LLM-basierte Konfiguration von virtuellen Prüfständen

Zunehmend automatisierte softwarebasierte Systeme erfordern eine strenge Qualitätssicherung, die trotz steigender Anforderungen vor allem im Hinblick auf Nachhaltigkeit ausgelegt sein muss, wenn es um Effizienz und Skalierbarkeit geht. In diesem Zusammenhang entwickeln wir KI-gestützte Methoden, die für die dynamische Konfiguration virtueller Prüfstände auf Basis der etablierten VCIP-Referenzarchitektur und des FERAL Simulationsframeworks eingesetzt werden können. Unser Ziel ist es, die Vorhersagequalität der zugrundeliegenden Modelle zu verbessern und gleichzeitig den Ressourcenverbrauch bei der Evaluierung der zugehörigen Systemfunktionalitäten durch optimierte Parametrisierung und Kopplung relevanter Simulationskomponenten zu reduzieren. Der übermäßige Energieverbrauch, der sich aus der suboptimalen Konfiguration von Prüfständen beim kontinuierlichen Betrieb solch komplexer Input-Output-Ketten ergibt, soll durch den Einsatz ausgewählter Techniken des Maschinellen Lernens (ML) und großer Sprachmodelle (englisch: Large Language Models (LLMs) deutlich reduziert werden. Dies soll durch ein Fine-Tuning vortrainierter Basis-LLMs erreicht werden, deren Parameterräume auf domänenspezifisches Expertenwissen fokussiert sind und die somit nur einen Bruchteil ihres ursprünglichen Ressourcenbedarfs verursachen. Damit wird gleichzeitig der Aufbau von ressourceneffizienten Entwicklungsumgebungen ermöglicht.

Mit zunehmender Komplexität hochautomatisierter und autonomer Fahrfunktionen steigen auch die Anforderungen an die Qualitätssicherung und Zulassung der zugrundeliegenden Fahrzeugsoftware. Zum Testen dieser Funktionen kommen daher immer häufiger virtuelle Prüfstände zum Einsatz, da diese in der Lage sind, eine große Anzahl an Tests systematisch durchzuführen sowie verschiedenste Szenarien mittels Simulation systematisch zu untersuchen. Allerdings sind oft zahlreiche Simulationsvarianten erforderlich, um aussagekräftige Testergebnisse zu erzielen. Das ist insbesondere dann relevant, wenn hochautomatisierte oder autonome Fahrfunktionen für den Einsatz in einem Fahrzeug zugelassen werden sollen oder wenn die Integration und Qualitätssicherung dieser Software mittels CI/CD-Pipelines automatisiert wird. Dafür werden zunehmend virtuelle Prüfstände verwendet. Sie können durch die Kopplung von Simulationsmodellen, die die zu testenden Anwendungsumgebungen und Systemkomponenten verkörpern, realistische Testumgebungen erzeugen. Der richtige Einsatz eines virtuellen Prüfstandes, insbesondere hinsichtlich seiner Konfiguration, stellt dabei einen entscheidenden Schritt dar. Durch die Integration virtueller Prüfstände in den CI/CD-Prozess kann das Testen von Softwareänderungen effizienter gemacht werden, was die Produktentwicklung beschleunigt und eine höhere Produktqualität gewährleistet.

Um die Methodik hinter der LLM-basierten Konfiguration virtueller Prüfstände zu konkretisieren, entwickelt das Fraunhofer IESE eine generative Assistenzsoftware mit offenen Schnittstellen, die den Konfigurationsprozess durch LLM-gestützte Auswahl, Parametrisierung und Integration etablierter Simulationsmodelle als Grundlage für die Durchführung virtueller Experimente auf Basis ganzheitlicher und authentischer Szenarien automatisiert. Die Einführung dieser Technologie in den Entwicklungsumgebungen unserer Partnerunternehmen wird deren internationale Wettbewerbsfähigkeit langfristig stärken, denn sie werden von der Zeit- und Kostenersparnis profitieren, die sie bei der virtuellen Validierung ihrer Produkte durch die zunehmende Testautomatisierung erzielen. Darüber hinaus lässt sich der Lösungsansatz dieses anwendungsgetriebenen Vorhabens auf andere Anwendungsbereiche verallgemeinern, was die arbeitsgruppenübergreifende Zusammenarbeit an gemeinsamen ML-Modellen sowie die interdisziplinäre Vernetzung der beteiligten Fachdisziplinen fördert und einen Mehrwert für die KI-bezogene Forschung und für praktische Umsetzungen schafft.

In den letzten Jahren ist das Fraunhofer IESE im Rahmen dieses zukunftsträchtigen Themas diverse Kooperationspartnerschaften mit namhaften Industrieunternehmen und Forschungseinrichtungen eingegangen, darunter Bosch, Ansys/CADFEM, aSR, SETLabs, Vector, DataArt und ZF, um nur einige zu nennen. Die gemeinsame Beteiligung an entsprechenden Aktivitäten rund um strategische Entwicklungen, wissenschaftliche Forschung und kommerzielle Aufträge hat bereits zu vielen positiven Synergien hinsichtlich verwertbarer Ergebnisse geführt, wie z. B. wissenschaftliche Publikationen, die Organisation von Fachveranstaltungen und die Entwicklung marktfähiger Technologiedemonstratoren. Diese Bemühungen haben nun zur Einreichung eines Antrags auf ein Forschungsprojekt namens LIASON geführt, das den zeitlichen und technischen Rahmen für die anstehenden Kooperationsarbeiten aller aktiven und assoziierten Parteien definiert.