KI-gestütztes Testen und Validieren von Software Defined Vehicles (SDVs) Was funktioniert, was nicht und was lässt sich verbessern?

Anbieter zum Thema

Heidrive GmbH

SolidCAM GmbH

CAD+T Solutions GmbH

Zusammenarbeit von KI-Agenten, V-Modell und Software-Entwicklern: Die „Software Deployment Factory“ von Intellias schafft die Grundlage für beschleunigte Test- und Validierungsprozesse in der Automobilindustrie. Dabei ist menschliche Intelligenz (mindestens) ebenso wichtig wie die agentische KI. 

Die neuen Fahrzeug-Modellgenerationen sind Software Defined Vehicles (SDVs) mit hoher Rechenleistung und reduzierter Anzahl von ECUs. Das hat die Hardware ver-einfacht, zugleich ist aber die Software erheblich komplexer geworden, auch weil eine einzige Software-Plattform mehrere Fahrzeugreihen, Regionen und Funktions-umfänge abdecken muss. Das wiederum hat zur Folge, dass die Validierung sehr viel komplexer geworden ist. 

Validierbare KI-Ergebnisse

Außerdem verändern OTA-Updates die Release-Zyklen: Programme werden nicht mehr jährlich bereitgestellt, sondern vierteljährlich, künftig wird es monatliche oder sogar wöchentliche Releases geben. Und: Die durch Software bestimmten Funktionen und Qualitäten des Fahrzeugs – Interaktion mit Fahrern und Passagieren sowie Konnektivität – sind ein ganz zentrales Kriterium für die Beurteilung des Fahrzeugs.

Wie lässt sich unter diesen Prämissen die Software validieren – unter Berücksichtigung von Prüfpflichten und funktionalen Sicherheitsanforderungen, die keine „Black-Box“-Ergebnisse dulden. Die Antwort: Benötigt wird eine KI-Unterstützung, die nach-vollziehbare, reproduzierbare und von Menschen prüfbare (und tatsächlich geprüfte) Ergebnisse liefert. Eben diese Aufgabe übernimmt die von Intellias entwickelte „Software Deployment Factory“.

Der Ansatz zur Entwicklung einer solchen KI-gestützten „Validierungs- und Testfabrik“ basiert auf drei Säulen:

• menschliche Fachkompetenz: Ingenieure, die Ergebnisse von KI-gestützten Prozessen im Automobilkontext bewerten und Fehler erkennen können;
• Prozess: ein A-SPICE-konformer Validierungsablauf, der in jeder Phase An-forderungen mit Nachweisen verknüpft und standardmäßig auditfähig ist;
• KI-Agenten: Agentenbasierte Werkzeuge, die die Arbeit innerhalb dieser Struktur beschleunigen. 

Die Architektur: KI-Agenten, die dem V-Modell zugeordnet sind

Auf dieser Grundlage liefert das bekannte virtuelle V-Modell der Verifikation und Validierung das Organisationsprinzip für die Agentenebene. Jeder Ebene des V-Modells ist – quasi als „V-Tool“ – ein Agent zugeordnet, unter anderen den Prozessschritten Anforderungen, Architektur, Entwurf und Programmierung. Das Setup umfasst Verifikationsagenten für Unit-Tests, Komponentenintegration und Qualifizierung. Zudem ist über den gesamten Zyklus ein Compliance-Agent aktiv, der die Rückverfolgbarkeit nachverfolgt und Lücken kennzeichnet.

Jeder Agent ist mit zwei anderen Systemkomponenten verbunden. Ein gemeinsames Modell-Gateway verwaltet das Routing, den Bereitstellungsmodus und die Audit-Protokollierung. Und eine RAG-Schicht bettet den Agenten in den projektspezifischen Kontext ein: Anforderungshistorie, Fehlerprotokolle und zuvor validierte Testmuster.

Welcher Kontext wird weitergegeben?

