Künstliche Intelligenz (KI)

KI-gestützte Optimierung im SDV: Daten → Modelle → Orchestrierung → Bench-Validierung.

KI-gestützte Optimierung im Software Defined Vehicle

Die Software Defined Vehicle Plattform integriert moderne KI-Verfahren, um Fahrzeuge, Netzwerke und Softwarefunktionen intelligent zu optimieren. Echtzeit-Messdaten, Bench-Topologien und Shadow-Mode-Ausführungen liefern die Grundlage für maschinelles Lernen und Graph-basierte Modelle.

KI wird damit zu einem zentralen Beschleuniger für Softwarequalität, Performance und Energieeffizienz im SDV.

KI-Pipeline: Vom Rohdatum zur validierten Freigabe

Die KI-Pipeline verarbeitet reale Messwerte in vier aufeinanderfolgenden Stufen – vom Rohdatum bis zur Hardware-validierten Freigabe:

ErfassungBench · Shadow ModeTrainingGNN · LatenzmodelleOptimierungRouting · PlatzierungAbsicherungBench-Validierung

01 – Realistische Messwerte aus Bench & Shadow Mode

Die SDVA-Testbench sammelt hochauflösende Daten auf Mikrosekunden-Ebene:

  • Latenz & Jitter: Ende-zu-Ende-Messung pro Hop, Schwankungsanalyse der Übertragungszeit
  • Bus-Last: Datendurchsatz pro Bus – Ethernet/TSN-Auslastung, CAN/CAN-FD Bus-Load, Error-Frames
  • Hardware-Metriken: CPU/Memory-Auslastung, Temperaturprofile und Energieverbrauch pro Node
  • Distributed Tracing: Wasm-Modul-Interaktion mit FPGA-basierten Timestamps – µs-präzise, versioniert
Reale Daten statt Simulation: Die KI-Trainingspipeline basiert auf physischen Messwerten der Bench – nicht auf synthetischen Simulationsdaten. Dadurch lernen die Modelle realistische Jitter-Charakteristiken, Hardware-abhängige Latenzen und tatsächliches Systemverhalten unter Last.

Von der Bench in die Pipeline

Hochauflösende Messwerte aus der SDVA-Testbench – Latenzen, Bus-Lasten, Temperaturprofile – fließen direkt in die KI-Trainingspipeline. Keine synthetischen Daten, keine Vereinfachungen.

„Was die Bench misst, lernt das Modell – physikalisch fundiert, nicht simuliert."

Technische Illustration: Ein Testbench-Rack auf der linken Seite sendet leuchtende Datenströme in blau und cyan nach rechts zu einem stilisierten Datenspeicher. Messikonen – Wellenform, Uhr, Thermometer – schweben entlang der Datenflüsse und symbolisieren die erfassten Messgrößen.
Bench-Daten als KI-Trainingsgrundlage

02 – Graph Neural Networks für SDV-Topologien

Die Bench exportiert Topologie-Graphen (ECUs = Knoten, Busverbindungen = Kanten) und messbasierte Latenzprofile, um Graph Neural Networks zu trainieren.

Die Modelle lernen:

  • Latenzprognosen: Vorhersage von End-to-End-Latenzen für neue E/E-Architekturen
  • Engpass-Erkennung: Identifikation kritischer Pfade, Bottlenecks und QoS-Probleme
  • Software-Platzierung: Automatische Zuordnung von Modulen zu ECU, Core oder Beschleuniger
  • Architektur-Evolution: Bewertung von Migrationspfaden – Domäne → Zone → Zentral
  • GNN
  • Topologie-Graphen
  • Latenzprognose
  • Software-Platzierung
  • TSN

Graphen, die Fahrzeuge verstehen

Graph Neural Networks operieren direkt auf der E/E-Topologie des Fahrzeugs: ECUs als Knoten, Busverbindungen als Kanten, Latenzprofile als Gewichte. So entstehen Modelle, die Architekturen bewerten, bevor Hardware verbaut wird.

„Das Netzwerk versteht das Netzwerk – GNNs erkennen Muster, die manuell unsichtbar bleiben."

