KI am Steuer: Wie Künstliche Intelligenz die Evolution autonomer Fahrzeuge vorantreibt

Während vor etwa 200 Jahren hochwertige Fahrzeuge mit einzigartigen Merkmalen für den normalen Menschen unvorstellbar waren, haben wir seitdem einen langen Weg zurückgelegt, und Elektro‑ und Hybridfahrzeuge sind ein täglicher Teil unseres Lebens geworden. 

Heute führen autonome Fahrzeuge (AVs) die Innovation im Automobilbereich an, die mit viel Aufsehen und Erwartungen in den Mainstream eingetreten ist. Aber was ist das, und wie verändern sie das Gesicht der Fahrzeuge? Schauen wir uns das an!

Ein Blick auf die Automatisierung im Automobilbereich 

Autonome Fahrzeuge (AV) sind Fahrzeuge, die Technologie einsetzen, um den menschlichen Fahrer teilweise oder vollständig zu ersetzen und sich selbst zu einem vorbestimmten Ziel im „Autopilot“-Modus zu fahren. Gleichzeitig reagieren diese AVs auf Verkehrsbedingungen, vermeiden Straßengefahren und bieten mehr Sicherheit.

Verschiedene Technologien, die von diesen Fahrzeugen verwendet werden, umfassen Sensoren, Laser, Radar, adaptive Geschwindigkeitsregelung, aktive Lenkung, Antiblockiersysteme und GPS‑Navigations‑Technik.

Laut der Society of Automotive Engineers (SAE) gibt es sechs Stufen autonomer Fahrzeuge, basierend auf menschlicher Intervention. Diese Klassifizierung, die auch von der US National Highway Traffic Safety Administration (NHTSA) verwendet wird, lautet wie folgt:

Level 0: Das Fahrzeug hat keine Kontrolle über seine Bedienung, der menschliche Fahrer führt das gesamte Fahren aus.
Level 1: Das fortschrittliche Fahrerassistenzsystem (ADAS) des Fahrzeugs kann den Fahrer beim Lenken und Bremsen unterstützen.
Level 2: Das ADAS des Fahrzeugs übernimmt Beschleunigen und Bremsen unter bestimmten Bedingungen, obwohl der menschliche Fahrer weiterhin notwendige Aufgaben ausführen und während der gesamten Fahrt volle Aufmerksamkeit auf die Umgebung richten muss.
Level 3: Das ADAS des Fahrzeugs kann alle Teile der Fahraufgabe unter bestimmten Bedingungen ausführen, muss jedoch bei Bedarf vom menschlichen Fahrer übernommen werden. Diese Stufe der Autonomie wird derzeit von AVs erreicht.
Level 4: Das fortschrittliche Fahrerassistenzsystem des Fahrzeugs kann alle Aufgaben ohne menschliche Aufmerksamkeit oder Unterstützung unter bestimmten Bedingungen ausführen.
Level 5: Das ADAS des Fahrzeugs kann absolut alle fahrbezogenen Aufgaben in allen Bedingungen erledigen, ohne dass menschliche Fahrunterstützung nötig ist. In diesem Stadium ist volle Automatisierung erreicht. 

Autonome Fahrzeuge bieten den Vorteil von Komfort und verbesserter Lebensqualität. Darüber hinaus können körperlich Behinderte und ältere Menschen Unabhängigkeit erlangen. Es besteht zudem das Potenzial, Verkehrsstaus zu reduzieren, Transportkosten zu senken, Parkplätze freizugeben und die CO₂-Emissionen drastisch zu verringern. 

Allerdings haben sie trotz all des Aufhebens um autonome Fahrzeuge noch nicht den erwarteten Erfolg erzielt. Was ist also das Problem?

Herausforderungen für autonome Fahrzeuge

Autonome oder fahrerlose Fahrzeuge haben in den letzten Jahren Milliarden von Dollar an Investitionen angezogen, aber es gab zahlreiche Rückschläge bei AV‑Einführungen sowie verzögerte Kundenakzeptanz. Werfen wir also einen Blick auf einige der prominentesten Herausforderungen, denen diese Fahrzeuge gegenüberstehen. 

Komplexe Fahrumgebung 

Die von AVs verwendeten Systeme zur Erkennung von Verkehrsschildern, Ampeln und der Bewegung von Objekten auf der Straße sind nicht narrensicher. Sie scheitern insbesondere daran, reale Szenarien zu verstehen. 

