Req2Road: A GenAI Pipeline for SDV Test Artifact Generation and On-Vehicle Execution
Die Arbeit stellt „Req2Road" vor, eine GenAI-Pipeline, die Anforderungen in Software-Defined Vehicles mithilfe von Large Language Models und dem Vehicle Signal Specification-Standard automatisch in ausführbare Testskripte umwandelt und deren Machbarkeit im Fall des Child Presence Detection Systems in Simulation und Fahrzeugtests demonstriert.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Req2Road: Wie ein KI-Koch aus einem Rezept ein fertiges Gericht für das Auto macht
Stellen Sie sich vor, Sie sind ein Koch in einer riesigen, hochmodernen Küche (dem Software-Defined Vehicle, also dem modernen Auto). Ihre Aufgabe ist es, sicherzustellen, dass das Essen perfekt schmeckt und niemand sich vergiftet. Aber es gibt ein Problem: Die Rezepte liegen nicht in einer sauberen Kartei, sondern sind eine Mischung aus handgeschriebenen Zetteln, skizzenhaften Zeichnungen und Tabellen, die von verschiedenen Köchen über Jahre hinweg erstellt wurden.
Das ist genau das Problem, das die Forscher mit Req2Road lösen wollen. Hier ist die einfache Erklärung, wie ihre Methode funktioniert, mit ein paar kreativen Vergleichen:
1. Das Problem: Der "Rezept-Chaos"
In der Automobilwelt sind Sicherheitsanforderungen oft in natürlicher Sprache geschrieben (z. B. "Wenn ein Kind im Auto ist, muss die Heizung laufen"). Aber ein Computer versteht diese Sätze nicht direkt. Er braucht präzise Befehle. Früher mussten Menschen diese Texte mühsam in Code übersetzen – ein Prozess, der wie das Versuch, ein Puzzle ohne Bildvorlage zu lösen, war.
2. Die Lösung: Ein KI-Küchenteam
Req2Road ist wie ein Team aus drei genialen KI-Assistenten, die zusammenarbeiten, um aus dem chaotischen Rezept ein fertiges, testbares Gericht zu machen.
Der Übersetzer (LLM & VLM):
Zuerst kommt ein KI-Experte, der sowohl Text als auch Bilder versteht (ein sogenanntes Vision-Language Model). Er liest die handgeschriebenen Notizen und schaut sich die Diagramme an.- Die Analogie: Stellen Sie sich vor, er ist ein Dolmetscher, der nicht nur die Sprache, sondern auch die Gesten und Skizzen des Autors versteht. Er sagt: "Ah, hier steht 'Kind im Auto', und hier auf dem Diagramm ist ein Sensor gemeint."
Der Bibliothekar (RAG & VSS):
Bevor der KI-Experte etwas erfindet, holt er sich Hilfe von einem riesigen, standardisierten Katalog (der Vehicle Signal Specification oder VSS). Das ist wie eine riesige Datenbank mit allen möglichen Schaltern und Sensoren im Auto (z. B. "Türschloss", "Heizung", "Batterie").- Die Analogie: Statt dass der KI-Experte raten muss, wie man "Heizung" auf Deutsch sagt, schaut er im Katalog nach und findet den exakten Code:
Vehicle.Cabin.HVAC. Das verhindert, dass er sich Dinge ausdenkt (Halluzinationen). Er nutzt eine "Suchmaschine" (RAG), um nur die 16 relevanten Schalter aus 982 Möglichkeiten zu finden.
- Die Analogie: Statt dass der KI-Experte raten muss, wie man "Heizung" auf Deutsch sagt, schaut er im Katalog nach und findet den exakten Code:
Der Koch (Code-Generator):
Sobald die KI weiß, was das Rezept sagt und welche Schalter sie bedienen muss, schreibt sie den eigentlichen Code.- Die Analogie: Der KI-Koch nimmt das Rezept ("Wenn Kind da, dann Heizung an") und schreibt ein präzises Kochbuch für den Computer: "Schalte Schalter X ein, warte 5 Minuten, prüfe Temperatur Y."
3. Der Test: Vom digitalen Prototyp zum echten Auto
Das Besondere an Req2Road ist, dass sie den Prozess in zwei Phasen testen:
- Die Simulation (SiL): Zuerst wird das Gericht in einer virtuellen Küche probiert (im digitalen Auto-Playground). Hier wird geprüft, ob die Anweisungen logisch sind.
- Die Realität (ViL): Dann geht es in die echte Küche. Die gleichen Tests werden auf einem echten Auto durchgeführt.
- Das Experiment: Die Forscher haben ein Szenario getestet, bei dem das Auto ein verlassenes Kind erkennt. Die KI-generierten Tests haben das echte Auto dazu gebracht, die Heizung zu regulieren, den Fahrer zu warnen und sogar die Tür zu entriegeln – alles basierend auf den automatisierten Befehlen.
4. Das Ergebnis: Fast perfekt, aber noch ein menschlicher Chef nötig
Das Team hat 36 verschiedene Sicherheitsanforderungen getestet. Das Ergebnis?
- 89 % (32 von 36) wurden von der KI perfekt in ausführbare Tests umgewandelt.
- Die restlichen 11 % brauchten eine kleine Korrektur durch einen Menschen, meist weil die ursprünglichen Rezepte zu ungenau waren (z. B. "oder" statt "und").
Die große Erkenntnis:
Req2Road ist wie ein hochleistungsfähiger Sous-Chef. Er kann die meiste Arbeit erledigen, die Übersetzung vom "Menschlichen" zum "Maschinellen" übernehmen und sogar auf dem echten Auto testen. Aber er braucht noch einen menschlichen Küchenchef, der am Ende schmeckt, ob alles stimmt, besonders bei komplizierten oder mehrdeutigen Rezepten.
Zusammenfassend:
Diese Forschung zeigt, dass wir KI nutzen können, um die Lücke zwischen lockeren Textanforderungen und harten, sicheren Auto-Tests zu schließen. Es macht das Testen schneller, flexibler und sicherer – ein wichtiger Schritt für die Autos der Zukunft.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.