Künstliche Intelligenz (KI) für autonomes Fahren
Mit KI am Steuer autonomer Fahrzeuge wird der Traum vom autonomen Fahren von Science-Fiction zur Realität. Wir bei Vention treiben diese Trendwende in der Branche voran, indem wir bahnbrechende Innovationen im Bereich KI-gestützter Automobillösungen entwickeln, die Kraftstoffeffizienz verbessern und eine nahtlose Integration verschiedener Systeme ermöglichen.
KI für autonome Fahrzeuge: Statistiken und Trends
Der Markt für Automobilsoftware wächst rasant und es gibt keine Anzeichen für eine Verlangsamung im nächsten Jahrzehnt. Mit einem Marktvolumen von 19,0 Milliarden US-Dollar im Jahr 2023 wird der globale Markt bis 2030 voraussichtlich 32,3 Milliarden US-Dollar erreichen, was einem durchschnittlichen jährlichen Wachstum von 7,8 Prozent entspricht.
Dieses Wachstum wird durch das steigende Interesse an fortschrittlichen Fahrassistenzsystemen und autonomen Fahrzeugen ausgelöst, die durch innovative KI-Technologien angetrieben werden.
Der globale Marktüberblick für Automotive-Software
Marktgröße
Marktgröße
Prognostizierte Marktgröße
Prognostizierte Marktgröße
Laut einer anderen Studie wird es prognostiziert, dass der Markt für KI-getriebene Software in der Automobilbranche weltweit von 4,29 Milliarden Dollar im Jahr 2023 auf 25,78 Milliarden Dollar im Jahr 2030 ansteigen wird.
Der globale Markt für KI im Automobilsektor
Marktvolumen
Marktvolumen
Prognostiziertes Marktvolumen
Prognostiziertes Marktvolumen
McKinsey prognostiziert außerdem, dass Fahrzeuge der Stufe 4 – hochautomatisierte, “fahrerlose" Fahrzeuge – bis 2030 kommerziell nutzbar sein werden, während vollautomatisierte, fahrerlose Autos und Lastwagen der Stufe 5 wahrscheinlich zwischen 2029 und 2032 auf den Markt kommen werden.
Bis 2030 könnte das Marktvolumen der weltweiten Automobilindustrie im Bereich Software sowie elektrische und elektronische Bauteile sogar einen Umsatz von 80 Milliarden US-Dollar übersteigen, was lukrative Möglichkeiten für Erstausrüster (OEMs), Zulieferer und Technologieanbieter bietet.
Führende Unternehmen der Branche reagieren auf diese Trends mit neuen Initiativen und Investitionen.
Volkswagen beispielsweise startete 2023 sein erstes Testprogramm für autonome Fahrzeuge in Austin und strebt in den USA eine Markteinführung bis 2026 an und Ford gründete im März 2023 das Unternehmen Latitude AI, um automatisierte Fahrsysteme zu entwickeln, bei denen weder die Hände noch die Augen des Fahrers benötigt werden.
Trotz einer gewissen Skepsis hinsichtlich der Sicherheit autonomer Fahrsysteme machte die Bundesregierung im Jahr 2021 den Weg zum autonomen Fahren frei. Prinzipiell können auch hier vollautomatisierte Fahrzeuge der Automatisierungsstufen 4 und 5 zugelassen werden. Als Vorreiter erwies sich im Jahr 2021 Mercedes, denen es gelang, eine Zulassung der Stufe 3 zu erlangen, was unter anderem ein automatisiertes Fahren auf Autobahnen (bis 60 km/h) erlaubt. Umfragen des Branchenverbandes Bitkom fanden zudem heraus, dass auch die deutsche Bevölkerung KI-Systemen in autonomen Fahrzeugen zutraut, für mehr Sicherheit, einen besseren öffentlichen Verkehr und insgesamt umweltfreundlicheren Verkehr zu sorgen. Die Befragten gehen zudem davon aus, dass sich das autonome Fahren in den nächsten zwanzig Jahren vollständig durchsetzen wird.