Zum Beispiel, wenn ein Vogelschwarm auf der Straße sitzt, verstehen menschliche Fahrer, dass die Vögel wegfliegen, sobald das Fahrzeug vorwärts fährt, während AVs entweder unnötig anhalten oder stark bremsen. AVs erkennen auch komplexe soziale Interaktionen wie Handbewegungen oder Blickkontakt eines anderen Fahrers, die signalisieren, dass man weiterfahren kann. 

Nicht zu vergessen, dass AVs bislang nicht sicher agieren können, wenn keine Verkehrsschilder vorhanden sind. Das bedeutet, dass AVs noch nicht mit maximaler Genauigkeit an jedem Ort in verschiedenen Ländern operieren können. 

Wenn ein Passagier einen Ort besuchen möchte, der nicht im Kartensystem enthalten ist, kann er ebenfalls große Schwierigkeiten haben, da die AVs verwirrt werden können. Dies erfordert komplexe dreidimensionale (3D) Routenkarten, um das Fahrzeug zu leiten, was ein zeitaufwändiger Prozess ist, wenn man umfassende Abdeckung und Genauigkeit erreichen will.

Schlechtes Wetter

Eine große Herausforderung für AVs ist schlechtes Wetter. Diese Fahrzeuge nutzen eine breite Palette von Sensoren: Kameras zur Sicht- und Objekterkennung, Laser zur Abstandsmessung und Radar zur Geschwindigkeits- und Richtungsbestimmung von Objekten. 

Sobald Daten erfasst wurden, trifft das System eine Entscheidung, aber Schnee, Nebel oder starker Regen erschweren das korrekte Funktionieren der Sensoren. Daher beeinträchtigt widriges Wetter die Genauigkeit der Sensorsysteme von AVs, was die Sicherheit der Nutzer gefährden kann. Zudem gibt es Probleme mit starker Niederschlag und Substanzen wie Wasser, Öl, Eis oder Schmutz, die Fahrbahnmarkierungen verdecken.

Kosten

Ein weiteres großes Problem bei AVs sind die Kosten; die von diesen Fahrzeugen genutzten Sensoren, wie Lidar und Radar, sind teuer. Zusätzlich versucht Lidar noch, das richtige Gleichgewicht zwischen Reichweite und Auflösung zu finden. Das wirft die Frage auf: Wenn mehrere AVs auf derselben Straße fahren, behindern sich dann ihre Lidar‑Signale gegenseitig?  

Haftung

Eine weitere große Frage bei AVs ist die Haftung bei Unfällen; wer ist verantwortlich für Unfälle, die von AVs verursacht werden? Dies wird noch bedeutender bei vollständig autonomen AVs, die kein Lenkrad besitzen, über das ein Mensch im Notfall das Fahrzeug steuern könnte. Dann gibt es noch die Versicherung, ein weiteres undurchsichtiges Gebiet für diese Fahrzeuge.

Gesetze & Vorschriften

Trotzdem, dass AVs in den Mainstream eingedrungen sind, sind Gesetze und Vorschriften rund um sie noch spärlich. Kürzlich hat sich der Regulierungsprozess für AVs in den USA von bundesweiten Leitlinien zu staatlichen Vorgaben verschoben. 

Um das Aufkommen von “Zombie‑Cars” zu verhindern, haben einige Bundesstaaten sogar eine Steuer pro gefahrene Meile vorgeschlagen. Gesetzgeber haben zudem Gesetzentwürfe verfasst, die vorschlagen, dass alle AVs einen Panikknopf besitzen müssen. 

Cybersicherheit 

Angesichts des stark vernetzten Transportsystems und des Rollouts von 5G sind Datenschutz und Cybersicherheit weitere Probleme bei diesen Fahrzeugen. Zum Beispiel hat Fiat Chrysler im Jahr 2015 1,4 Millionen seiner Fahrzeuge zurückgerufen, um Fehler zu beheben, da sie gehackt und aus der Ferne gesteuert werden konnten. AVs müssen sicherstellen, dass sie nicht nur die Privatsphäre der Verbraucher nicht verletzen, sondern auch die Daten vor Hackern schützen. 