Beim Zuschnitt des Kontextes, den die Agenten weitergegeben, sollte es sich ausschließlich um Kontext handeln, der für die jeweilige Phase relevant ist. Denn je größer der Kontext des KI-Modells, desto schlechter die Ausgabequalität. Das gesamte Setup lässt sich über MCP-Integrationen (Model Context Protocol) mit bestehenden Tools in den Bereichen ALM, Testmanagement und CI/CD-Pipelines verbinden. Somit müssen die Teams ihre aktuellen Prozesse nicht verändern. Der agentenbasierte Ablauf wird einfach darüber geschichtet.

Anforderungsagent: Lücken erkennen

Ein wesentliches Element der „Software Deployment Factory“ ist der Anforderungsagent. Er bewertet die Kundenanforderungen oder Systemspezifikationen, die ein Entwickler eingibt, nach mehreren Kriterien: Sind sie testbar? Gibt es semantische Duplikate? Gibt es Lücken, die auf Mustern beruhen, die das System bereits in ähnlichen Projekten erkannt hat? Der Entwickler überprüft das Feedback, korrigiert ggfs. den Agenten, verfeinert die Anforderungen und führt die Analyse dann erneut durch. Das Ergebnis sind klare Testszenarien für jede einzelne Anforderung.

Entscheidend: Die Qualität der Eingaben

Hier und auch bei anderen Phasen des Prozesses muss sich der Entwickler be-wusst sein, dass die Qualität der Eingaben 1:1 die Qualität der Ergebnisse bestimmt – unabhängig davon, wie leistungsfähig das Modell ist. Konkret: Der Agent beschleunigt Arbeit, die korrekt ausgeführt wurde. Er korrigiert keine Arbeit, die von Anfang an fehlerhaft war.

Transparentes Testszenario

Nach der Überprüfung der Anforderungen wird das Testszenario in das AI Test Stu-dio übertragen, das auf Android Automotive OS (AAOS) läuft. Hier beschreibt ein Ingenieur ein Testszenario in natürlicher Sprache. Das System generiert ausführbaren pytest-Code, wobei es auf den bereits im Projekt-Repository vorhandenen Inhalten aufbaut und bewährte Muster sowie erfolgreiche Testabläufe aus früheren Durch-läufen wiederverwendet. 

Der generierte Test kann vor seiner Ausführung überprüft und bearbeitet werden. Ein Vision-Language-Modell (VLM) prüft, was auf dem Bildschirm dargestellt wird und nicht nur das, was die Anwendungsschicht meldet. Navigationsanimationen, Ren-dering- Artefakte und Änderungen des UI-Zustands sind für das VLM sichtbar. Für die HMI-Validierung, ist das von entscheidender Bedeutung: Wird ein echter Fehler erkannt oder wird er übersehen?

Komplex: Übergabe zwischen großen und kleinen Modellen 

Die Modellarchitektur ist in große Modelle für Testdesign und Szenariogenerierung aufgeteilt sowie in lokale VLMs für die Laufzeit-Verifizierung direkt am Teststand. Dabei ist die Übergabe zwischen großen und kleinen Modellen nicht zu unterschätzen. Das große Modell generiert die Absicht und die Teststruktur und ebenso die Eingabeaufforderung, die das kleine Modell während der Ausführung verwendet, die sich aber nicht immer problemlos übertragen lässt. Deshalb müssen Entwickler die Laufzeit-Prompts überprüfen und optimieren – ein erheblicher, aber notwendiger Aufwand insbesondere bei komplexen HMI-Abläufen mit vielen bedingten Zuständen. Auch hier gilt: Menschliches Fachwissen kann oft nicht durch bessere Werkzeuge und auch nicht durch KI ersetzt werden.