Autonomes Fahren: Was steckt unter der Haube?
Selbstfahrende Autos nutzen eine Vielzahl von Technologien, um ein vernetztes System zu schaffen, das in der Lage ist, mit minimalen menschlichen Interventionen den Verkehr auf den Straßen zu regeln.
Der Denker: KI und ML
Die Kombination autonomes Fahren und Künstliche Intelligenz (KI) beziehungsweise Machine Learning (ML) ist eine untrennbare Verbindung. Da das autonome Fahren vollständig auf der KI/ML-Technologie beruht, die die menschliche Entscheidungsfindung widerspiegelt, könnte es ohne KI nicht existieren. Autonome Fahrzeuge (AFs) verwenden ML-Algorithmen, um Eingaben von verschiedenen Sensoren und Kameras an Bord zu verarbeiten, sodass das Fahrzeug seine Umgebung verstehen kann. Dieser Prozess erkennt nicht nur sich bewegende Objekte, sondern prognostiziert auch mögliche Veränderungen in der Umgebung.
Die Fähigkeit, Situationen vorauszusehen und sicher darauf zu reagieren, unterscheidet KI in selbstfahrenden Autos von einfacheren Formen der Automatisierung, wie Einparkhilfen, dem Spurassistenten, einer Motor- oder Bremssteuerung.
Die Beobachter: Kameras und Sensoren
Autonome Fahrzeuge sind mit verschiedenen Sensoren ausgestattet, die umfassende Informationen über ihre Umgebung liefern:
-
LiDAR-Sensoren (Light Detection and Ranging) eignen sich hervorragend für die Erstellung von 3D-Karten, indem sie Lichtimpulse aussenden und deren Rückkehrzeit nach dem Auftreffen auf nahe gelegene Objekte messen.
-
Radar nutzt Radiowellen, um die Entfernung und Geschwindigkeit von Objekten in der Umgebung des Fahrzeugs bei unterschiedlichen Wetterbedingungen zu ermitteln.
-
Kameras bieten die nötige Sehschärfe, um detaillierte Informationen zu erfassen, z. B. Straßenschilder, Ampeln, Fahrbahnmarkierungen sowie das Verhalten anderer Fahrer.
Gemeinsam können diese Sensoren mehr als nur sehen – sie nehmen die Welt wahr. Durch die Bereitstellung sich überschneidender und ergänzender Daten wird außerdem sichergestellt, dass autonome Fahrzeugsysteme über redundante Informationen verfügen, um in Sekundenbruchteilen sicher Entscheidungen treffen zu können.
Der Dolmetscher: Computer Vision
Die in die Fahrzeugsoftware integrierte Computer Vision-Technologie (CV) ermöglicht es den Fahrzeugen, Hinweise ähnlich wie menschliche Fahrer zu interpretieren. Mithilfe fortschrittlicher Bildverarbeitungsalgorithmen können AFs Verkehrszeichen, Signale, Fahrbahnmarkierungen und Gesten von anderen Fahrern oder Fußgängern erkennen. Diese Fähigkeit ist entscheidend, um sich in komplexen Verkehrssituationen zurechtzufinden und die Verkehrsregeln einzuhalten.
Das Navigationsgerät: GPS
Ausgestattet mit detaillierten Kartendaten zeichnet die GPS-Technologie mit bemerkenswerter Präzision die Routen für autonome Fahrzeuge auf. Das Navigationssystem sorgt dafür, dass der gewählte Weg immer effizient ist, indem es Variablen wie den Verkehrsfluss, den Straßenzustand und aktuelle Bauarbeiten in Echtzeit berücksichtigt.
Der Synthesizer: Sensor-Fusion
In der anspruchsvollen Umgebung des Straßenverkehrs ist die Verfügbarkeit zuverlässiger Daten von entscheidender Bedeutung. Die Sensorfusion kombiniert Informationen von verschiedenen Sensoren, um eine zusammenhängende, einheitliche und zuverlässige Wahrnehmung der Umgebung zu erschaffen.
