Ausgangslage: Das Datenchaos beim autonomen Fahren
Die Entwicklung von Level 3+ autonomen Fahrzeugen erzeugt eine Datenflut, die klassische IT-Systeme überfordert:
- Terabytes pro Testfahrt: LiDAR Point Clouds, Radar-Reflexionen, Kamera-Streams
- Edge Cases: Kritische Verkehrssituationen müssen identifiziert und katalogisiert werden
- ODD-Validierung: Der Operational Design Domain Status bestimmt, wo das Fahrzeug autonom fahren darf
- Regulatorik: UN R155 (Cybersecurity), R156 (Software Updates), R157 (ALKS) erfordern lückenlose Dokumentation
Warum SAP hier versagt
| Anforderung | SAP-Limitation |
|---|---|
| Sensordaten-Pipelines | Keine native Unterstützung für unstrukturierte Daten |
| Edge Case Detection | Keine KI-Integration für Szenario-Analyse |
| ODD-Tracking | PLM-Module nicht für ADAS-Validierung konzipiert |
| Homologation | Zu spezialisiert für Standard-ERP |
Der aktuelle Prozess: Testingenieure durchsuchen manuell Logfiles, dokumentieren Edge Cases in Excel und aktualisieren den Validierungsstatus per E-Mail. Homologations-Reports werden quartalsweise manuell zusammengestellt.
Die n8n-Lösung: Automatisierte Test-Orchestrierung
Ein Workflow-System, das Testdaten aggregiert, Edge Cases automatisch identifiziert und den Validierungsstatus in Echtzeit aktualisiert.
Architektur-Übersicht
┌─────────────────────────────────────────────────────────────────┐
│ DATENQUELLEN │
├─────────────────────────────────────────────────────────────────┤
│ Testfahrzeug Simulation Prüfstand │
│ (S3/MinIO) (CARLA/SUMO) (HIL/SIL) │
└────────┬─────────────────────┬─────────────────────┬────────────┘
│ │ │
└─────────────────────┼─────────────────────┘
▼
┌─────────────────────────────────────────────────────────────────┐
│ n8n ORCHESTRIERUNG │
├─────────────────────────────────────────────────────────────────┤
│ │
│ ┌─────────────────────────────────────────────────────────┐ │
│ │ Webhook Trigger │ │
│ │ POST /testrun-complete │ │
│ └────────────────────────┬────────────────────────────────┘ │
│ ▼ │
│ ┌─────────────────────────────────────────────────────────┐ │
│ │ AI Agent (Edge Case Detection) │ │
│ │ - Szenario-Klassifikation │ │
│ │ - Safety-Bewertung (ASIL) │ │
│ │ - ODD-Relevanz │ │
│ └────────────────────────┬────────────────────────────────┘ │
│ │ │
│ ┌───────────────┼───────────────┐ │
│ ▼ ▼ ▼ │
│ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐ │
│ │ Safety │ │ ODD Status │ │ Regulatory │ │
│ │ Critical? │ │ Update │ │ Compliance │ │
│ └──────┬──────┘ └──────┬──────┘ └──────┬──────┘ │
│ ▼ ▼ ▼ │
│ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐ │
│ │ Postgres │ │ PLM System │ │ Homologation│ │
│ │ Edge DB │ │ (Teamcenter)│ │ Portal │ │
│ └──────┬──────┘ └─────────────┘ └─────────────┘ │
│ ▼ │
│ ┌─────────────┐ │
│ │ Teams Alert │ │
│ │ Safety Team │ │
│ └─────────────┘ │
│ │
└─────────────────────────────────────────────────────────────────┘
Workflow 1: Test-Eingang und Edge Case Detection
Trigger: Nach jeder Testfahrt sendet das Datenerfassungssystem einen POST-Request:
{
"test_id": "T2026-0142",
"vehicle_id": "PROTO-AD-007",
"route": "A9_Muenchen_Nuernberg_Baustelle",
"duration_min": 47,
"distance_km": 62.3,
"scenarios": [
"Baustelleneinfahrt bei Regen",
"LKW-Überholvorgang",
"Fußgänger am Fahrbahnrand"
],
"sensor_data_path": "s3://adas-tests/2026/01/30/T2026-0142/"
}
AI Agent Analyse:
Der AI Agent klassifiziert jedes Szenario:
┌─────────────────────────────────────────────────────────────────┐
│ AI Agent: Edge Case Detection │
├─────────────────────────────────────────────────────────────────┤
│ │
│ Input: Szenario-Beschreibung + Metadaten │
│ │
│ Analyse: │
│ ┌─────────────────────────────────────────────────────────┐ │
│ │ 1. Ist das ein Edge Case? │ │
│ │ → Ja/Nein + Kategorie (Wetter, VRU, Baustelle, ...) │ │
│ │ │ │
│ │ 2. Safety-Kritisch? (ISO 26262 ASIL) │ │
│ │ → QM / ASIL-A / ASIL-B / ASIL-C / ASIL-D │ │
│ │ │ │
│ │ 3. ODD-Relevanz? │ │
│ │ → Erweitert / Schränkt ein / Neutral │ │
│ │ │ │
│ │ 4. Simulation erforderlich? │ │
│ │ → CARLA-Szenario generieren: Ja/Nein │ │
│ └─────────────────────────────────────────────────────────┘ │
│ │
│ Output: Strukturierte Klassifikation + Handlungsempfehlung │
│ │
