Die Zukunft autonomer Fahrzeuge: Technologie, Herausforderungen und Innovationen

Mit so vielen Akteuren an Bord ist autonomes Fahren näher, als Sie denken

In unserem letzten Blog sprachen wir über große Akteure bei autonomen Fahrzeugen und die rasante Technologieentwicklung. Kaum war der Beitrag online, gab es wenige Tage später einen großen Rückschlag für eine prominente Self-Driving-Anwendung. Kurz nach dem Rollout von Ubers autonomem Taxidienst am 14. Dezember 2016 in San Francisco tauchte ein Video auf, das eines der Fahrzeuge bei Rotlicht zeigte. Zwar beteuerte Uber, das Fahrzeug wurde von einem menschlichen Fahrer gesteuert und hatte keine Passagiere an Bord – die Folgen waren dennoch schnell: Eine Woche nach Start zog Uber seine Fahrzeuge zurück, nachdem Kalifornien die Zulassungen entzogen hatte.

Klar ist: Auf dem Weg von der Idee zum flächendeckenden autonomen Fahren wird es Umwege geben. Doch trotz gelegentlicher Rückschreiten schreitet die Technologie voran und zwingt uns, die Maschinen, die uns von A nach B bringen, grundlegend neu zu denken.

Wo stehen autonome Autos heute – und wohin geht die Reise?

Der grundlegende Unterschied zwischen der Automation in heutigen Fahrzeugen und der in zukünftigen autonomen Fahrzeugen liegt primär im Grad der Fahrerbeteiligung. Viele Neufahrzeuge bieten bereits automatische Systeme für Teilaspekte des Fahrens – assistiertes Bremsen, adaptiver Tempomat (Automatisierungsstufe 1).

Kommerziell erhältliche autonome Fahrzeuge befinden sich aktuell etwa auf Stufe 2; ein gutes Beispiel ist Teslas semi-autonomes "Autopilot"-System. Die meisten getesteten Prototypen sind auf Stufe 3 (Fahrer muss in bestimmten Situationen nicht aufpassen) oder Stufe 4 (Fahrer muss nur bei extremen Wetter- oder Straßenbedingungen eingreifen). Doch Forschungen zeigen: Ein menschlicher "Fahrer", der SMS liest oder döst, kann nicht schnell genug Aufmerksamkeit und Fokus wiedererlangen, um in einer drohenden Notsituation korrekt zu reagieren und die Kontrolle zu übernehmen. Daher schließen viele Hersteller, dass Stufen 3 und 4 nicht funktionieren – weil der Fail-Safe (der Mensch) nicht schnell genug reagieren kann, um Gefahren abzuwenden.

Die höchste Stufe ist Level 5, wo kein Fahrer mehr nötig ist. Das ist die Technologie für vollständiges Ride-Sharing: Niemand besitzt Autos mehr, man ruft einfach ein Fahrzeug, das einen abholt. Die Konzepte von Google und Mercedes sind Level 5 – null menschlicher Input außer dem Zielort.

Was treibt die Automation an?

Während Autohersteller und Partner Details hüten, kennen wir einige grundlegende Technologiekomponenten, die integraler Bestandteil autonomer Fahrzeuge sind. Mehrere Sensortypen sammeln die visuellen Informationen, die ein Self-Driving-Car für sichere Navigation braucht. Kameras sind relativ günstige Sensoren für Basis-Visuelleingaben wie beim menschlichen Fahren; mehrere Kameras liefern Tiefeninformationen. Radar wird bereits für Stufe-1-Systeme genutzt; Nachteil: nur kurze Reichweite.

LIDAR (Light Detection and Ranging) ist ein bordeigenes Lasersystem, das die Umgebung beim Fahren kartiert. Bekannt als der große rotierende Aufbau auf Googles Testfahrzeugen; Solid-State-LIDAR benötigt keine Rotation und wird in neueren Fahrzeugen eingesetzt. Obwohl LIDAR hochpräzise 3D-Karten erstellt, hat es Nachteile: sehr teuer, und Wetter beeinträchtigt die Signale (Reflexion an Regen/Schnee).

In heutigen hochcomputerisierten Fahrzeugen erfolgt viel Sensordatenübertragung über einen Controller Area Network (CAN-Bus) – ein Protokoll für Kommunikation zwischen Mikrocontrollern und Geräten ohne Host-Computer. Wirklich autonome Autos benötigen jedoch robustere Datenkonnektivität, Rechenleistung und Software, um alle visuellen Eingaben und Sensordaten in Echtzeit zu sammeln, zu organisieren, zu interpretieren und in fahrbare Aktionen umzusetzen. Dafür braucht es:

• Eine signifikante (man könnte sagen: massive) Rechenleistung
• Sensorfusion – Zusammenführung von Daten verschiedener Sensoren, um mehr zu berechnen, als ein einzelner Sensor liefern könnte

Deshalb ist Machine Learning – eine KI-Art, die Computern die Fähigkeit gibt, "selbstständig" zu lernen, wenn sie neuen Daten ausgesetzt sind – ein kritischer, sich rasant entwickelnder Aspekt des autonomen Fahrdesigns. Ein Schritt weiter: Deep Learning emuliert, wie Menschen neues Wissen erlangen. Durch Automatisierung prädiktiver Analysen könnte Deep Learning ein Auto bei jeder Fahrt schlauer machen und sogar von anderen Fahrern und Fahrzeugen lernen.