Dieser Prozess verbessert die sensorische Genauigkeit und minimiert Informationslücken, sodass der Ausfall eines Sensors durch andere Sensoren kompensiert werden kann und der Bereich um das Fahrzeug herum vollständig abgedeckt bleibt.
Der Kommunikator: Alles ist verbunden
Durch den Einsatz der Vehicle-to-Everything-Kommunikation (V2X) können autonome Fahrzeuge ihre Umgebung nicht nur über die in den Fahrzeugen eingebauten Sensoren erfassen, sondern sich mit anderen intelligenten Systemen vernetzen. Diese Technologie ermöglicht es den Fahrzeugen, Daten untereinander, mit der Straßeninfrastruktur und sogar mit den intelligenten Geräten der Fußgänger auszutauschen. Wie beim Internet der Dinge (IoT) können die Fahrzeuge und ihre Umgebung miteinander "sprechen". Jedes AF wird damit Teil eines größeren Netzwerks und die kollektive Intelligenz verbessert die Gefahrenanalyse, die Vorhersagegenauigkeit und damit die Sicherheit beträchtlich.
Die Steuerung: Systeme übernehmen das Fahren
Hochentwickelte Sensoren und KI-Analysen sind wirkungslos ohne die Fähigkeit zu handeln. Deshalb übersetzen Kontrollsysteme die komplexen Daten in präzise Lenk-, Brems- und Beschleunigungsbewegungen.
Sie sind als das letzte Glied in der Kette darauf ausgelegt, Entscheidungen mit äußerster Präzision auszuführen und sicherzustellen, dass das Fahrzeug in Echtzeit angemessen auf die wechselnden Verkehrsbedingungen reagiert.
Der Validator: Simulations- und Testplattformen
Vor dem Einsatz in der realen Welt werden autonome Fahrzeuge in virtuellen Umgebungen ausgiebig getestet. Durch die Nachbildung verschiedener Fahrszenarien, einschließlich simulierter Gefahren, garantieren diese ausfallsicheren Testplattformen, dass jedes System unter extremen Bedingungen optimal funktioniert und angemessen reagiert.
Die Rolle der Künstlichen Intelligenz in autonomen Fahrzeugen
KI-Kernkomponenten in autonomen Fahrzeugen
Maschinelles Lernen und Deep Learning
Maschinelles Lernen (ML) und Deep Learning (DL) bilden die Grundlage für die Intelligenz des autonomen Fahrens. Diese Technologien ermöglichen es der Fahrzeugsoftware, riesige Mengen an Informationen von Sensoren und Kameras zu verarbeiten, um Objekte zu erkennen, Verhalten vorherzusagen und angemessen zu reagieren. ML-Algorithmen werden mit sehr großenDatensätzen trainiert, um Muster zu erkennen und Ergebnisse vorherzusagen.
Im Bereich des autonomen Fahrens zeichnet sich DL – eine fortschrittlichere Form des ML – durch die Verarbeitung eines breiteren Spektrums von Datenquellen, einschließlich unstrukturierter Daten, aus. So können die Notwendigkeit menschlicher Eingriffe minimiert und die präzisesten Ergebnisse geliefert werden. Durch den Einsatz neuronaler Netze verarbeitet DL Daten über mehrere Neuronen-Schichten, die nach und nach relevante Datenmerkmale identifizieren.
Computer Vision
Eine weitere Schlüsseltechnologie der Künstlichen Intelligenz, die das Herzstück des autonomen Fahrens bildet, ist die Computer Vision. Wie menschliche Augen können Autos mit Hilfe von Computer Vision (CV) die Umgebung "sehen" bzw. eine Repräsentation der physischen Umgebung erschaffen.
