SAFECAR-ML: Künstliche Intelligenz beschleunigt die Fahrzeugentwicklung

Presseinformation SCAI /

Mit neuen Methoden des Maschinellen Lernens gelingt es, Daten aus der Crashtest-Entwicklung besser zu verstehen und zu verarbeiten. Im Projekt SAFECAR-ML entsteht eine automatisierte Lösung zur Dokumentation virtueller Crashtests, die auf Künstlicher Intelligenz basiert. Dadurch soll es gelingen, den Entwurfsprozess zu vereinfachen und effizienter zu gestalten.

© Fraunhofer SCAI
Die Rahmenlängsträger einer Fahrzeugkarosserie erfüllen eine wichtige Funktion bei einem Frontalaufprall: Sie verteilen die Aufprallenergie auf die Karosseriestruktur und verringern so die Belastung einzelner Bauteile. Durch Anpassungen der Blechdicke und Geometrie der Rahmenlängsträger (rot: ursprüngliche Version, grün: durch Software optimierte Version) im Produktentwicklungszyklus kann die Aufprallenergie besser absorbiert und die Sicherheit der Fahrzeuginsassen erhöht werden.

SANKT AUGUSTIN – Zersplitterndes Glas, zerfetzte Bleche und herumfliegende Kleinteile sind bei Crashtests in der Automobilindustrie heute selten. Die meisten Aufprallversuche finden im Rechner statt. Dabei ist es wichtig, Änderungen an der Konstruktion der virtuellen Crashfahrzeugmodelle detailliert zu dokumentieren. Das ist aufwändig und teuer. Das Ziel im Projekt SAFECAR-ML besteht daher darin, diese Arbeit zu vereinfachen. Durch die Kombination neuartiger Methoden der Künstlichen Intelligenz (KI) mit technischem Wissen aus der Fahrzeugentwicklung möchten die Projektpartner aus Forschung und Automobilindustrie die Informationsaufbereitung für die Dokumentation virtueller Crashtests vereinheitlichen.

Mittels Maschinellen Lernens (ML) gelingt es bereits heute, freisprachliche Aussagen von Ingenieurinnen und Ingenieuren semantisch zu verstehen. Die daraus gewonnenen, unstrukturierten Daten gilt es zu vereinheitlichen und beispielsweise mit virtuellen Fahrzeugdaten für das ML zu verknüpfen. Die im Projekt entwickelte Software kann daraufhin weitere Schritte und Handlungsempfehlungen automatisch ableiten.

»Änderungen am virtuellen Fahrzeugmodell lassen sich in natürlicher Sprache erfassen und automatisiert verarbeiten – ähnlich wie dies bei großen Sprachmodellen wie GPT-4 bereits möglich ist. Neu ist die Verknüpfung multimodaler Ingenieursdaten mit ML. Dieser Ansatz hat großes Potenzial, Entwicklungsprozesse durch Computer-Aided Engineering zu optimieren«, sagt Dr. Daniela Steffes-lai, Forscherin im SCAI-Geschäftsfeld »Numerische datenbasierte Vorhersage«. Ziel des Projekts sei es, die Fahrzeugentwicklung insgesamt schneller und kostengünstiger zu gestalten.

Fraunhofer SCAI bringt seine langjährige Erfahrung im Bereich ML sowie in der vergleichenden Analyse von Simulationsergebnissen in das Projekt ein. In SAFECAR-ML geht es darum, eine formale Beschreibung des technischen Wissens für die Produktentwicklung zu entwickeln. Die Kooperation mit der Automobilindustrie öffnet die Tür für weitere Anwendungen im Computer-Aided Engineering.

Projektpartner von Fraunhofer SCAI ist die SCALE GmbH in Ingolstadt. Die Automobilhersteller AUDI, Volkswagen und Porsche sind assoziierte Partner.

Das Bundesministerium für Bildung und Forschung (BMBF) fördert das Projekt von September 2024 bis Februar 2027 durch die Fördermaßnahme »Erforschung, Entwicklung und Nutzung von Methoden der Künstlichen Intelligenz in kleinen und mittleren Unternehmen (KI4KMU)«. Die Gesamtfördersumme beträgt 670 Tausend Euro.

Ansprechpartnerin:
Dr. Daniela Steffes-lai
Geschäftsfeld Numerische datenbasierte Vorhersage
Fraunhofer-Institut für Algorithmen und Wissenschaftliches Rechnen SCAI
Schloss Birlinghoven 1, 53757 Sankt Augustin
www.scai.fraunhofer.de/ndv