Illustrated Car on Road.png

Wie Autonomes Fahren datengestützt zur Realität wird

90 Prozent der Menschen können sich aktuell nicht vorstellen, einem autonom fahrenden Fahrzeug komplett die Kontrolle zu übergeben. Vielmehr möchten sie jederzeit eingreifen können – das ergab eine Deloitte-Umfrage. Der Grund: Fehlendes Vertrauen in eine Technologie, die ohne den Menschen auskommt.

Ein Zukunftsprojekt für Mensch und Automobilherstellende. Denn Sicherheit und Vertrauen werden durch Tests und Training autonomer Fahrzeuge geschaffen, die eine Vielzahl von Daten und Informationen liefern. Um vollautonomes Fahren zu realisieren, braucht es daher vor allem eine gute Dateninfrastruktur.

Ein Paradigmenwechsel in der Mobilität, der OEMs zwingt, neue Geschäftsmodelle zu entwickeln.

Autonomes Fahren – wie funktioniert das? 

Vollautonomes Fahren klingt wie eine Zukunftsvision und ist dies auch – noch. Denn Fahrzeuge, die ohne aktive Fahrer:in auskommen, gibt es noch nicht im Straßenverkehr. Aber Vorstufen davon. Schon heute fahren moderne Autos teilautomatisiert, haben Spurhalteassistenten, halten einen vordefinierten Abstand zum voranfahrenden Fahrzeug und legen in vermeintlichen Notsituationen auch schon mal eine Vollbremsung hin.

Autonomes Fahren wird in fünf Level eingeteilt: Level fünf beschreibt das vollautonome Fahren, Level eins das assistierte Fahren. Moderne Fahrzeuge umfassen heutzutage Funktionen des Level zwei, denn sie fahren in einigen Punkten teilautomatisiert.

Doch wie schaffen es Fahrzeuge, diese Funktionen umzusetzen? Woher weiß das Auto, wo die Spur auf der Autobahn begrenzt ist oder wann es dringend notwendig ist, eine Vollbremsung zu absolvieren, ohne, dass der/die Fahrer:in diese einleitet?

Ganz einfach: Es hat diese Situationen trainiert, tausendfach.

Mit Training zum Ziel 

Autonomem Fahren – in jeglicher Ausprägung – liegen unfassbare Mengen an Daten zu Grunde. Daten aus dem Fahrzeug, aus der statischen Umgebung und dynamischen Situationen und Vorgängen. Diese Daten werden während spezifischer Testfahrten gesammelt. Wobei jede Testfahrt in der Regel nur für eines oder wenige spezifische Szenarien durchgeführt wird. Es braucht nicht viel Branchenkenntnis, um zu erahnen, wie viele Testfahrten absolviert werden müssen, um alle möglichen Szenarien zu verproben. Ein Ressourcenaufwand, den kaum ein Automobilherstellender leisten kann.

Eine Lösung muss her, dieses Training effizienter zu gestalten.

Wie erleichtern Datencluster die Auswertung? 

Ein bei führenden Automobilherstellenden verprobter Ansatz ist eine Plattformlösung. Auf einer Plattform sammeln die OEMs alle Daten, die während der Testfahrten anfallen. Klingt simpel. Tatsächlich haben Herstellende die Daten der Testfahrten lange Zeit dezentral gesammelt und gespeichert. Die Konsequenz: Die Analyse der Daten gestaltete sich schwierig.

Die Daten können über die Plattform aber auch geclustert werden. Diese Tatsache birgt großes Potenzial, denn Daten-Cluster erleichtern die Auswertung ungemein. Wieso?

Um den Vorteil von geclusterten Daten ausnutzen zu können, müssen sie penibel mit Metainformationen versehen werden. Es reicht nicht aus, die Sequenz allgemein zu benennen – beispielsweise Überholmanöver. Denn: In solch einem Testszenario stecken häufig viel mehr Manöver, die aber nicht im Vordergrund stehen. Zum Beispiel Bremsvorgänge oder Beschleunigungen.  Das Zielszenario ist also häufig nur ein kleiner Abschnitt in einer längeren Fahrt. Diese sollen aber ebenfalls erfasst werden.

Daten mit Machine Learning auswerten und Testfahrten reduzieren 

Das korrekte Labeln einzelner Szenen ist natürlich eine Herausforderung und zeitaufwändig. Aber schlussendlich ist es die einzige Möglichkeit, die unfassbar große Datenmenge beherrschbar zu machen und mit Algorithmen auszuwerten. Denn wir reden hier von einem Datenvolumen, dass mehrere Hundert Petabyte oder sogar einige Exabyte erreicht.