Mithilfe von CV können selbstfahrende Fahrzeuge Verkehrssignale interpretieren, Straßenmarkierungen lesen und die Bewegungen von Objekten in der Umgebung verfolgen. Dieses Verständnis ist für sichere Fahrten im Straßenverkehr von entscheidender Bedeutung, da es die Fahrzeuge in die Lage versetzt, auf wechselnde Verkehrsbedingungen zu reagieren, Gefahren zu erkennen und in Echtzeit sichere Fahrentscheidungen zu treffen.
Datenanalyse und Entscheidungsfindung
Autofahren erfordert ständige Konzentration, schnelle Reaktionen und unmittelbare Entscheidungen. Eine Technologie, die den menschlichen Fahrer ersetzen soll, muss in diesen Bereichen ausgezeichnete Ergebnisse liefern. Bereits heutige KI-Systeme treffen Tausende von wichtigen Entscheidungen pro Kilometer, wie das Anhalten für Fußgänger oder die Anpassung der Geschwindigkeit an veränderte Straßenbedingungen und zeigen sich der Aufgabe gewachsen.
Durch den Einsatz einer Kombination aus neuronalen Netzwerken zur Erkennung komplexer Fahrsituationen und regelbasierter Logik für spezifische Reaktionen (Wenn-dann-Regeln) können AFs sicher Kreuzungen passieren, Hindernissen ausweichen und sich effizient und konsequent an unerwartete Situationen anpassen.
Lernen und Anpassung
Die Fähigkeit von ML-Algorithmen, aus neuen Daten und Erfahrungen kontinuierlich zu lernen und sich anzupassen, ist die Grundlage für intelligente Automobilsoftware und die Möglichkeit autonomer Fahrsysteme überhaupt. Im Gegensatz zu den meisten Menschen, die nur ungern aus Fehlern der Vergangenheit lernen, lernt und verfeinert die KI ständig dazu und wird dadurch immer effizienter und sicherer.
Die Wartung und Aktualisierung der verwendeten ML-Modelle sorgen dafür, dass die Software für autonome Fahrzeuge ihren Aufgaben gewachsen bleibt. Dies hilft ihr, sich an veränderte Straßenbedingungen, neue Technologien und weitere unvorhergesehene Herausforderungen anzupassen und garantiert größtmögliche Zuverlässigkeit.
Sicherheit und Zuverlässigkeit
Sicherheit und Zuverlässigkeit sind beim Autofahren das A und O und spielen daher auch für autonome Fahrzeuge die entscheidende Rolle. KI-Software für Fahrzeuge ist so konzipiert, dass sie verschiedene Szenarien mit redundanten, ausfallsicheren Systemen bewältigen kann, um Unfälle zu vermeiden. Durch die ständige Überwachung der Umgebung und die Anpassung an sich ändernde Bedingungen, wie plötzlich auftauchende Hindernisse oder schlechtes Wetter, gewährleistet KI, dass autonome Fahrzeuge sichere und nützliche Teilnehmer des Straßenverkehrs sein können.
Kritiker argumentieren allerdings, dass KI-Systeme noch zu fehleranfällig seien, und plädieren dafür, zunächst einen aussagekräftigen Führerscheintest zu entwickeln, bevor komplett autonomes Fahren auf deutschen Straßen zugelassen wird. Erst wenn die KI Zulassungsanforderungen wie Sicht- und Leistungstests ähnlich derjenigen für menschliche Fahrer erfülle, könne man robuste und zuverlässige autonome Fahrsysteme gewährleisten.
Sind Sie bereit für den Weg in eine fahrerlose Zukunft?
Was unsere Experten sagen
Makhmudjon Sodikov
Engineering Manager für Maschinelles Lernen bei Vention
Was unsere Experten sagen
Mit gut trainierter KI können wir autonome Fahrzeuge in hohem Maße reaktionsfähig für unterschiedliche Straßenverhältnisse und damit sicherer und auch effizienter machen.
Stellen Sie sich ein Auto vor, das sofort auf die aktuelle Verkehrslage und die konkreten Fahrsituationen reagiert, den Wartungsbedarf vorhersagt und die schnellsten und sparsamsten Routen findet.
