Tech Talk

Können synthetische Daten Autos intelligenter und sicherer machen?

Innovation & Einblicke

Omar Al Assad, Engineering Manager, Automated Driving, Magna Electronics
November 11, 2025
2-min read

Einem Auto beizubringen, die Welt zu „sehen“, ist eine komplexe Herausforderung. Jedes Objekt, jeder Schatten und jede Entscheidung zählt. Es ist unpraktisch – und oft unsicher –, jede Beinahe-Kollision oder riskante Situation auf der Straße nachzustellen. Mit zunehmender Automatisierung und Intelligenz der Fahrzeuge steigt die Nachfrage nach hochwertigen Wahrnehmungsmodellen weiter an.

Wahrnehmungsmodelle ermöglichen es Fahrzeugen, ihre Umgebung zu interpretieren, bspw. einen Radfahrer bei Nacht oder ein plötzlicher Bremsvorgang eines vorausfahrenden Autos zu erkennen. Allerdings erfordert die Entwicklung dieser Modelle enorme Datenmengen. Das Sammeln und Kennzeichnen von realen Fahrdaten ist zeitaufwendig, teuer und in manchen Fällen schlicht unmöglich, besonders bei seltenen oder gefährlichen Situationen.

Die Datenabkürzung: Synthetische Umgebungen

Um diese Einschränkungen zu überwinden, setzen Automobilingenieure verstärkt auf synthetische Daten und Simulationen. Diese digitalen Umgebungen erzeugen Datensätze, die realistische Fahrbedingungen mit hoher Genauigkeit nachbilden.

Portrait of Omar Al Assad, Engineering Manager - Software Algorithm, Magna Electronics

Mit Simulationen können Entwickler gefährliche Szenarien wie nächtliche Fußgängerüberquerungen, komplexe Kreuzungen oder blendende Autobahnen in Minuten statt Monaten nachstellen. Bei Magna nutzen wir virtuelle Testumgebungen, um unzählige „Was-wäre-wenn“-Situationen zu erforschen, noch bevor ein Prototyp auf die Strecke kommt.

Im virtuellen Testparcours

Moderne Simulationsplattformen können komplette Sensorsuiten nachbilden – Kameras, Radar und Lidar – und dabei präzise Referenzdaten (Ground-Truth) zu jedem Fahrzeug, Objekt und Wetterbedingungen erfassen. Durch den Einsatz von multimodalen Eingaben wie RGB-Bildern, Tiefenkarten und semantischer Segmentierung können Ingenieure virtuelle Welten so anpassen, dass spezifische Ausnahmefälle und Umweltfaktoren getestet werden.

Ein bedeutender Fortschritt ist das sogenannte synthetische-zu-echt Transferlernen. Dabei wird das KI-Modell sowohl synthetischen als mit realen Daten trainiert, um die Lücke zwischen virtueller Simulation und der realen Welt zu überbrücken. So können Wahrnehmungssysteme Muster erkennen, die unter variierenden realen Bedingungen konstant bleiben. Diese Methode hat sich während der Tests als deutlich genauer und robuster erwiesen als im Vergleich zu herkömmlichen Verfahren.

Schneller, sicherer, intelligenter

Synthetische Daten ergänzen nicht nur die herkömmlichen Feldtests – sie erweitern auch die Möglichkeiten.

Kürzere Entwicklungszyklen: Monatelange Datenerfassung auf der Straße lässt sich auf Stunden virtueller Generierung reduzieren.
Sichereres Testen: Extrem- oder Gefahrensituationen können risikolos simuliert werden.
Robustere Modelle: Das Training mit seltenen und unberechenbaren Ereignissen verbessert die Systemleistung unter realen Bedingungen.

Simulation ermöglicht Teams, mehr zu testen, schneller zu iterieren und rascher zu lernen – so beschleunigen wir die Entwicklung der Fahrzeugintelligenz.

Die nächste Stufe der automobilen KI vorantreiben

Das nächste Kapitel der Fahrzeugintelligenz dreht sich nicht nur um schnellere Prozessoren oder intelligentere Algorithmen, sondern um bessere Daten. Synthetische Daten und Simulationen verändern grundlegend, wie wir Wahrnehmungssysteme in der Automobilindustrie trainieren und entwickeln – mit skalierbaren Ansätzen, die Sicherheit priorisieren.

Indem wir Autos virtuell „beibringen“, was sie in der realen Welt benötigen, bevor sie dort aktiv werden, leisten wir einen Beitrag zu sichereren Straßen, intelligenteren Fahrzeugen und einem reibungsloseren Übergang zur Mobilität der nächsten Generation.

*Dieses Dokument wurde mit Microsoft Translator übersetzt.