Autonome Fahrzeuge

Kerntechnologien für Autonomie

Die Fähigkeit eines autonomen Fahrzeugs, sicher zu fahren, hängt von einer Reihe integrierter Technologien ab, die in erster Linie von KI und ML, insbesondere Deep Learning (DL), angetrieben werden.

• Computer Vision (CV): Dies ist die Grundlage dafür, dass AVs die Welt "sehen" und interpretieren können. Kameras erfassen visuelle Daten, die mit CV-Algorithmen verarbeitet werden, um Fahrspuren, Verkehrsschilder, Fußgänger, andere Fahrzeuge und Hindernisse zu erkennen.
• Objekterkennung: Eine wichtige CV-Aufgabe, bei der die Modelle Objekte im Sichtfeld des Fahrzeugs identifizieren und lokalisieren, wobei häufig ein Begrenzungsrahmen um jedes erkannte Objekt gezeichnet wird. Hochmoderne Modelle wie Ultralytics YOLO11 werden häufig wegen ihrer Echtzeit-Inferenzfähigkeiten verwendet, die für schnelle Reaktionen entscheidend sind. Sie können Vergleiche zwischen verschiedenen YOLO-Modellen anstellen, um deren Entwicklung zu verstehen.
• Sensor Suite: AVs verwenden in der Regel mehrere Sensortypen:
  • Kameras: Liefern reichhaltige visuelle Informationen.
  • LiDAR (Light Detection and Ranging): Verwendet Laserimpulse, um detaillierte 3D-Karten der Umgebung zu erstellen, die bei unterschiedlichen Lichtverhältnissen wirksam sind.
  • Radar (Radio Detection and Ranging): Verwendet Radiowellen, um Objekte zu erkennen und ihre Geschwindigkeit zu messen, zuverlässig bei schlechtem Wetter wie Regen oder Nebel.
• Sensor-Fusion: Algorithmen kombinieren Daten von verschiedenen Sensoren (Kameras, LiDAR, Radar, GPS, IMUs), um ein umfassendes und robustes Verständnis der Umgebung zu schaffen. Dadurch werden die Einschränkungen eines einzelnen Sensortyps überwunden.
• Pfadplanung: KI-Algorithmen bestimmen die sicherste und effizienteste Route und unmittelbare Flugbahn auf der Grundlage der wahrgenommenen Umgebung, des Ziels, der Verkehrsregeln und der Fahrzeugdynamik. Dies beinhaltet komplexe Entscheidungsprozesse.
• Steuerungssysteme: Sie setzen den geplanten Weg in physische Aktionen wie Lenken, Beschleunigen und Bremsen um und verwenden dabei häufig Prinzipien aus der Robotik.

Stufen der Fahrautomatisierung

Um die Fähigkeiten zu standardisieren, definiert SAE International sechs Stufen der Fahrautomatisierung, von Stufe 0 (keine Automatisierung) bis Stufe 5 (vollständige Automatisierung, kein menschlicher Fahrer unter allen Bedingungen erforderlich). Viele aktuelle Fahrerassistenzsysteme (ADAS) fallen in die Stufen 1 und 2. Unternehmen, die vollständig autonome Systeme entwickeln, streben häufig Stufe 4 (hohe Automatisierung innerhalb bestimmter Betriebsbereiche, wie z. B. geofened urban areas) oder Stufe 5 an.

Reale AI/ML-Anwendungen in autonomen Fahrzeugen

Autonome Fahrzeuge sind nicht nur ein futuristisches Konzept, sondern werden bereits aktiv entwickelt und eingesetzt, um die Leistungsfähigkeit der KI in komplexen, realen Szenarien zu demonstrieren.

1. Robotaxi-Dienste: Unternehmen wie Waymo (im Besitz der Google-Muttergesellschaft Alphabet) und Cruise (mehrheitlich im Besitz von GM) bieten in begrenzten Gebieten vollständig autonome Ride-Hailing-Dienste an. Ihre Fahrzeuge nutzen hochentwickelte künstliche Intelligenz für die Wahrnehmung(mithilfe von Objekterkennung und -segmentierung), die Vorhersage des Verhaltens anderer Verkehrsteilnehmer und die Navigation durch komplexe städtische Umgebungen. Diese Systeme lernen und verbessern sich kontinuierlich auf der Grundlage der während des Betriebs gesammelten Daten, ein Kernprinzip des maschinellen Lernens (MLOps). Weitere Erkenntnisse finden sich in den Diskussionen über KI in selbstfahrenden Autos.
2. Gefahrenerkennung und -vermeidung: AVs müssen unerwartete Gefahren auf der Straße erkennen und auf sie reagieren. Beispielsweise können Modelle zur Objekterkennung mithilfe von Plattformen wie Ultralytics HUB individuell trainiert werden, um Schlaglöcher, Trümmer oder Baustellen zu erkennen. Ein Beispiel ist die Verwendung von YOLO-Modellen zur Erkennung von Schlaglöchern, so dass die KI des Fahrzeugs einen sicheren Weg um das Hindernis herum planen oder das System warnen kann. Diese Anwendung verdeutlicht den Bedarf an hoher Genauigkeit und geringer Latenz bei der Erkennung.

Entwicklung und Ausbildung

Die Entwicklung von AVs erfordert strenge Tests und Validierungen, oft unter Verwendung großer Datensätze wie COCO oder spezieller Fahrdaten wie Argoverse. Das Training der zugrunde liegenden Deep-Learning-Modelle erfordert erhebliche Rechenressourcen(GPUs, TPUs) und Frameworks wie PyTorch oder TensorFlow. Simulationsumgebungen spielen eine entscheidende Rolle beim sicheren Testen von Algorithmen in unzähligen Szenarien, bevor sie in der realen Welt eingesetzt werden. Der Einsatz von Modellen umfasst oft Optimierungstechniken wie Quantisierung und spezielle Hardwarebeschleuniger(Edge AI-Geräte, NVIDIA Jetson). Der gesamte Lebenszyklus profitiert von robusten MLOps-Verfahren zur kontinuierlichen Verbesserung und Überwachung.