Tesla verwendet seine fortschrittliche FSD-Modellarchitektur, während Waymo tiefe neuronale Netze (DNNs) zur Objekterkennung und zum Verständnis der Umgebung einsetzt. Reaktionen in Echtzeit sind hier entscheidend. NVIDIAs DRIVE Perception verwendet beispielsweise CNNs und andere Deep-Learning-Modelle zur Objekterkennung und -klassifizierung.
Einige Modelle lernen während des Einsatzes und passen sich auf der Grundlage von Daten aus der realen Welt an. OpenPilot beispielsweise verwendet durchgängig Deep-Learning-Modelle, die kontinuierlich aus den gesammelten Fahrdaten lernen und so die Genauigkeit und Zuverlässigkeit des Systems im Laufe der Zeit weiter verbessern.
Diese KI-Modelle und -Frameworks sind der Schlüssel zur Weiterentwicklung autonomer Fahrtechnologien, da sie vorausschauende Analysen, Echtzeitreaktionen und kontinuierliches Lernen für die Sicherheit und Zuverlässigkeit im Straßenverkehr ermöglichen.
Und es geht nicht nur um die Herstellung von Autos. Unternehmen wie Nvidia, Microsoft, General Motors, Ford und Tesla investieren ebenfalls in diese Technologien. Warum sollten Sie sich ihnen nicht anschließen?"
Sechs reale Fallbeispiele für KI in selbstfahrenden Autos
Auch wenn autonome Fahrzeugflotten die Straßen noch nicht in unmittelbarer Zukunft bevölkern werden, so rückt die fahrerlose Zukunft doch in schnellen Schritten näher. KI löst bereits seit längerer Zeit Herausforderungen im Zusammenhang mit der Entwicklung, Beschaffung, Herstellung und Wartung teilweise autonomer Fahrzeuge und es gibt reale Anwendungsfälle von Künstlicher Intelligenz in selbstfahrenden Autos.
München, Deutschland
BMW ist seit den 1990er Jahren im Rennen um das autonome Fahren und hat vor kurzem seine erste Level-3-Technologie vorgestellt, die jetzt in der 7er-Reihe eingesetzt wird.
3D-LiDAR- und Radarsensoren, Computer Vision, AIoT, ML und konversationelle KI.
Die BMW Gruppe ist der erste Automobilhersteller, der sowohl eine fortschrittliche Level-2-Fahrfunktion als auch ein Level-3-System in seinem Produktportfolio anbietet.
BMW hat dazu beigetragen, einen zukunftssicheren Sicherheitsstandard für autonome Fahrzeugtechnologie zu schaffen.
BMW setzt auf unterschiedliche KI-Programme, um seine Fahrerassistenzsysteme zu verbessern, den Komfort und die Sicherheit der Insassen zu erhöhen und die Umgebung des Fahrzeugs zu überwachen.
Stuttgart, Deutschland
Die Mercedes-Benz Group ist ein weiteres Schwergewicht in der Entwicklung autonomer Fahrzeuge. Sie will fortschrittliche autonome Systeme in ihre S-Klasse und EQS-Fahrzeugreihen einbauen.
3D-LiDAR- und Radarsensoren, Computer Vision, AIoT, ML und konversationelle KI.
Mercedes-Benz ist der einzige Automobilhersteller mit einer international gültigen Zertifizierung für hochautomatisiertes Fahren nach SAE Level 3.
Mit seinem hochmodernen Fahrassistenzsystem hat die Mercedes-Benz Group eine neue Ära des autonomen Fahrens eingeläutet.
Mercedes-Benz nutzt KI als Gehirn hinter dem Drive Pilot, einem System für bedingt automatisiertes Fahren, um einen aktiven Abstandsassistenten und die Fähigkeit, unter bestimmten Fahrbedingungen autonome Manöver durchzuführen, zu ermöglichen.
