Autonomous Vehicles

Autonome Fahrzeuge (AVs), häufig auch als selbstfahrende Fahrzeuge bezeichnet, nutzen Sensoren und künstliche Intelligenz (AI), um ihre Umgebung wahrzunehmen, das Verhalten anderer Verkehrsteilnehmender vorherzusagen, eine Route zu planen sowie zu lenken, zu beschleunigen und zu bremsen – ganz ohne menschliche Fahrerin oder menschlichen Fahrer. Der Begriff umfasst ein breites Spektrum: von Autos, die mit Aufsicht durch eine Person die Spur auf der Autobahn halten, bis hin zu Robotaxis ohne Person am Steuer. Fahrdienste ohne Fahrer sind inzwischen kommerziell verfügbar: Waymo, das 2020 in Phoenix vollständig fahrerlose Fahrten für die Öffentlichkeit einführte, befördert zahlende Fahrgäste in mindestens zehn US-amerikanischen Ballungsräumen. Baidus Apollo Go betreibt fahrerlose Robotaxis in chinesischen Städten wie Wuhan. Verbraucherfahrzeuge bieten größtenteils Fahrassistenzsysteme, die eine ständige menschliche Überwachung erfordern. Sie sind nach wie vor die verbreitetste Form von KI in der Automobilindustrie.

So funktionieren autonome Fahrzeuge#

Ein autonomes Fahrsystem wiederholt dieselbe Verarbeitungskette viele Male pro Sekunde:

• Sensorik: Kameras erfassen Fahrbahnmarkierungen, Schilder und Ampeln. LiDAR misst mithilfe von Laserimpulsen präzise 3D-Entfernungen. Radar misst Entfernung und Geschwindigkeit und funktioniert auch bei Nebel und Regen. GNSS, Trägheitssensoren und Raddrehzahlsensoren verfolgen die Eigenbewegung des Fahrzeugs.
• Wahrnehmung: Neuronale Netze erkennen, klassifizieren und verfolgen jedes Auto, Fahrrad und jede zu Fuß gehende Person. Sie erfassen Fahrspuren und befahrbare Bereiche und schätzen Entfernungen.
• Vorhersage: Das System sagt voraus, wohin sich die einzelnen Verkehrsteilnehmenden in den nächsten Sekunden wahrscheinlich bewegen werden, oft anhand mehrerer möglicher Trajektorien mit Wahrscheinlichkeiten.
• Planung: Ein Planer wählt eine Route und Geschwindigkeit, mit denen das Fahrzeug vorankommt, die Verkehrsregeln einhält und einen Sicherheitsabstand zu allen vorhergesagten Trajektorien wahrt.
• Regelung: Ein untergeordneter Regler setzt den Plan in Lenk-, Gas- und Bremsbefehle um.

Kein einzelner Sensor funktioniert unter allen Bedingungen. Deshalb kombiniert die Sensorfusion mehrere Sensoren. Die Wahrnehmung stützt sich auf Objekterkennung, die semantische Segmentierung von Straßen, Gehwegen und Vegetation, die 3D-Objekterkennung in LiDAR-Punktwolken und die Mehrfachobjektverfolgung. Kamerabasierte Systeme ermitteln Entfernungen mithilfe der Tiefenschätzung und des stereoskopischen Sehens. Regler zur Routenverfolgung verwenden häufig die modellprädiktive Regelung, um die geplante Trajektorie innerhalb der Lenk- und Beschleunigungsgrenzen einzuhalten. Öffentliche Datensätze wie KITTI und Argoverse stellen annotierte Fahrdaten für das Training und Benchmarking dieser Modelle bereit.

Verkehrsteilnehmende mit Code verfolgen#

Für Vorhersagen muss die Bewegung aller Verkehrsteilnehmenden ermittelt werden. Daher muss die Wahrnehmung jedes Objekt von Bild zu Bild unter einer stabilen Identität verfolgen. Ultralytics YOLO26 übernimmt dies im Tracking-Modus und versieht jeden erkannten Begrenzungsrahmen mit einer persistenten ID. Dieses Beispiel verfolgt Fußgängerinnen und Fußgänger in einem Video von vorbeigehenden Menschen:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Track pedestrians (COCO class 0) across video frames, keeping one ID per person
video = "https://github.com/ultralytics/assets/releases/download/v0.0.0/decelera_portrait_min.mov"
results = model.track(source=video, classes=[0], stream=True)

ids_seen = set()
for result in results:
    if result.boxes.is_track:
        ids_seen.update(result.boxes.id.int().tolist())

print(f"Unique pedestrians tracked: {len(ids_seen)}")

Das Beispiel gibt aus, wie viele unterschiedliche Personen während des Clips eine ID erhalten haben. Jede ID verknüpft die Begrenzungsrahmen einer Person über mehrere Bilder hinweg. Die Positionsänderung eines Begrenzungsrahmens von Bild zu Bild bildet den Bewegungsverlauf, den ein Vorhersagemodul extrapoliert.

