Das Fahrzeug der Zukunft ist „smart“. Mit zunehmender Selbstverständlichkeit wird erwartet, dass ein Fahrzeug auf Veränderungen in seiner Umgebung flexibel reagieren und selbstständig Entscheidungen fällen kann, um sich optimal an verändernde Randbedingungen anzupassen. Dies bedeutet ein hohes Maß an „self-awareness“, also die Fähigkeit die Auswirkung des eigenen Verhaltens in der Interaktion mit der Umgebung zu prädizieren. Derartige Modelle seiner selbst und der Umgebung schnell, kosteneffizient und in Abwägung von Fidelity und Performanz erstellen zu können ist eine Schlüsselkompetenz. Klassische modelbasierte Ansätze sind häufig mit hohen Entwicklungsaufwänden verbunden. Fortschritte im Bereich der künstlichen Intelligenz eröffnen neue Optionen sind aber daten-intensiv und bergen andere Risiken. In diesem Projekt sollen hybride (daten- und physikbasierte) Ansätze in konkreten Anwendungen evaluiert werden, um unter Nutzung von vorhandenem physikalischem Vorwissen in dateneffizienter Weise skalierbare „Proper Models“ generieren zu können. Dies wird es zukünftig ermöglichen innovative Produkteigenschaften in wesentlich kürzerer Zeit zu entwickeln und im Fahrzeug zu realisieren.

XRG liefert in diesem Projekt ein physikalisches Fahrzeugkabinenmodell, aus dem ein echtzeitfähiges Modell abgeleitet werden soll. Das beschleunigte Modell bietet vielfältige Anwendungsmöglichkeiten in HiL-Applikationen und ermöglicht den Transfer der relevanten Modellinformation auf Regelungshardware. Gleichzeitig eröffnet es die Möglichkeit konzeptionelle Optimierungen wesentlich zu beschleunigen. XRG wird mit seinen Projektpartnern Methoden entwickeln und danach als prototypische Erweiterung für die XRG Software SCORE implementieren. Die entwickelten Routinen bilden die Grundlage für die finale Demonstration der Erstellung eines Proper Models unter Berücksichtigung der mehrerer unterschiedlicher Werkzeugketten.