Gigafactory Texas, Austin, Texas, USA
Als marktbeherrschendes Unternehmen hat sich Tesla zu einem führenden Innovator bei Elektrofahrzeugen und autonomen Fahrtechnologien entwickelt. Teslas bahnbrechende Autopilot-Funktion, das Gebäudeautomatisierungssystem (BAS) und das smarte Herbeirufen-System haben Tesla-Fahrzeuge zu den fortschrittlichsten teilautonomen Systemen gemacht, die derzeit für Verbraucher erhältlich sind.
LiDAR-Sensoren, Computer Vision, Künstliche Intelligenz der Dinge (AIoT), Verarbeitung natürlicher Sprache, ML.
Tesla plant, seine selbstfahrende Technologie Ende 2024 international einzuführen.
Die innovativen Elektrofahrzeuge und die Autopilot-Technologie von Tesla haben den Wandel hin zu automatisierten Transportlösungen eingeleitet.
Tesla setzt eine Kombination aus KI und Maschinellem Lernen in autonomen Fahrzeugen ein, um verschiedene automatisierte Fahrfunktionen wie die automatische Spurhaltung, eine verkehrsabhängige Geschwindigkeitsregelung und autonome Navigation auf Autobahnen zu ermöglichen.
Toyota, Aichi, Japan
Toyota treibt die Entwicklung von KI-gesteuerten Mobilitätslösungen durch sein eigenes Forschungsinstitut und weitere Partnerschaften voran.
LiDAR- und Radarsensoren, Computer Vision, AIoT, ML.
Toyota arbeitet an einem Betriebssystem zur Verkehrsüberwachung und für die Kontrolle weiterer existierender Sicherheitssysteme.
Das Mobility Teammate Concept von Toyota unterstreicht die Bedeutung von erweitertem Fahren und menschlicher Kontrolle über autonome Fahrzeuge.
Toyota setzt KI beim autonomen Fahren als Basistechnologie für seine Fahrerassistenzsysteme Chauffeur und Guardian ein und verbessert damit die Möglichkeiten zur Unfallvermeidung.
Dearborn, Michigan, USA
Mit einem umfangreichen Portfolio an Technologien für automatisiertes Fahren konzentriert sich Ford auf Latitude AI, ein Tochterunternehmen, das sich der Entwicklung eines vollständig automatisierten Fahrsystems für Nutzfahrzeuge widmet.
LiDAR- und Radarsensoren, Computer Vision, AIoT und ML.
Ford hat Produkte wie autonome Taxi- und Lieferdienste eingeführt, die auf der firmeneigenen Technologie beruhen.
Die fahrerlosen Autos und Lastwagen von Ford prägen die Zukunft der Transport- und Lieferbranche.
Ford setzt KI in Verbindung mit LiDAR-, Radar- und Infrarotsensoren ein, um Spurhaltesysteme und einen adaptiven Tempomat zur Verfügung zu stellen. Das Unternehmen hat unter anderem mit Unternehmen wie Argo AI zusammengearbeitet, um seine KI-Fähigkeiten zu verbessern.
Mountain View, Kalifornien, USA
Früher bekannt als das Google Self-Driving Car Project, wurde Waymo in eine Tochtergesellschaft von Alphabet, welches sich ausschließlich auf autonome Technologien konzentriert, überführt.
LiDAR- und Radarsensoren, Computer Vision, AIoT, ML und neuronale Netze.
Waymo Driver ist eine auf Vektoranalysen beruhende autonome Fahrtechnologie mit einer der fortschrittlichsten Funktionen für die Vorhersage von Fahrbewegungen auf dem Markt.
Waymo hat die Risikobewertung und Methoden für die Bewertung der Sicherheit von autonomen Fahrzeuge verbessert.
Waymo Driver, die fahrerlose Technologie von Waymo, baut auf einer Deep-Learning-Architektur auf, um Fahrtwege in komplexen Verkehrsszenarien vorherzusagen und Fahrzeuginteraktionen zu modellieren.
