Entdecken von Fehlern in
unvorhergesehenen Szenarien
und Randfällen

Dank durchschnittlich 100 Millionen Codezeilen pro Fahrzeug und vielen Dutzend Softwarekonfigurationen und -variationen ist es nahezu unmöglich, alle „IFTTT“-Szenarien vorherzusagen. Oftmals werden Fehler, die nach der Inbetriebnahme eines Fahrzeugs festgestellt werden, durch unvorhergesehene, improvisierte und nicht getestete Randfälle verursacht. Vehicle Software Intelligence von Aurora Labs wendet KI an, um Abweichungen des Verhaltens von Softwarefunktionen unterhalb der Schwellenwerte zu erkennen. Damit erhalten die QS-Tests eine weitere Dimension, indem sich die Anzahl der zu testenden Szenarien exponentiell vervielfacht und bisher unentdeckte Fehler erfasst werden.

Neben der Abbildung von Softwarebeziehungen überwacht und testet Aurora Labs auch Dutzende von kritischen Leistungsindikatoren wie Reaktionszeiten von Funktionsaufrufen, Häufigkeit von Funktionsaufrufen, Aufrufsequenzen, Ressourcenanforderungen und Speicherzuweisungen, um eine neue Testdimension zu schaffen. Mithilfe dieser neuen Datensätze können zusätzliche Schwachstellen und Fehler aufgedeckt werden, die andernfalls nicht sichtbar wären. Außerdem wird die genaue Software-Funktionalität identifiziert, die die Ursache der Anomalie ist.

In einigen Fällen können sich Szenarien, die während der Tests unterhalb eines akzeptablen Schwellenwerts lagen, weiterentwickeln und zu Funktionsstörungen führen, wenn das Fahrzeug bereits auf der Straße ist. Die fortlaufende Diagnose von Aurora Labs überwacht die Software für Automobile kontinuierlich und verfolgt selbst die kleinsten Verhaltensänderungen, um Trends aufzuzeigen. Für Trendentwicklungen, die zu Ausfällen oder Fehlern führen können, werden Warnmeldungen erstellt und gesendet, sodass der OEM proaktiv Softwarefehler behandeln kann.