Futuristisches Netzwerk-Diagramm auf dunkelblauem Hintergrund: Fünf große leuchtende Knoten sind durch glühende cyan-blaue Linien verbunden. Drei zentrale Knoten bilden ein Dreieck, zwei äußere Knoten verbinden sich von oben-links und unten-rechts. Die Linien und Knotenpunkte emittieren ein Bloom-Leuchten und visualisieren so ein Graph Neural Network, das Fahrzeug-Topologiedaten analysiert.
Graph-basierte Architektur-Analyse

03 – KI-basierte Optimierung der Fahrzeugarchitektur

Die KI-Modelle liefern konkrete Optimierungsvorschläge, die in der SDV-Plattform umgesetzt werden:

  • Netzwerkpfade & Routing: Minimierung von Latenz und Jitter bei gleichzeitiger Lastverteilung über parallele Pfade
  • Software-Platzierung: Automatische Auswahl der optimalen Hardwareplattform – x86, ARM, RISC-V, GPU, FPGA – basierend auf Latenz- und Energieprofilen
  • TSN-Profile: Optimierung von Prioritäten, VLAN-Settings und TAS-Scheduling für unterschiedliche Verkehrsklassen
  • Failover-Strategien: Erkennung kritischer Knoten und proaktive Umschaltung auf redundante Pfade – bevor der Fehler eintritt
Intelligente Selbstoptimierung: Die Kombination aus GNN-Prognosen und Bench-Validierung ermöglicht SDV-Architekturen, die sich eigenständig an veränderte Anforderungen anpassen – von der Netzwerktopologie bis zur Funktionsverteilung auf Hardware.

Intelligentes Routing in Echtzeit

KI-Modelle analysieren die Fahrzeugtopologie und identifizieren optimale Datenpfade unter Berücksichtigung von Latenz, Auslastung und Redundanz. Suboptimale Routen werden automatisch erkannt und durch bessere ersetzt.

„Die KI optimiert nicht blind – sie validiert jede Empfehlung auf der physischen Bench."

Schematische Darstellung einer Fahrzeug-E/E-Netzwerktopologie als Graphen auf dunkelblauem Hintergrund. Eine KI hebt den optimalen Datenpfad in hellem Cyan hervor, während suboptimale Routen gedimmt erscheinen. An zentralen Knoten sind kleine Latenzindikatoren sichtbar, die den Optimierungseffekt quantifizieren.
KI-gestütztes Netzwerk-Routing

04 – Realistische Absicherung unter Hardwarebedingungen

Alle KI-Vorschläge durchlaufen eine vollständige Hardware-Validierung auf der SDVA-Testbench, bevor sie freigegeben werden:

  • Physikalische Umschaltung: Topologie-Änderungen über die Schaltmatrix – reale Signalwege, nicht virtuell geroutet
  • Ende-zu-Ende-Latenz: Messung der tatsächlichen Verzögerung unter realen Bedingungen
  • Shadow-Mode-Vergleich: KI-Vorschläge laufen parallel zur produktiven Logik – risikofreie Absicherung
  • FPGA-Timestamps: Hardware-basierte Zeitmessung eliminiert Software-Overhead – µs-Präzision
Validation before Deployment: Erst nach erfolgreicher Bench-Validierung wird ein Netzwerklayout, eine TSN-Konfiguration oder ein Software-Placement empfohlen. Kein KI-Vorschlag geht ohne physische Absicherung in Produktion.

Warum KI im SDV unverzichtbar wird

  • Datengetrieben statt statisch: Moderne E/E-Topologien mit hunderten Knoten und tausenden Parametern sind zu komplex für manuelle Optimierung – KI erkennt Muster, die Menschen übersehen
  • Schnellere Entwicklung: Reproduzierbare Bench-Tests und Shadow-Mode-Validierung beschleunigen den Weg vom Prototyp zur Serienreife
  • Performance & Effizienz: Smart Routing, intelligente Software-Platzierung und automatische Hardwareauswahl reduzieren Latenz und Energieverbrauch
  • Voraussetzung für OTA: Dynamische Homologation erfordert automatisierte Risikobewertung, Abhängigkeitsanalyse und Performance-Prognose – genau das liefert die KI-Pipeline

Kurz gesagt

KI macht das SDV schneller, sicherer und effizienter – von der Topologie bis zur Funktionslogik. Die Plattform verbindet:

  • Realwelt-Daten: Hochauflösende Bench-Messwerte statt synthetischer Simulationen
  • Lernende Modelle: GNNs, die Latenzen prognostizieren und Architekturen bewerten
  • Automatisierte Entscheidungen: Routing, Platzierung und TSN-Konfiguration durch KI
  • Hardware-Validierung: Jeder KI-Vorschlag wird physisch auf der Bench abgesichert

So entsteht eine intelligente SDV-Plattform, die sich kontinuierlich verbessert.

Weitere Technologie-Seiten: SDV-Plattform · WebAssembly · Testplattform