muss als Produkt aus Forschung und Entwicklung betrachtet werden, als ein empfindliches System, das von der Zuverlässigkeit jeder einzelnen Komponente abhängt. Schwachstellen sind mit potentiell dramatischen Folgen gleichzusetzen.

Grundsätzlich gibt es in vielen Bereichen der Fahrerassistenzsysteme (ADAS) erstaunliche Fortschritte. Die Hardware für das fahrerlose Auto beispielsweise ist marktreif. Gleiches gilt für die komplexen Kamerasysteme, die „Augen“ der fahrerlosen Autos (die Autopilot-Technologie des Tesla Model S kombiniert die Daten von sechs bis acht Kameras). Die LIDAR-Lasertechnologie befindet sich auf dem besten Weg, immer preiswerter zu werden. Auch die Präzision, mit der LIDAR (Light Detecting and Ranging) eine Karte der direkten Umgebung des Autos erstellt und dabei Daten in Zahlen verwandelt, hat sich erheblich verbessert.

Die Herausforderungen des maschinellen Lernens

Die größten Herausforderungen mit Blick auf die Entwicklung des autonomen Fahrens befinden sich jedoch nach wie vor im Bereich des maschinellen Lernens, in den tiefer greifenden Bereichen der Künstlichen Intelligenz. Die Software, das Rückgrat der Wahrnehmung von autonomen Fahrzeugen, muss kontinuierlich verbessert werden. Die Umgebung des Autos ändert sich beständig. Für maximale Sicherheit muss ununterbrochen eine riesige Menge an möglichen Szenarien erfasst werden. Diese Software ist der Dreh- und Angelpunkt für mehr Zuverlässigkeit und Sicherheit beim autonomen Fahren. Hier muss noch erhebliche Forschungsarbeit geleistet werden.

So behandelt etwa die Kraftfahrzeugnorm ISO 26262 sehr detailreich interne Fehler (beliebige Hardware-Ausfälle, oder auch systematische Softwarefehler), gibt aber gleichzeitig keinerlei Hinweise zum Umgang mit Problemen, die auf die Interpretation der erfassten Umgebungsdaten und die Interaktion des Fahrzeugs mit seiner Umgebung zurückzuführen sind. Aber genau hier liegen die Grundvoraussetzungen für tatsächliche Autonomie.

Bis heute ist die Umgebungserkennung die größte Herausforderung für selbstfahrende Autos. Wir Menschen erkennen unsere Umgebung sofort und passen uns an jede beliebige Situation blitzschnell an – Wetter, Tiere auf der Straße, plötzlich dichter werdender Verkehr. Im Vergleich zu den Fähigkeiten der Künstlichen Intelligenz ist das opto-kognitive System des Menschen hochgradig mehrdimensional. Für Maschinen ist diese visuelle Wahrnehmung unglaublich schwierig umzusetzen. Die Entwicklung einer generalisierbaren visuellen Wahrnehmung ist deshalb die Schlüsselherausforderung für autonomes Fahren. Die verfügbaren Sicherheitsanalysen bieten nach wie vor keine erschöpfende Liste aller möglichen Ereignisse, die zu einem Versagen führen könnten.

Simulationen sind wichtig

Deshalb arbeiten Automobilhersteller und ihre Ingenieure mit Hochdruck an der Entwicklung von neuen Ansätzen, die die Defizite der aktuellen Verfahren direkt angehen. Zuverlässigkeit und Sicherheit stehen im Zentrum der Verbesserungsanforderungen. Das ist in zweierlei Hinsicht wichtig: einmal für die gesellschaftliche Wahrnehmung (Vertrauensfaktor), zum anderen für die technische Weiterentwicklung (Vermeidung potentieller Sackgassen). Dafür benötigt man die bestmögliche Interpretation von Fahr- und Simulationsdaten. Die Verfügbarkeit guter Simulations- und Test-Tools ist daher essenziell.

Die Kostenfalle vertaner Simulationszeit

Die Entwicklung und das Testen von fahrerlosen Autos wären ohne Hardware in the Loop-Simulationen in Echtzeit (HiL) mit einem NAS-Speicher (Network Attached Storage) absolut undenkbar. Automobillieferanten müssen riesige Mengen an Simulationen pro Tag laufen lassen, um ihre Features zu testen und sie genau mit Sicherheitsparametern in einer sich beständig ändernden Umgebung zu vergleichen. Die schiere Datenmenge, die getestet werden muss, ist überwältigend und erzeugt zudem exorbitante Kosten, insbesondere, wenn die Simulations/Analyse-Prozesse durch IT-Infrastrukturprobleme beeinträchtigt werden.