Modulares und durchgängiges autonomes Fahren#

Herkömmliche Software für autonome Fahrzeuge ist modular aufgebaut: Separate, unabhängig getestete Komponenten übernehmen Wahrnehmung, Vorhersage, Planung und Regelung. Sie sind über von Hand entworfene Schnittstellen wie Listen verfolgter Objekte verbunden. Durchgängige Systeme ersetzen den Großteil dieser Verarbeitungskette durch ein einziges neuronales Netz, das Sensordaten einer Trajektorie zuordnet und anhand großer Mengen menschlicher Fahrdaten mit Verhaltensklonen trainiert wird. Tesla stellte seine Fahrassistenzsoftware FSD (Supervised) 2024 mit Version 12 auf ein durchgängiges neuronales Netz um. Das Forschungsmodell UniAD, das Wahrnehmung, Vorhersage und Planung in einem auf Planung optimierten Netz verbindet, gewann den Preis für die beste Arbeit auf der CVPR 2023. Viele Systeme im Produktivbetrieb liegen zwischen diesen beiden Ansätzen: Ihre gelernten Module werden gemeinsam trainiert, liefern aber weiterhin interpretierbare Ergebnisse, die Ingenieurinnen und Ingenieure prüfen können.

Simulationen übernehmen einen großen Teil der Validierung, da sich seltene Ereignisse nicht gezielt sammeln lassen. Ein mit Flottendaten trainiertes Weltmodell, etwa das im Februar 2026 angekündigte Waymo World Model, erzeugt realistische Kamera- und LiDAR-Daten für Szenarien, die von der Flotte noch nie aufgezeichnet wurden. Bestärkendes Lernen in der Simulation hilft Planern außerdem, mit Situationen umzugehen, die in menschlichen Fahrdaten kaum vorkommen.

Stufen der Fahrautomatisierung#

Die Norm SAE J3016, die 2021 gemeinsam mit ISO überarbeitet wurde, definiert sechs Stufen der Fahrautomatisierung. Die Stufen 0 bis 2 umfassen Fahrerassistenzfunktionen: Der Mensch fährt und muss jederzeit aufmerksam bleiben, auch wenn die Füße nicht auf den Pedalen und die Hände nicht am Lenkrad sind. Die Stufen 3 bis 5 umfassen automatisierte Fahrsysteme, die das Fahrzeug selbst steuern – zumindest innerhalb ihres festgelegten Einsatzbereichs, also auf den Straßen, bei den Geschwindigkeiten und unter den Bedingungen, für die sie entwickelt wurden:

Freihändige Autobahnsysteme wie GM Super Cruise gehören zur Stufe 2, da die Fahrerin oder der Fahrer die Straße weiterhin beobachten muss. Mercedes-Benz Drive Pilot ist ein für bestimmte Autobahnen in Deutschland, Kalifornien und Nevada zugelassenes System der Stufe 3. Dabei darf die fahrende Person den Blick von der Straße abwenden, muss aber auf Aufforderung übernehmen. Die Robotaxis von Waymo gehören zur Stufe 4 und fahren innerhalb kartierter Betriebsgebiete ohne Fahrer. Fahrzeuge der Stufe 5, die überall fahren können, wo auch ein Mensch fahren könnte, gibt es derzeit nicht.

Anwendungen in der Praxis#

• Robotaxis: Waymo, Baidu Apollo Go und andere Unternehmen befördern Fahrgäste ohne Sicherheitsfahrerin oder Sicherheitsfahrer an Bord in festgelegten Betriebsgebieten. Mitarbeitende an einem entfernten Standort können Fragen des Fahrzeugs beantworten.
• Gütertransport: Aurora transportiert seit 2025 mit fahrerlosen Lkw Fracht für Kunden zwischen Dallas und Houston. Die Autobahnstrecken eignen sich für die Automatisierung, da das Fahren dort gleichmäßig und vorhersehbar verläuft.
• Fahrassistenz: Adaptive Geschwindigkeitsregelung, Spurzentrierung und automatische Notbremsung nutzen dieselben Arten von Wahrnehmungsmodellen wie autonome Fahrzeuge. Millionen Verbraucherfahrzeuge verfügen über solche Funktionen, häufig ergänzt durch Innenraumkameras, die die Aufmerksamkeit der fahrenden Person überprüfen.
• Industriefahrzeuge: Autonome Muldenkipper in Bergwerken, Hofschlepper und Gabelstapler in Lagerhäusern fahren auf privaten Geländen, auf denen Routen und Verkehr geregelt sind.

Autonome Fahrzeuge und verwandte Begriffe#

• Erweiterte Fahrerassistenzsysteme (ADAS): Funktionen der Stufen 0 bis 2 unterstützen eine menschliche Fahrerin oder einen menschlichen Fahrer, die oder der weiterhin für das Fahren verantwortlich ist. Ein autonomes Fahrzeug im engeren Sinne übernimmt die gesamte Fahraufgabe selbst.
• Vernetzte Fahrzeuge (V2X): Fahrzeuge, die Daten untereinander und mit der Infrastruktur austauschen, etwa mit Ampeln. Ein Auto kann vernetzt sein, ohne automatisiert zu fahren. Durch die Vernetzung kann ein autonomes Fahrzeug seine Sicht über die eigenen Sensoren hinaus erweitern.
• Fernunterstützung und Fernsteuerung: In der Überarbeitung von 2021 unterscheidet SAE zwischen beiden Begriffen. Eine fernunterstützende Person gibt einem fahrerlosen Fahrzeug Empfehlungen, etwa die Bestätigung, dass es an einem liegen gebliebenen Lkw vorbeifahren darf. Das Fahrzeug fährt dabei selbst weiter. Eine fernsteuernde Person steuert das Fahrzeug dagegen direkt aus der Ferne.
• Physische KI und Robotik: Ein autonomes Fahrzeug ist ein auf öffentliche Straßen spezialisiertes mobiles Robotersystem und die größte kommerzielle Anwendung physischer KI. Seine Methoden zur Wahrnehmung und Planung werden auch bei Lagerrobotern, Drohnen und humanoiden Robotern eingesetzt.