Das Rennen um das autonome Fahren ist in vollem Gange und beschäftigt die Entwicklungsabteilungen der Automobil- und der IT-Industrie gleichermaßen.
. In diesem Beitrag werden eine Reihe von Innovationen zur Entwicklung und Absicherung automatisierter Fahrfunktionen vorgestellt: Erweiterungen des sogenannten V-Modells, skalierte agile Methoden, Model-based Systems Engineering und der datengetriebene Entwicklungsprozess.
Elon Musk sagte 2014, dass die Technologie für komplett eigenständig fahrende Fahrzeuge in fünf bis sechs Jahren vorhanden sein werde, was eine Serienreife ab 2020 nahelegt. Heutiger Stand ist: Mit Adaptive Cruise Control, Parkassistenten oder Staupiloten sind mittlerweile erste Fahrzeuge verfügbar, die automatisiertes Fahren auf Level 3 möglich machen. Level 3 bedeutet: Das Auto übernimmt für bestimmte Situationen die Kontrolle, der Fahrer muss aber jederzeit eingreifen können. Das bedeutet jedoch nicht das Ende der Fahnenstange, denn die Automotive-OEMs arbeiten mit Hochdruck an der Entwicklung weiterer Funktionen für das autonome Fahren.
Fahrerassistenzsysteme (Advanced Driver Assistance Systems, ADAS) für das autonome Fahren erfordern die Integration mehrerer neuer Komponenten in das Fahrzeug – allen voran Sensoren: Die Augen und Ohren eines menschlichen Fahrers werden im selbstfahrenden Auto durch Sensorik ersetzt. Sensoren ermöglichen es, ein Bild der Umgebung zu generieren. Um auch bei Defekten und ungünstigen Umweltbedingungen wie Regen und Schnee eine Abbildung des Fahrzeugumfelds zu erhalten, ist eine redundante Auslegung der Sensoren erforderlich. Mit der Kombination mehrerer Sensortypen (Lidar, Radar, Kameras, Ultraschall) und der Fusion der erzeugten Sensordaten wird es möglich, das Umfeld sehr zuverlässig zu erfassen und entsprechend das Fahrverhalten des autonomen Fahrzeugs abzuleiten.
Die Verarbeitung der Sensordaten umfasst neben der Datenfusion insbesondere das Erkennen der Umwelt und die Ableitung entsprechender Fahrentscheidungen. Dazu werden leistungsfähige Rechner mit vorab trainierten neuronale Netze genutzt (Stichwort: maschinelles Lernen).
Die Sensordaten können an ein IT-Backend-System übertragen, dort verarbeitet und dann wieder an das Fahrzeug zurückgesendet werden. Dies eröffnet neue Möglichkeiten, zum Beispiel die Zusammenführung der generierten Daten mit zusätzlichen, durch weitere Fahrzeuge in der Umgebung zeitgleich gesammelten Daten.
Eine weitere Komponente sind hochpräzise, dynamische Echtzeitkarten. Sie steuern das Fahrzeug mit einer Genauigkeit im Dezimeterbereich und sind unverzichtbar für das autonome Fahren, da sie eine Vorhersage der Steuerung über die Reichweite der Sensoren hinaus erlauben. Echtzeitkarten finden die bestmögliche Route und enthalten aktuelle Daten über Verkehrsregeln, Straßenschilder, mögliche Hindernisse oder Straßenverhältnisse.
...