Infrastruktur 

Um AVs auf die Straße zu bringen, müssen massive Investitionen in die Infrastruktur getätigt werden. AVs benötigen oft klare Fahrstreifenmarkierungen, Orte zur Datenspeicherung und ein robusteres Ladenetz. Dies wirkt sich auf das Stadtbudget aus. Daher ist ein Dialog über öffentliche Investitionen sowie Community‑ und Industrie‑Outreach nötig, um die bestehende Infrastruktur auszubauen.

KI ebnet den Weg für autonome Fahrzeuge

Angesichts all dieser Herausforderungen übernimmt künstliche Intelligenz (KI) die Führung und ebnet den Weg für autonome Fahrzeuge.

Die Sache ist die, dass die Autoindustrie in den letzten Jahren mit dem Aufkommen neuer Technologien rasant vorangeschritten ist. KI ist eine solche Technologie, die der Automobilindustrie bei der Transformation hilft. Im Wesentlichen geht es bei KI darum, Maschinen intelligenter zu machen. Sie beinhaltet die Simulation menschlicher Intelligenz in Maschinen, damit sie wie wir Menschen denken und handeln können.

KI ermöglicht es Fahrzeugen, Objekte zu erkennen, vorherzusagen, was als Nächstes passieren könnte, sogar auf unerwartete Situationen zu reagieren und besser als menschliche Fahrer in komplexen Verkehrssituationen zu fahren. Nach Angaben von Statista wird erwartet, dass der globale Markt für Automotive‑KI bis 2030 ein Marktvolumen von 74,5 Mrd. $ erreichen wird. 

Wie aus der Studie der NHTSA hervorgeht, verursachen menschliche Fehler wie eingeschränktes Seh‑ und Hörvermögen etwa 93 % der Verkehrsunfälle. Der Einsatz von KI in AVs in Form von Sensoren und Algorithmen kann sicherere und gesichertere Transportmittel ermöglichen, was die durch menschliche Fehler verursachten Opferzahlen erheblich reduzieren kann. Die Fähigkeit von KI, die Umgebung zu lernen und sich dann anzupassen, macht die Technologie kompetenter im Umgang mit komplexen Straßen und Situationen.

KI wird in AVs auf verschiedene Weise eingesetzt:

• Die Technologie kann AVs dabei helfen, das Verhalten anderer Fahrer und Fußgänger vorherzusagen, indem das Fahrzeug Analysen nutzt, mögliche Probleme erkennt und verhindert.
• Durch den Einsatz von Machine Learning, bei dem ein Modell mit gekennzeichneten Datensätzen trainiert wird, um Eingaben korrekt den Ausgaben zuzuordnen, kann KI AVs bei der Objekterkennung und -modellierung unterstützen. Ein mit unbeschrifteten Datensätzen trainiertes Modell kann AVs bei der Anomalieerkennung, dem Verständnis komplexer Situationen und der Merkmalextraktion helfen.
• AVs verlassen sich auf Sensoren wie Kameras, Lidar, Radar und Ultraschallsensoren, um Informationen über ihre Umgebung zu erhalten. Hier können KI‑Algorithmen diese Daten analysieren, um detaillierte Karten zu erstellen, die AVs fundierte Entscheidungen ermöglichen.
• Durch die Nutzung von Natural Language Processing (NLP) können AVs Spracherkennung einsetzen, um mit Passagieren zu interagieren. So kann KI Fahrzeugen helfen, menschliche Anfragen zu verstehen und effektiv zu beantworten. 
• Durch die Ermöglichung von Entscheidungen vor Ort basierend auf Echtzeit‑Sensordaten hilft KI AVs zu entscheiden, ob die beste Reaktion ein Verlangsamen oder Anhalten ist. So unterstützt KI AVs in gefährlichen Situationen, in denen Menschen zu Fehlern neigen. Die Technologie analysiert Datenströme aller Sensoren und schneidet besonders gut bei Kreuzungsverkehrserkennung, aktiver Überwachung von toten Winkeln, Synchronisation mit Ampeln und Notfallsteuerung des Fahrzeugs ab.

Insgesamt kann KI in AVs dabei helfen, Daten in Echtzeit zu sammeln, Objekte zu erkennen und zu identifizieren, Trajektorien zu optimieren, Straßenbedingungen zu navigieren und Ausfälle vorherzusagen. All diese Anwendungsfälle von KI unterstützen autonome Fahrzeuge dabei, den Verkehr zu reduzieren, Energie zu sparen, die Zugänglichkeit zu verbessern, die Effizienz zu steigern und die Sicherheit zu erhöhen. 

