Automatisierte Dokumentation für virtuelle Crashtests dank Maschinellem Lernen

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 erhöht werden. (© Fraunhofer SCAI)

Während in der Automobilindustrie früher Crashtests noch mit realen Fahrzeugen und großen Schäden einhergingen, finden sie heute meist virtuell statt. Dabei ist es besonders wichtig, Änderungen an den Fahrzeugmodellen exakt zu dokumentieren – eine Aufgabe, die sehr zeitaufwändig und kostenintensiv ist. Das Projekt SAFECAR-ML setzt hier an und will diese Dokumentation durch den Einsatz von Künstlicher Intelligenz (KI) und fachspezifischem Know-how aus der Fahrzeugentwicklung erleichtern und standardisieren.

Die erfassten unstrukturierten Daten sollen durch SAFECAR-ML einheitlich aufbereitet und mit Daten der virtuellen Fahrzeugmodelle verknüpft werden. Die entwickelte Software kann so automatisch Handlungsempfehlungen ableiten.

Dr. Daniela Steffes-lai, Forscherin am Fraunhofer-Institut für Algorithmen und Wissenschaftliches Rechnen SCAI, erklärt: „Änderungen an den virtuellen Fahrzeugmodellen können in natürlicher Sprache erfasst und automatisiert verarbeitet werden – ähnlich wie es mit großen Sprachmodellen wie GPT-4 möglich ist. Neu ist die Verknüpfung multimodaler Ingenieursdaten mit ML, was das Potenzial zur Optimierung der Entwicklungsprozesse im Computer-Aided Engineering enorm erhöht.“

Zu den Projektpartnern zählen Fraunhofer SCAI und die SCALE GmbH in Ingolstadt, assoziierte Partner sind Audi, Volkswagen und Porsche. Gefördert wird das Projekt von September 2024 bis Februar 2027 durch das Bundesministerium für Bildung und Forschung (BMBF) im Rahmen der Initiative „KI4KMU“. (oe)

Link zur Originalmeldung