Natürlich muss ein autonomes Fahrzeug von Anfang an sehr schlau sein! Ob es sensorische Eingaben interpretiert und dann aus hartkodierten Fahrentscheidungen wählt ODER Eingaben (Sensoren, andere Quellen) direkt auf Fahroutput abbildet (End-to-End) – Machine Learning ist sicher Teil jedes Autos am Zeichenbrett oder auf der Straße.

Welche Auswirkungen gibt es jenseits des Fahrens?

Wo Computertechnik ist, ist Informationssicherheit ein wichtiges Anliegen – autonome Fahrzeuge sind keine Ausnahme. Die Implikationen von Hacking bei Self-Driving-Cars sind enorm. Niemand in einem mehrtonnigen Fahrzeug bei hoher Geschwindigkeit will sich sorgen, dass das Fahrzeug übernommen und ferngesteuert wird.

2015 rief Chrysler über eine Million Fahrzeuge zurück, als zwei Sicherheitsforscher (keine Bösewichte) eine Software-Schwachstelle entdeckten, die es ihnen erlaubte, einen Jeep drahtlos zu hacken und Dashboard, Lenkung, Getriebe und Bremsen zu übernehmen. Chrysler stellte USB-Softwareupdates bereit und traf Netzwerkebene-Maßnahmen zur Erkennung und Blockierung von Hacking über die Mobilfunkverbindung. 2016 demonstrierte ein Sicherheitslabor einen Hack eines Tesla Model S – ferngesteuerter Zugriff und Kontrolle in Park- und Fahrmodus über CAN-Bus und einen bösartigen WLAN-Hotspot. Innerhalb von Tagen spielte Tesla ein Over-the-Air-Update ein.

Diese Fälle zeigten Herstellern und Partnern, dass verstärkte Sicherheit vital ist – stärkere Schutzmaßnahmen werden folgen. Doch da jedes autonome Auto Computer und Netzwerkkonnektivität benötigt, ist es nur eine Frage der Zeit, bis jemand ein Self-Driving-Fahrzeug während der Fahrt hackt.

Verwandt: Privatsphäre wird für Autos und Fahrer zunehmend herausfordernd. Heute könnte ein Flüchtiger GPS ausschalten und eine Papierkarte nutzen. Aber die inhärente Funktionalität eines autonomen Autos erfordert nahezu ständige GPS-Nutzung – das Fahrzeug muss virtuell ständig getrackt werden. Zudem: Kameras dienen wichtigen Sensorfunktionen und liefern Input für Machine Learning, sind aber auch Überwachungstools. Es besteht das Potenzial, dass jeder Zentimeter Straßenraum bei flächendeckendem Rollout nahezu ständig fotografiert und analysiert wird.

Menschlicher Aspekt: Zuverlässige, vollautonome Fahrzeuge schaffen Jobs in Fertigung und verwandten Bereichen, bedeuten aber auch Jobverluste. Mobility-on-Demand und Ride-Sharing machen Taxi- und Busfahrer überflüssig. Selbstfahrende Landmaschinen reduzieren benötigte Landarbeiter. Lkw-Fahrer werden noch für Wartung gebraucht, fahren aber nicht mehr – weniger Fahrer für automatisierte Flotten. Ende 2016 startete ein Online-Lieferdienst Roboter-Lebensmittellieferung in London. Vom Paketboten bis zum Pizzaboten – diese Jobs könnten durch autonome Fahrzeuge oder verwandte Lieferbot-Technologie ersetzt werden.

Warum spricht Metal Cutting darüber?

Metal Cutting bietet kundenspezifische Metallschneiddienste für Spezialprodukte und präzise kleine Metallteile für diverse Branchen – einschließlich Automobilhersteller und deren Technologiepartner – mit Teiletrennung, Bearbeitung, Veredelung und anderen Techniken für Anwendungen, die enge Toleranzen, spezifische Oberflächenbeschaffenheiten und hochgradig maßgeschneiderte Enden, Konizitäten und Durchmesser erfordern.

Möchten Sie prüfen, ob Metal Cutting der beste Partner für Ihre Automobilteile oder andere Anwendungen ist? Laden Sie den kostenlosen Leitfaden herunter: "7 Secrets to Choosing a New Contract Partner: Technical Guide to Outsourcing Your Precision Metal Fabrication".