KI-Herausforderungen beim autonomen Fahren
Obwohl eine Handvoll führender Autohersteller einige KI-Initiativen für das autonome Fahren vorantreiben konnten, ist das Maschinelle Lernen in selbstfahrenden Autos noch lange nicht auf dem Höhepunkt seines Potenzials angelangt. Zudem werden viele kommerzielle Projekte nie das Licht der Welt erblicken, da das Rennen in Richtung einer fahrerlosen Zukunft mit zahlreichen rechtlichen, moralischen und sicherheitsrelevanten Herausforderungen verbunden ist.
Technologische Komplexität und Zuverlässigkeit
Unterschiedliche Hardware- und Softwarespezifikationen, das Fehlen von Standardprotokollen und die Schwierigkeit, verschiedene Daten aus mehreren Sensorquellen zu integrieren, machen die Entwicklung von Automobilsoftware zu einer besonderen Herausforderung. Die Entwicklung von ausfallsicheren Deep-Learning-Algorithmen erhöht die Komplexität noch einmal, da intelligente Modelle für verschiedene Bedingungen und Umgebungen fein abgestimmt werden müssen, um zuverlässige Entscheidungen in Echtzeit zu gewährleisten.
Fortschritte in der KI-Forschung haben zu einer besseren maschinellen Wahrnehmung, zu einer intelligenteren Entscheidungsfindung und einer höheren Zuverlässigkeit von KI-Algorithmen beigetragen. Die Anwendung von KI für autonome Fahrzeuge erfordert jedoch nach wie vor umfangreiche Tests und Validierungen, darunter Simulationen und Versuche unter realen Bedingungen, um die Zuverlässigkeit und Leistung in allen Verkehrssituationen sicherzustellen.
Sicherheitsbedenken
Autonome Fahrzeuge stützen sich in hohem Maße auf Fahrerassistenzsysteme (ADAS), automatisiertes Fahren (AD) und deren sicherer Betrieb. Eine einzige Sensorfehlfunktion kann diese kritischen Systeme gefährden. Außerdem vergrößert die hohe Konnektivität der AFs die Angriffsfläche, so dass Hacker über drahtlose Verbindungen die Kontrolle über wichtige Fahrzeugsysteme übernehmen können.
Die Bewältigung der Herausforderung im Bereich der Systemsicherheit erfordert ein umfassendes Rahmenwerk, welches die Fehlermöglichkeits- und Einflussanalyse bzw. den FMEA-Ansatz, robuste Softwaresicherheitsmechanismen wie redundante Systeme und Authentifizierungsprozesse sowie die Einhaltung von ADAS-Normen und Sicherheitsprotokollen wie SAE, ISO 26262 ASIL und EURO NCAP umfasst. Um Hacker abzuwehren, muss Automobilsoftware stets mit modernsten Sicherheitstechnologien entwickelt werden und regelmäßig Software-Updates erhalten.
Regulatorische und rechtliche Fragen
Während weltweit die Grundlagen für eine stärkere Verbreitung von ADAS-Systemen geschaffen wurden und auch in Deutschland seit 2021 das Gesetz zum autonomen Fahren in Kraft ist, sind die Vorschriften für vollständig autonome Systeme noch unzureichend. Bei teilautonomen Systemen sind die Regulierungsbehörden aufgrund von Unterschieden und Lücken in den weltweiten Vorschriften außerdem noch nicht ausreichend auf die einzigartigen Herausforderungen von AFs vorbereitet.
Um die gewaltige Herausforderung der AF-Regulierung zu bewältigen, müssen Technologieentwickler, Gesetzgeber und globale Regulierungsbehörden zusammenarbeiten, um standardisierte, klare und faire Regelungen zu schaffen, die den Bedürfnissen aller Beteiligten gerecht werden. Die Branche braucht außerdem dringend einen rechtlichen Rahmen, der die Haftung definiert, Innovationen fördert und gleichzeitig die öffentliche Sicherheit schützt.