HiL ist nur so gut wie die IT-Infrastruktur drumherum

HiL ist ein flexibles, effektives Validierungs- und Verifizierungs-Tool. Die Technik an sich überzeugt in allen Testszenarien. Das gilt aber nur, wenn die zugrunde liegende IT-Infrastruktur ebenso zuverlässig ist. Die Herausforderung besteht darin, dass eine Umgebung benötigt wird, in der das Management und die Analyse von Anwendungsworkloads aus End-to-End-Perspektive gewährleistet ist. Modernste anwendungsbasierte Infrastructure Performance Management-Lösungen (IPM) ermöglichen die Beobachtung jeder einzelnen I/O-Operation im NAS. Die Transparenz in der gesamten Infrastruktur und Echtzeit-Insights verbessern dramatisch den Durchsatz von Simulationen.

Auf die Millisekunde genaue Echtzeit-Insights helfen, Fehler zu finden, bevor sie die Simulationsgeschwindigkeit beeinträchtigen. Für HiL bedeutet das, dass eine starke anwendungsbasierte IPM-Lösung helfen kann, den plötzlichen Abfall der Simulationsrate oder, schlimmer noch, Testunterbrechungen (und damit nutzlose Testdaten) zu vermeiden. IPM unterstützt kürzere Testzeiten, da auf der Basis der stabilen Infrastruktur maßgeschneiderte Testsituationen flexibel kombiniert werden können. Die besten anwendungsspezifischen IPM-Plattformen folgen einem ganzheitlichen Ansatz. Sie helfen, Sorgen um die Performance-Zuverlässigkeit und die Simulationsinfrastruktur an sich zu eliminieren. IPM-Plattformen ermöglichen es Ingenieuren, sich auf ihre eigentlich Aufgaben zu konzentrieren – die Tests. Denn das IPM-gestützte System läuft zuverlässig.

Schneller zu mehr Sicherheit mit anwendungsbasiertem IPM

Eine anwendungsbasierte IPM-Lösung stellt eine ausgezeichnete Möglichkeit dar, die NAS-Umgebung zu pflegen und dadurch die Simulationskosten niedrig zu halten, zuverlässige Tests durchzuführen und Testergebnisse in den gewünschten Qualitätsparametern zu halten. Am Ende sind es diese hochwertigen Tests, die die Sicherheit des autonomen Fahrens verbessern.

Kai Preuss, Regional Sales Manager DACH bei Virtual Instruments.
Kai Preuss, Regional Sales Manager DACH bei Virtual Instruments. (Bild: Virtual Instruments)

Eine IT-Infrastruktur mit maximaler Transparenz, unterbrechungsfreier Datenerfassung, zuverlässigen und hochwertigen Input/Output-Simulationen, Prognosen und Kontrolle über die Produktions-Workloads ist unverzichtbar, um eine HiL-Testumgebung durchgehend effektiv zu halten. Mit dieser Unterstützung können Tester ihre HiL-Simulationsergebnisse genau analysieren.

Starke anwendungsbasierte IPM-Lösungen beinhalten auch einen Analyse-Rahmen für kontextuelle Daten. Dadurch wird die proaktiv gemanagte Performance zur Normalität, und die reine Fehlerbehebung im Umkehrschluss zur Vergangenheit. Für HiL-Tests und autonomes Fahren kann anwendungsbasiertes IPM entscheidend sein: Es stabilisiert die IT-Infrastruktur und garantiert so ihre Performance. Das große Ziel in der Entwicklung von Fahrerassistenzsystemen (ADAS) ist es, am Ende ein vollständig autonomes und selbstfahrendes Auto zu erhalten. Die Rolle von anwendungsbasiertem IPM sollte in diesem Kontext nicht unterschätzt werden auf dem Weg in die Wirklichkeit fahrerloser Fahrzeuge.

Der Autor: Kai Preuss, Regional Sales Manager DACH bei Virtual Instruments.

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de/ (ID: 45907754 / Service Level Management)