Weltweit kämpfen Automobilhersteller um die Vorherrschaft auf dem Markt für Software-Defined Vehicles (SDV). Während früher die Mechanik das Fahrerlebnis bestimmte, steuert heute die Software alle Funktionen, bis hin zum automatischen Wischen der Scheiben. Das Fahrzeug wird von miteinander kommunizierenden Sensoren und vernetzten Systemen gesteuert, die beispielsweise Brems- und Antriebssysteme koordinieren und Infotainment-Dienste anbieten.
Es wäre ein Irrtum zu glauben, dass der Übergang von konventionellen Fahrzeugen zu SDVs ein einfacher Schritt wäre. Damit das Auto von morgen intelligent und sicher durch den Verkehr navigieren kann, braucht es regelmäßige und schnelle System-Updates, wie wir sie von Smartphones kennen. Dies ist nur durch kurze Software-Releasezyklen möglich.
Die Absicherung neuer Softwareversionen ist hierbei alles andere als trivial. Schließlich darf das Gesamtsystem über verschiedene Modellreihen nicht gefährdet werden.
Wer bestehende Funktionen im Auto nachrüsten möchte, muss genau verstehen, welche Wechselwirkungen eine Änderung im Fahrzeug insgesamt auslöst. Da hilft nur vorheriges Testen.
Künstliche Intelligenz zum Testen unvorhersehbarer Szenarien und zum Aufdecken verborgener Probleme
Richtig eingesetzt kann KI hier helfen. Egal ob bei der Software- oder Hardware-Entwicklung, ein zentraler Aspekt jeder Teststrategie ist es, Komponenten einzeln isoliert zu prüfen. Die Interaktionen zwischen den Komponenten können jedoch sehr schnell zu komplexen Prozessen heranwachsen und lassen sich teilweise nur oder deutlich leichter als Gesamtsystem testen. Mit Hhilfe von Ton, Videos oder anderen externen Sensoren können reale und erwartete Ausgaben verglichen werden. So tragen KI und traditionelle statistische Modelle dazu bei, komplexe und nicht-deterministisch erscheinende Fehlerbilder aufzudecken – also Fälle, in denen das System trotz scheinbar identischer Eingaben unterschiedliche Ergebnisse liefert.
In solchen Situationen reduziert KI den Aufwand für die Integration und den Test neuer Softwarekomponenten erheblich. Konkret hilft sie, versteckte Fehlerzustände zu identifizieren – also Probleme zu erkennen, die noch unbekannt sind. Dies unterstützt Entwickler:innen bei der Analyse möglicher Nebeneffekte, die durch die Vielzahl selten auftretender Systemzustände entstehen können. Des Weiteren können Sprachmodelle verwendet werden, um Teile der geplanten Softwaretests zu automatisieren, Fehlerprotokolle auszuwerten und Muster zu erkennen.
Je häufiger die Fahrzeugsoftware aktualisiert wird, desto größer ist der Nutzen von KI,
da jede Änderung erneut getestet werden muss. Mit jedem Entwicklungszyklus steigt die Notwendigkeit, schnell zu reagieren und bei Fehlern sofort einzugreifen.
Maximale Sicherheit und Zuverlässigkeit durch Bottom-up-Ansatz
Ich bin davon überzeugt, dass die SDV-Entwicklung ein Umdenken und ein kritisches Hinterfragen des Status quo erfordert. Die Dinge müssen von unten nach oben betrachtet werden. Ein robustes Gesamtsystem kann nur auf einem soliden Fundament der Softwarearchitektur aufgebaut werden. Auch wenn nur eine einzelne Komponente im Fokus steht, muss man sich fragen: Wo kann sie versagen und welche Auswirkungen hat dies auf das Gesamtsystem?
Dafür sind wir bei Gofore bestens gerüstet. Wir verfügen über umfangreiche Erfahrung im Aufbau von Software-Testzentren. Automobilherstellern stehen wir mit Rat und Tat zur Seite, um für jedes Projekt die passende Teststrategie zu finden. Aus Erfahrung wissen wir, wie KI sinnvoll eingesetzt, nachhaltig entwickelt und in Prozesse eingeführt werden kann. Gleichzeitig erkennen wir, wo sie nur unnötig Kosten verursacht.
Auf der Überholspur bleiben: Vorsprung sichern
Der Weg zum vollständig softwaredefinierten Auto ist noch steinig. Doch das Streben nach autonomem Fahren sowie die Priorisierung von Sicherheit und Schaffung personalisierter Nutzererlebnisse, machen einen softwarezentrierten Entwicklungsansatz unumgänglich. Die Frage ist: Wer wird das Rennen um die besten SDV-Lösungen machen?
Erfahre mehr über unser Angebot rund um Daten & KI
