Der Weg voraus: Wie lange dauert der Shift zu autonomen Fahrzeugen?

Ich besuchte kürzlich die inaugural AutoSens Conference in den USA, eine Zusammenkunft, die nicht nur cutting-edge Technologie zeigte, sondern auch ein memorables Erlebnis bot. Detroit, Geburtsort der Automobil-Fertigungsstraße, diente als Venue und positionierte die Stadt an der Spitze der nächsten Mobilitätsrevolution: massenproduzierte autonome Fahrzeuge.

Ein herausragendes Highlight war die M1 Concourse Rennstrecke, ein Country-Club-Style Venue mit privaten Garagen und einem state-of-the-art 1,5-Meilen Performance Circuit. Die Konferenz beinhaltete autonome Testfahrten von Dataspeed, einem Spezialisten für fahrerlose Technologie.

Nach den Tagessessions dinierten wir im Henry Ford Greenfield Village, einem historischen Tribut an Pioniere wie Ford, Edison und die Wright-Brüder. Den Raum teilend mit einem live Dataspeed Self-Driving Car war ein echtes 1917 Ford Model T, das erste Fließband-Automobil, das persönlichen Transport transformierte. Diese zwei Fahrzeuge Seite an Seite zu sehen, regte Reflexionen über Herausforderungen und Parallelen zwischen der Pferdekutschen-Ära und heutigem autonomen Transition an.

Die erdbewegende Revolution des Automobils

Vor einem Jahrhundert dominierten Pferdekutschen Straßen, und die Idee eines Autos ohne Pferd schien radikal. Wie viele Erfindungen standen frühe Automobile Skepsis gegenüber – sie galten als gefährlich, imposant und lästig für den equinen Transport, der lange vorherrschte. Der Übergang von Pferd zu Auto war graduell und voller Hindernisse, illustriert durch ein jetzt infames Gesetz, das Fahrer verpflichtete, an jeder Kreuzung abzusteigen und sich mit lauter Geräusch anzukündigen – manchmal sogar mit Schusswaffe oder anderen Explosivmitteln.

Investoren waren ebenso vorsichtig. Laut AmericanAutoHistory.com warnte 1903 der Präsident der Michigan Savings Bank vor Investition in Ford Motor Co., mit der Begründung, "Das Pferd ist hier um zu bleiben, aber das Automobil ist nur eine Neuheit – ein Trend." Heute können wir diese Skepsis im Rückblick betrachten, doch sie spiegelt die vorsichtige Haltung wider, die viele heute gegenüber autonomen Fahrzeugen einnehmen.

Aus zukünftiger Perspektive war die anfängliche Zurückweisung motorisierter Fahrzeuge nicht unähnlich der heutigen Zögerlichkeit gegenüber autonomen Systemen. Wie die Geschichte andeutet, führt gradueller Adoption letztendlich zu Dominanz – daher die Erwartung, dass autonome Fahrzeuge bald die primäre Form persönlichen Transports werden, besonders in urbanen und dicht besiedelten Gebieten.

Wir können den nahe-vollständigen Auslauf manueller Autos innerhalb von etwa dreißig Jahren antizipieren, reservierend sie hauptsächlich für Hobby oder Freizeit – ähnlich wie Pferde heute. Wie mein Kollege Gunn anmerkte, könnte sogar Racing schließlich von autonomer Technologie überholt werden.

Self-Driving Cars sind der nächste große Wandel; Massenproduktion ist Schlüssel

Vor dem Model T waren Automobile Luxusartikel, unzugänglich für Massen. Die Fertigungsstraße, perfektioniert von Ford, steigerte Produktion und necessitated neue Infrastruktur – Straßen, Verkehrsregeln, Sicherheitsstandards. Um die nächste Revolution zu zünden, müssen autonome Fahrzeuge auch Massenproduktion und wettbewerbsfähige Preise erreichen. Mit sinkenden Kosten für Self-Driving-Systeme expandieren deren Zugänglichkeit und Appeal.

Kann man Künstlicher Intelligenz vertrauen, einen herumzufahren?

Historische Skepsis zum Automobil findet modernes Pendant in Zweifeln an KI. Bedenken zu Zuverlässigkeit, Failure Modes und Reaktionszeiten echoen jene, die einst frühe Fahrer plagten. Heute zeigen Daten jedoch, dass menschlich gefahrene Autos weniger sicher sind als viele moderne autonome Prototypen – doch breites öffentliches Vertrauen wuchs durch Erfahrung, Infrastruktur und Regulierung.

Deep Learning und verwandte KI-Technologien haben sich rasant entwickelt, übertreffen Menschen in Spielen wie Go, Bilderkennung und zunehmend in komplexen Entscheidungsaufgaben. Diese Fortschritte untermauern Sicherheit und Zuverlässigkeit zukünftiger autonomer Fahrzeuge.

Die Fertigungsstraße machte Autofertigung effizient; DSPs machen KI effizient

Eine große Hürde für autonome Fahrzeuge ist Einbetten mächtiger KI in kompakte, Low-Power-Systeme. Traditionelle KI-Workloads erfordern große Server, aber Automotive-Anwendungen fordern kleinere, energieeffiziente Lösungen. Digital Signal Processors (DSPs) und spezialisierte Vision-Prozessoren wie der CEVA-XM6 ermöglichen Ultra-Low-Power, High-Precision Computer Vision, während Development gestrafft wird via Tools wie dem CDNN Deep-Learning Toolkit.

Erfahren Sie mehr über diese Technologien in unserem On-Demand-Webinar: Challenges of Vision‑Based Autonomous Driving & Facilitation of an Embedded Neural Network Platform.