Machine-Learning-Algorithmen können so die Daten der Plattform beispielsweise mit externen Umgebungsdaten verknüpfen und Berechnungen anstellen. So können Informationen verschiedenster Sensoren kombiniert werden, um die Situation zu analysieren und Entscheidungen zu treffen. Eine Kombination aus Beschleunigungsinformationen der Räder, der Niederschlagsdetektion in der Scheibe, kombiniert mit Daten der Nah- und Fernfeldradars, können genutzt werden, um ein Überholmanöver zu erwägen, einzuschätzen und schlussendlich durchzuführen.

Und es gibt noch einen weiteren Vorteil: Mit einer Plattform, die alle Daten zentral sammelt und clustert, ist es möglich, die Anzahl der Testfahrten zu reduzieren. Auf diese Weise können OEMs große Summen an Zeit und Geld sparen. Denn, wieso sollten Bremsmanöver separat getestet werden, wenn alle wichtigen Daten dazu – nebenbei – schon in den Testfahrten zu Beschleunigungs- oder Abbiegemanövern gesammelt wurden.

johannes_mueller.png
"Plattformen können die Anzahl der Testfahrten drastisch reduzieren."
Johannes Müller, Manager Data Engineering

Was bedeutet diese Plattform für Autonomes Fahren? 

Diese Lösung – eine Plattform, auf der OEMs zentral Daten sammeln und auswerten – ist unerlässlich, um das Autonome Fahren voranzubringen. Denn nur mit einer großen Menge an Daten ist es überhaupt möglich, Autonomes Fahren zu trainieren. Autonomes Fahren wäre dann am Ende schlicht und einfach nicht wirtschaftlich, da zu viel Zeit und somit auch Geld für Testfahrten, Datenspeicherung und -analyse benötigt würde.

Die Voraussetzung dafür, dass solch eine Plattformlösung, den gewünscht Fortschritt bringt, sind vielfältig. Besonders wichtig ist, dass sie sehr stark skalierbar sein muss, um die enormen Datenmengen bewerkstelligen zu können. Und natürlich ist die korrekte Architektur essenziell. Denn solch eine Plattform hat mehrere Zielgruppen: Somit müssen zum einen Data Scientists gut mit ihr arbeiten können. Aber auch andere Nutzer:innen wie Engineers, die nicht den ganzen Tag mit Daten hantieren, müssen während der Konzeption in Hinblick auf die Usability bedacht werden.

Schlechte Plattformarchitektur hat noch einen weiteren ganz entscheidenden Nachteil: Sie ließe Kosten in die Höhe schießen – da ohne gute Clusterung keine guten Analysen möglich wären.

Mit autonomen Fahrzeugen kommen neue Geschäftsmodelle

Neben der Strukturierung und Nutzbarmachung von riesigen Datenbergen stehen OEMs im Bezug auf das Autonome Fahren noch vor weiteren Herausforderungen. Denn die fortschreitende Autonomisierung ändert Expert:innenmeinung zufolge auch das Nutzer:innenverhalten in Bezug auf Fahrzeuge stark.

Schon jetzt gibt es Debatten zu neuen Mobilitätskonzepten – vor allem im urbanen Raum. Sollte man Autos oder Fahrräder besitzen oder lieber bei Bedarf temporär mieten? Diese Fragen stellen sich bei autonomen Autos besonders. Denn hier rückt nicht das Fahren selbst, sondern die Fortbewegung in den Fokus. Das hat langfristig Einfluss auf den Kund:innenkreis der OEMs. Die Folge: Nicht Privatpersonen, sondern Fuhrparkbetreibende rücken in den Mittelpunkt.

Was bedeutet das für Automobilherstellende? Parallel zur Entwicklung der Fahrzeuge gilt es für sie, auch ihre Wertschöpfungskette zu challengen und neue Geschäftsmodelle zu entwickeln.

Hello World!

  • Smart_Building.png

    Smart Buildings – Gekommen um zu bleiben?

    Smart Buildings leben von Daten. Wo diese herkommen und wie sie den Alltag in Smart Buildings erleichtern können, erfahrt ihr heute auf dem Blog.

    Mehr erfahren

  • hero_mercedes-me.jpg

    Mit Mercedes-Benz zum Connected Car

    Mit den Mercedes me connect Features zur neuen User Experience

    Mehr erfahren

  • H2.2.png

    Trend-Check: Der Weg zu grünem Wasserstoff

    Ist grüner Wasserstoff die Lösung auf unser Energieproblem? Fünf Energieexperten von Exxeta standen uns zu dieser Frage Rede und Antwort.

    Mehr erfahren