Die Entwicklung robuster autonomer Fahrsysteme erfordert die iterative Evaluierung komplexer KI-Algorithmen, ein Prozess, der durch eine anhaltende Workflow-Lücke zwischen Engineering-, Forschungs- und Designteams grundlegend behindert wird. Ingenieure haben bei der Datenerhebung im Feld mit einer hohen kognitiven Belastung zu kämpfen, während Designern der Zugriff auf Live-Daten und Algorithmenparameter fehlt, die zur Erstellung und Validierung aussagekräftiger Mensch-Maschine-Schnittstellen-Konzepte (HMI) für Endanwender benötigt werden.
Um diese kritische Lücke zu schließen, präsentiert diese Arbeit eine umfassende Fallstudie über die Entwicklung einer „Engineering-UI“, eines flexiblen, webbasierten Frameworks, das in einem strukturierten, multimethodischen und kollaborativen Designprozess unter Beteiligung akademischer Institutionen, zweier großer Fahrzeughersteller (OEMs) und einer UX-Designagentur entwickelt wurde.
Die Engineering-UI ist so konzipiert, dass sie zwei zentrale, integrierte Funktionen erfüllt:
- Sie bietet Ingenieuren intuitive, touchbasierte Bedienelemente für die Datenerhebung im Feld, die Echtzeit-Algorithmenbewertung und die Systemparametrisierung.
- Sie dient als leistungsfähiges Backend für Designforscher und ermöglicht die schnelle Bereitstellung sowie das transparente Testen verschiedener Endanwender-UI-Konzepte mithilfe von Live-Systemdaten.
Wir beschreiben die iterative Entwicklung dieses Frameworks im Detail und validieren seine Flexibilität anhand zweier unterschiedlicher Typen von Forschungsplattformen: zwei mit Kamera und LiDAR ausgestatteten Fahrzeugen mit umfangreichen Sensor-Suites sowie einem minimalistisch ausgestatteten Fahrrad mit drei Sensoren.
Abschließend leiten wir eine Reihe kritischer, praxisnaher Erkenntnisse (Lessons Learned) aus dem realen Integrationsprozess ab. Dabei konzentrieren wir uns auf die Reibungsverluste paralleler Entwicklung, die Herausforderungen bei der Performance von Live-Daten und die konkurrierenden Anforderungen von Design und Engineering. Diese Arbeit bietet ein praktisches Modell für eine effektive interdisziplinäre Entwicklung. Der Quellcode wurde mit der Veröffentlichung der Arbeit auf Github öffentlich zugänglich gemacht.