└─────────────────────────────────────────────────────────────────┘
Workflow 2: ODD-Status-Management
Der Operational Design Domain definiert, unter welchen Bedingungen das autonome System operieren darf:
┌─────────────────────────────────────────────────────────────────┐
│ ODD-Status Update Workflow │
├─────────────────────────────────────────────────────────────────┤
│ │
│ Testdaten ──▶ Aggregation ──▶ Coverage-Berechnung │
│ │ │
│ ┌────────────────┼────────────────┐ │
│ ▼ ▼ ▼ │
│ ┌───────────┐ ┌───────────┐ ┌───────────┐ │
│ │ Autobahn │ │ Landstraße│ │ Stadt │ │
│ │ 87% valid.│ │ 62% valid.│ │ 34% valid.│ │
│ └───────────┘ └───────────┘ └───────────┘ │
│ │
│ Bei Änderung ──▶ HTTP Request ──▶ PLM System (Teamcenter) │
│ ──▶ Confluence ──▶ Dokumentation │
│ ──▶ Teams ──▶ Stakeholder-Benachrichtigung │
│ │
└─────────────────────────────────────────────────────────────────┘
Workflow 3: Homologations-Compliance
UN R157 (ALKS) erfordert Nachweise über:
- Mindestens 10 Millionen simulierte Testkilometer
- Validierung aller definierten Szenarien
- Cybersecurity-Audit (UN R155)
- Software-Update-Management (UN R156)
┌─────────────────────────────────────────────────────────────────┐
│ Schedule Trigger: Täglich 06:00 │
├─────────────────────────────────────────────────────────────────┤
│ │
│ ┌─────────────────────────────────────────────────────────┐ │
│ │ Aggregiere Compliance-Status │ │
│ │ │ │
│ │ - UN R157: Szenario-Coverage (%) │ │
│ │ - UN R155: Letztes Security-Audit │ │
│ │ - UN R156: SUMS-Compliance │ │
│ │ - Gesamt-Testkilometer (real + simuliert) │ │
│ └────────────────────────┬────────────────────────────────┘ │
│ ▼ │
│ ┌─────────────────────────────────────────────────────────┐ │
│ │ IF: Lücken erkannt? │ │
│ │ │ │
│ │ Ja ──▶ Alert an Homologations-Team │ │
│ │ ──▶ Jira-Ticket für fehlende Nachweise │ │
│ │ │ │
│ │ Nein ──▶ Tagesreport per Email │ │
│ └─────────────────────────────────────────────────────────┘ │
│ │
└─────────────────────────────────────────────────────────────────┘
Technische Umsetzung
Verwendete n8n Nodes
| Node | Zweck |
|---|---|
| Webhook | Empfängt POST nach Testfahrt-Abschluss |
| HTTP Request | S3/MinIO API, PLM-System, KBA-Portal |
| AI Agent + OpenAI | Edge Case Klassifikation, Szenario-Analyse |
| Postgres | Edge Case Database, ODD-Status-Historie |
| IF / Switch | Branching nach Schweregrad und Kategorie |
| Schedule Trigger | Tägliche Compliance-Reports |
| Slack / Teams | Safety-Alerts, Stakeholder-Benachrichtigung |
| Jira | Automatische Ticket-Erstellung |
Integrationen
┌─────────────────────────────────────────────────────────────────┐
│ SYSTEM │ INTEGRATION │
├──────────────────────────────┼──────────────────────────────────┤
│ S3 / MinIO │ HTTP Request (Presigned URLs) │
│ CARLA / SUMO │ REST API (Szenario-Trigger) │
│ Teamcenter / Windchill │ OData / REST API │
│ Confluence │ REST API (Dokumentation) │
│ KBA Portal │ HTTP Upload (Nachweise) │
│ Slack / Teams │ Native n8n Nodes │
└──────────────────────────────┴──────────────────────────────────┘
Messbare Ergebnisse
| KPI | Vorher (manuell) | Nachher (n8n) | Verbesserung |
|---|---|---|---|
| Edge Case Identifikation | 2-3 Tage | < 1 Stunde | 95% schneller |
| ODD-Status Aktualisierung | Wöchentlich | Real-time | Kontinuierlich |
| Compliance-Report Erstellung | 4h/Woche | Automatisch | 100% Zeitersparnis |
| Test-zu-Simulation Feedback | 1 Woche | 24 Stunden | 85% schneller |
| Homologations-Lücken | Quartalsweise erkannt | Täglich | 90% früher |
Fazit
Die ADAS Test-Daten-Pipeline mit n8n löst ein Problem, das SAP strukturell nicht adressieren kann: die Orchestrierung von unstrukturierten Sensordaten, KI-gestützter Analyse und spezialisiertem Regulatory Tracking.
Der Mehrwert:
- Schnellere Iteration: Edge Cases werden in Stunden statt Tagen in die Simulation überführt
- Compliance-Sicherheit: Homologations-Lücken werden täglich erkannt, nicht quartalsweise
- Skalierbarkeit: Der Workflow skaliert mit der Testflotte, ohne manuelle Mehrarbeit
Tech Stack: n8n, PostgreSQL, OpenAI/Claude, S3/MinIO, Teamcenter, CARLA
Regulatorik: UN R155, UN R156, UN R157, ISO 26262
Interesse an einer Implementierung? Dann schreib mir einfach auf LinkedIn oder buche direkt einen kostenlosen Call.