Öffentliche Akzeptanz und Vertrauen
Viele Zwischenfälle mit autonomen Fahrzeugen haben Zweifel an der Sicherheit geweckt und die Verbraucher kritisch gestimmt. Viele potenzielle Käufer teilen die Begeisterung der OEMs für autonome Fahrzeuge daher nicht. Sie führen häufig die unklaren und unvorhersehbaren Entscheidungsprozesse und die mangelnde Transparenz bei Sensoren, Kartierungssystemen und anderen fahrerlosen Technologien ins Feld. Dem sollten alle beteiligten Akteure mit Transparenz begegnen.
Eine Möglichkeit, die Akzeptanz der Verbraucher zu gewährleisten, ist die Einhaltung strengster Sicherheitsstandards bei der Entwicklung von AFs. Öffentliche Vorführungen, Tests und Aufklärungskampagnen werden ebenfalls dazu beitragen, das Bewusstsein für die Vorteile von AFs zu schärfen und einen Wandel in den Einstellungen und Erwartungen der Verbraucher, der sich bereits ankündigt, zu bewirken.
Wie Vention Sie auf dem Weg in eine fahrerlose Zukunft auf die Überholspur bringt
Entwicklung individueller KI-Lösungen
- Entwicklung maßgeschneiderter KI-Algorithmen für die Anwendung in autonomen Fahrzeugen wie in Wahrnehmungs- und Entscheidungsfindungssystemen.
- Entwicklung von Systemen zur Sensorfusion, die Daten von LIDAR, Radar und Kameras integrieren, um ein umfassendes Bild der Umgebung zu erhalten.
Simulationen und Tests
-
Bereitstellung fortschrittlicher Simulationswerkzeuge zum Testen von KI-Modellen in virtuellen Umgebungen, die auch seltene und kritische Fahrsituationen umfassen.
-
Unterstützung bei der Einrichtung und Verwaltung von Tests zur Validierung von KI-Systemen unter realen Fahrbedingungen.
Datenmanagement und -analyse
-
Unterstützung bei der Beschaffung, Optimierung, Kommentierung und Kennzeichnung verschiedener Datensätze für das Training von KI-Modellen.
-
Automatisieren der Datenerfassung und -bereinigung.
-
Implementierung von Analyseplattformen zur Überwachung der KI-Leistung und Gewinnung von neuen Erkenntnissen für eine kontinuierliche Systemverbesserung.
Integration und Systemoptimierung
-
Unterstützung bei der Integration von KI-Software in die Fahrzeughardware, um einen reibungslosen Betrieb und Echtzeitverarbeitung zu gewährleisten.
-
Optimieren Sie KI-Systeme hinsichtlich ihrer Effizienz, indem Sie die Leistung mit der beschränkten Rechenleistung des Fahrzeugs in Einklang bringen.
Trainings und Support
-
Technische Schulungen zu den neuesten KI-Technologien und bewährten Verfahren bei der Entwicklung von Lösungen für das autonome Fahren.
-
Laufender Support und durchgängige Wartung, um sicherzustellen, dass KI-Systeme sich dynamisch an Veränderungen anpassen und aus Erfahrungen lernen.
Warum Vention?
Jahre Erfahrung in der Entwicklung von Lösungen für die Automobilindustrie
Wochen vom ersten Kontakt bis zum Kick-off
Software-Ingenieure mit KI-spezifischen Qualifikationen
Standorte, darunter Berlin und Wien
Termingerechte Lieferung unter Einhaltung des Budgets und aller Projektziele
Unterstützung bei der Auswahl von Tech-Stacks, die sowohl die anfänglichen als auch die laufenden Betriebskosten senken
Unsere KI-Profis können auf beachtliche Erfolge bei Kaggle-Wettbewerben und -Projekten verweisen
Wir sind ein ISO 27001-zertifiziertes Unternehmen
Von Experten als Branchenführer anerkannt
