Erfolgreiche Bachelorarbeit: Intelligente Anomalieerkennung zur Unterstützung der Fahrzeugentwicklung.
In der zunehmend datengetriebenen Entwicklung von Fahrzeugsoftware und Sensorsystemen wird die schnelle Erkennung systematischer Fehler zu einem entscheidenden Erfolgsfaktor. Im Rahmen einer kürzlich abgeschlossenen Bachelorarbeit von Evgin Demirbey wurde ein Prototyp entwickelt, der diesen Anspruch adressiert – mit dem Ziel, (semi-)automatisiert systematische Fehler in Softwarefunktionen oder Sensorsystemen zu identifizieren und somit Entwicklungsprozesse effizient zu unterstützen.
🎯 Ziel der Arbeit
Die zentrale Fragestellung lautete: „Wie lassen sich vielfältige Fahrzeug-, Sensor- und Umgebungsdaten so korrelieren und analysieren, dass Anomalien im Fahrverhalten oder Sensorverhalten systematisch erkannt und interpretierbar gemacht werden?“
Zum Einsatz kamen dabei unterschiedlichste Datenquellen:
- Fahrzeugdaten wie Egogeschwindigkeit, Lenkwinkel
- Kamerainformationen (z. B. Nebel, Regen, Leitpfosten)
- Kartenattribute wie Tunnel, Brücken
🛠️ Umsetzung & Methodik
Die Umsetzung erfolgte in einer modularen, Python-basierten Analysepipeline. Zentrale Bestandteile waren:
- Isolation Forest: Zur Detektion statistischer Ausreißer in hochdimensionalen Daten
- Entscheidungsbäume (Decision Trees): Zur interpretierbaren Einordnung der gefundenen Anomalien
- GUI-Frontend: Für eine nutzerfreundliche Visualisierung und Interaktion mit den Ergebnissen
Die Pipeline wurde mit realen Fahrdaten sowie zusätzlich injizierten künstlichen Fehlerfällen validiert. Ziel war es, auch komplexe Fehlerzustände im Zusammenspiel verschiedener Sensorquellen erkennbar zu machen.
✅ Ergebnisse & Erkenntnisse
Die entwickelte Lösung überzeugte in der Anwendung:
- Robuste Erkennung von Auffälligkeiten auch in heterogenen VZE-Datenquellen
- Visualisierung und Interpretation der Ergebnisse erleichterte die Ursachenanalyse
- Verbesserung der Entwicklungsbegleitung durch gezielte Hinweise auf Optimierungspotenziale
💪 Herausforderungen & Grenzen
- Überanpassung (Overfitting) bei einzelnen Entscheidungsbaum-Modellen
- Redundante Merkmale führten teilweise zu uneinheitlichen Ergebnissen
- Sensitivität gegenüber schlechter Datenqualität zeigte weiteren Optimierungsbedarf
📒 Theorie trifft Praxis
Die Bachelorarbeit ist das Ergebnis einer engen Zusammenarbeit zwischen der Technischen Hochschule Ingolstadt (THI), CARIAD und TechHub by efs. Sie zeigt exemplarisch, wie akademische Forschung und industrielle Praxis zusammenwirken – F&E zum Anfassen.
Für uns bedeutet das, Innovation nicht nur zu begleiten, sondern aktiv mitzugestalten und unsere Expertise als Wissensträger für zukunftsweisende Mobilität einzubringen. Gleichzeitig schaffen wir ein Umfeld, in dem Nachwuchstalente ihre Ideen an realen Projekten erproben, wertvolle Praxiserfahrungen sammeln und so selbst Teil des Fortschritts werden.
Ein besonderer Dank gilt Stephan Schweigard, Alexander Michel, Ahmet Üstüner und Clemens Puckelwaldt für die maßgebliche Unterstützung und Begleitung bei uns im Haus. Ebenso danken wir den Kolleg:innen von THI und Cariad, die mit ihrer Expertise und Unterstützung zum Erfolg dieser Arbeit beigetragen haben: Ondrej Vaculin, Peter Barth, Sebastian Bayerl und Johannes Koopmann.
Bleiben Sie dran für weitere Updates und spannende Veranstaltungen! Folgen Sie uns auf unseren Social-Media-Kanälen, um keine Neuigkeiten zu verpassen.
#innovation #forschung #bachelor #auto #fahrzeugentwicklung #THI #Cariad