Feedback-Schleifen und deterministischer Testaufbau 

Nachdem die Tests überprüft und freigegeben wurden, werden sie in der CI/CD-Phase zur kontinuierlichen Ausführung bereitgestellt. Jeder Durchlauf erzeugt Artefakte: Screenshots, VLM-Begründungsprotokolle, Zeitdaten, Anforderungsverknüpfungen und Berichte. Sie fließen auch in den Kontext des Agenten zurück, um die Qualität bei der Generierung nachfolgender Tests zu steigern.

Weil dynamische Daten die größte Quelle für unzuverlässige Ergebnisse sind, sollten die Tests deterministisch aufgebaut sein – mit festen Profilen, stabilen Datensätzen, expliziten Vorbedingungen und kontrolliertem Gerätestatus. Das erfordert Vorarbeit, doch ohne sie erzeugen CI-Pipelines eher Rauschen als Signale.

Der Testingenieur muss im Bilde bleiben

In der Software Deployment Factory sind menschliche Freigabeschritte in jeder Phase ein unverzichtbares Element, das die Ergebnisse des Systems erst relevant und aussagekräftig macht. Denn ein KI-Agent ohne menschliche Kontrolle kann Artefakte erzeugen, die nicht nachvollziehbar sind und auch keine A-SPICE-Bewertung bestehen können. Die menschlichen Kontrollpunkte und die daraus resultierenden Maß-nahmen ermöglichen es dem System auch, sich – ganz im Sinne der generativen KI – kontinuierlich zu verbessern. Das gesammelte menschliche Urteilsvermögen ist das Fundament, auf dem die RAG-Ebene aufbaut. Aus diesem Grund spielt die Berufserfahrung der beteiligten Entwickler und Testingenieure in KI-gestützten Arbeits-abläufen eine größere Rolle als bei konventionellen Testprozessen. 

Das Ergebnis: Viel schneller zum richtigen Ergebnis

Der hier beschriebene, von Intellias entwickelte und erprobte Workflow ist kein Prototyp oder „Dummy“. Er läuft auf echter Software und Hardware, unter Berücksichtigung realer Anforderungen, und er erzeugt Nachweise, die in echte Audits einfließen. Dabei können Anforderungen, deren Überprüfung früher Tage dauerte, jetzt in wenigen Stunden analysiert werden. Testskripte, die zuvor vollständig manuell erstellt werden mussten, lassen sich deutlich schneller generieren und überprüfen. Die Rückverfolgbarkeit, früher erst im Nachhinein dokumentiert, wird jetzt kontinuierlich erfasst.

Die Verantwortung trägt weiterhin der Mensch

Der Zeitdruck, der auf den immer komplexeren Validierungs- und Testzyklen lastet, wird weiter zunehmen, auch weil sich die Release-Zyklen nochmals beschleunigen werden. Der Validierungsumfang wird also weiter wachsen. Die Teams, die damit Schritt halten können, sind aber nicht diejenigen, die Ingenieure durch die immer mächtiger werdenden KI-Modelle ersetzen, sondern diejenigen, die ihren Ingenieuren KI-gestützte Arbeitsabläufe zur Verfügung stellen. Dabei verlagert sich die Rolle des Entwicklers hin zu Entscheidungen, die Urteilsvermögen, Fachwissen und Verantwortlichkeit erfordern.

Von Anfang an: Zusammenarbeit von Ingenieur und KI

Die hier dargestellte Zusammenarbeit von Software-Entwicklern und Prüfingenieuren mit neuen Tools der agentischen KI lässt sich einfach erproben – durch das Verbinden der KI-Tools mit der Software der Prüfumgebung und deren praktischer Anwendung. Dann sollte untersucht werden, welche Vorteile die neue Arbeitsweise hat und wo Lücken oder Fehler auftreten. Auf dieser Basis wird der Anwender die Tools so integrieren und anpassen können, dass er mit der Software Deployment Factory die gesteckten Ziele erreicht. (anm)

Weitere Informationen: https://intellias.com/

Delta eröffnet Automation & Robotics Center

Intelligente Robotik und industrielle Automatisierung