Bereits wird die Technologie von Automobilherstellern weltweit eingesetzt. Beispielsweise hat Teslas Autopilot mehr als 3 Milliarden Meilen in diesem Modus in fast einem Jahrzehnt zurückgelegt. Elon Musks Tesla (TSLA ) nutzt ausgeklügelte KI‑Algorithmen für präzise Steuerung. 

Waymo ist ein weiteres Unternehmen, das ein KI‑basiertes Selbstfahrsystem für komplexe Routenplanung und intelligente Reaktionen auf die Umgebung verwendet. Das Unternehmen hat seine Fahrzeuge getestet, indem es zig Milliarden Meilen in Simulationen gefahren hat.

Daimlers digitaler Assistent, Audis R10 e‑tron SUV und Mercedes‑Benz’ EQR4‑System für autonomes Fahren sind weitere Beispiele. Weitere wichtige Akteure im Bereich KI für AVs sind BMW, GM, Nissan, Uber, Volvo, Bosch, Mobileye, Valeo, Continental, Velodyne, Nvidia (NVDA ) und Ford.

Hier klicken, um zu erfahren, wie 2023 das Durchbruchsjahr für KI war und was wir in Zukunft erwarten können. 

Wichtigste KI‑Durchbrüche im Bereich autonomer Fahrzeuge

2023 war ein großartiges Jahr für Fortschritte in der KI, die Auswirkungen auf Kunst, Finanzen, Gesundheitswesen, Bildung, Klimawandel, Forschung, Finanzierung und AVs hatten. Werfen wir also einen Blick auf einige der wichtigsten KI‑Durchbrüche des Jahres 2023 im Bereich autonomer Fahrzeuge.

Kürzlich entwickelten Forscher der Incheon National University (INU) in Korea ein neuartiges End‑to‑End‑3D‑Objekterkennungssystem, das auf Deep Learning basiert und das Internet‑der‑Dinge nutzt. Dieses System verleiht AVs verbesserte Erkennungsfähigkeiten, selbst unter ungünstigen Bedingungen. 

Um das Problem zu adressieren, dass Sensoren wie Kameras, Lidars und Radare anfällig für Blockaden, Wetter und unübersichtliche Straßen sind, passte diese Studie den YOLOv3‑Algorithmus (You Only Look Once) an, um 3D‑Objekte zu identifizieren, indem IoT integriert wurde, das den Austausch von Daten und Kommunikation über das Internet ermöglicht.

Das vorgeschlagene System ist darauf ausgelegt, RGB‑Bilder und Punktwolken‑Daten als Eingaben zu verarbeiten. Es gibt anschließend Begrenzungsrahmen aus, die bewertet und beschriftet werden, um Hindernisse zu identifizieren. Das System ist fähig, eine Vielzahl von Objekten zu erkennen und kann Variationen in Größe und Rotation handhaben.

Die Studie testete das System mit dem Lyft‑Datensatz und stellte fest, dass es höhere Genauigkeit und geringere Latenz zeigte. Laut dem Team erstreckt sich die Vielseitigkeit des Systems über autonome Fahrzeuge hinaus und findet potenzielle Anwendungen in Überwachung, Robotik und Gaming.

Ein weiteres Projekt, Helm.ai, erzielte einen KI‑Durchbruch, der die Fahrerabsicht vorhersagt und optimale Pfade plant. Das Unternehmen, das KI‑Software für die Automatisierung von Robotern und Fahrzeugen entwickelt, kündigte an, dass dies Helm.ai skalierbare L2/L3‑ und L4‑Implementierungen ermöglichen wird. 

Die DNN‑basierten Grundmodelle des Unternehmens werden mit seiner proprietären Technologie Deep Teaching trainiert, die reale Fahrdaten für komplexe Fahrumgebungen nutzt.

Jetzt analysiert das Modell auch umliegende Fahrzeuge und Fußgänger, um deren wahrscheinliche Aktionen in unterschiedlichen städtischen Situationen genau vorherzusagen und darauf basierend den effizientesten und sichersten Pfad für die AVs zu generieren. Die Plattform des Unternehmens funktioniert nahtlos mit verschiedenen Hardware‑Konfigurationen und ermöglicht effizientes Training und Validierung.

„Unsere Softwareplattform adressiert die kritischen Wahrnehmungsherausforderungen urbaner Umgebungen und ebnet den Weg für skalierbare Entwicklung und Validierung von KI‑gestützter Absichtsprognose und Pfadplanung.“ 

– Vladislav Voroninski, CEO von Helm.ai

In diesem Jahr hat der Elektrofahrzeugpionier Tesla auch Fortschritte in seiner Full Self‑Driving (FSD)‑Software erzielt. Die neueste Version, 12 (v12), bringt das Unternehmen einen weiteren Schritt näher an die Erreichung von Level 4 oder Level 5 Autonomie mit seinen Autos. 

Im August demonstrierte Musk FSD v12, das Fahrzeug autonom zu fahren und Aufgaben wie Parallelparken, Befolgen von Ampeln und Navigieren von Kreisverkehren auszuführen. Was diese Version von den vorherigen unterscheidet, ist die starke Abhängigkeit von KI‑gestützten, selbstlernenden neuronalen Netzen. 

Das bedeutet, dass anstatt menschliche Programmierer zu benötigen, die Antworten für verschiedene Fahrszenarien fest codieren, KI Tonnen von Daten, die von Teslas Fahrzeugen gesammelt wurden, analysiert und dann die passendste Reaktion auswählt.

Diese Entwicklung bringt Tesla einen Schritt näher an das übergeordnete Ziel eines Robotaxi‑Geschäfts, das laut Ark Invest selbst in einem pessimistischen Szenario jährlich 200 Milliarden $ (über 600 Milliarden $ im optimistischsten Szenario) einbringen würde.

Anfang dieses Jahres kam ein weiterer Durchbruch für AVs in Form eines Kamerabildgebungssystems, HADAR, oder „heat‑assisted detection and ranging“. Forscher der Michigan State University und der Purdue University nutzten KI, um HADAR zu entwickeln, das Wärmesignaturen interpretiert, um detaillierte und scharfe Bilder zu liefern, die durch optisches Rauschen hindurchsehen.

Ihr KI‑Modell nutzte Machine‑Learning‑Algorithmen, die Daten von kommerziellen Infrarotkameras sammeln, um die physikalischen Eigenschaften von Objekten und ihrer Umgebung zu erkennen, wodurch HADAR klare Nachtszenen rekonstruieren kann.

Da das System thermische Strahlungsmuster, Materialformation und Temperatur mit großem Erfolg erkennen kann, hat es ein enormes Potenzial, einschließlich kontaktloser öffentlicher Sicherheitskontrollen und sogar der Überwindung der Angst vor der Dunkelheit. Allerdings hat HADAR Herausforderungen hinsichtlich der Gerätekosten und des Bedarfs an Echtzeit‑Kalibrierung.

Ford Motor Company (F ) gründete zudem eine hundertprozentige Tochtergesellschaft namens Latitude AI, um ein freihändiges, blickfreies automatisiertes Fahrsystem zu entwickeln. Der Automobilgigant hat bereits über 50 Millionen Meilen Freihand‑Fahren mit seinem Ford BlueCruise erreicht.

Jetzt, mit Latitude, ist die Idee, das Fahren in mühsamen, stressigen und unangenehmen Zeiten wie langen Autobahnstrecken oder Stau zu automatisieren.

„Wir sehen automatisierte Fahrtechnologie als Chance, die Beziehung zwischen Menschen und ihren Fahrzeugen neu zu definieren.“ 

Abschließende Gedanken

Wie wir gesehen haben, fallen autonome Fahrzeuge je nach benötigtem menschlichen Hilfsgrad in verschiedene Kategorien, nämlich Fahrerassistenz‑Automatisierung, teilautomatisiertes Fahren, hochautomatisiertes Fahren, vollautomatisiertes Fahren und vollständig automatisiertes Fahrzeug. Mit dem Aufkommen von KI ist die Möglichkeit, dass AVs endlich ihre Endstufen erreichen, näher denn je.

Die Zukunft des KI‑Marktes in der Automobilindustrie ist eindeutig vielversprechend. Er lag 2022 bei über 6 Milliarden $ und soll bis 2032 mit einer CAGR von 55 % wachsen. 

Fortschritte in KI‑Algorithmen, wie Sensortechnologien, Rechenleistung und vorausschauende Wartungslösungen, werden autonome Fahrzeuge weiter dabei unterstützen, ihre Herausforderungen zu bewältigen und eine breite Akzeptanz zu erlangen!

Hier klicken, um alles über Investitionen in künstliche Intelligenz zu erfahren.