Die Entwicklung der Technologie für autonome Fahrzeuge

Wenn ein autonomes Fahrzeug der Stufe 3 bei starkem Schneefall auf einer Bergstraße auf Glatteis trifft, werden seine Wahrnehmungssysteme diese Gefahr dann korrekt erkennen? Diese entscheidende Frage verdeutlicht, warum nur 8 % der autonomen Fahrzeugsysteme die strengen Validierungstests unter extremen Bedingungen bestehen – eine Herausforderung, die wiederholt in branchenübergreifenden Validierungsrahmenwerken angegangen wird, die die Präzision der Automobilindustrie mit den Redundanzanforderungen der Luft- und Raumfahrt verbinden.

Die Technologie für autonome Fahrzeuge hat sich weit über die ursprünglichen Erwartungen hinaus weiterentwickelt, doch der Weg zu einem flächendeckenden Einsatz ist mit erheblichen technischen Herausforderungen verbunden. Der Übergang von Fahrerassistenzsystemen zu vollständig autonomen Funktionen stellt einen der komplexesten technischen Wandel in der Geschichte des Automobilbaus dar.

Jenseits des Hypes: Der aktuelle Stand des autonomen Fahrens

Die Landschaft der autonomen Fahrzeuge hat sich vom theoretischen Konzept zur praktischen Realität entwickelt, wenn auch mit erheblichen Einschränkungen. Derzeitige kommerzielle Einsätze finden vorwiegend in abgegrenzten Bereichen unter günstigen Bedingungen statt, was die Kluft zwischen kontrollierten Testumgebungen und der unvorhersehbaren Komplexität realer Fahrsituationen deutlich macht.

Der Robotaxi-Dienst von Waymo in Phoenix und San Francisco weist beeindruckende Sicherheitsstatistiken auf – über 20 Millionen autonom zurückgelegte Meilen bei nur minimalen Eingriffen des Fahrers –, ist jedoch nach wie vor auf optimale Betriebsbedingungen beschränkt. Unterdessen sind verbraucherorientierte Systeme wie Teslas „Full Self-Driving“ technisch gesehen weiterhin Systeme der Stufe 2, die trotz einer Marketingterminologie, die auf größere Autonomie hindeutet, eine ständige Überwachung durch den Fahrer erfordern.

Die technische Realität offenbart entscheidende Herausforderungen in den Bereichen Umgebungswahrnehmung, Zuverlässigkeit der Entscheidungsfindung und Systemvalidierung– Bereiche, in denen sektorübergreifendes ingenieurwissenschaftliches Fachwissen von unschätzbarem Wert ist. Besonders hervorzuheben ist die Validierungslücke: Während Testprotokolle für die Automobilindustrie bei der Validierung deterministischer Systeme hervorragende Ergebnisse liefern, enthalten autonome Fahrzeuge probabilistische KI-Komponenten, die Ansätze zur Sicherheitsgewährleistung erfordern, die von der Luft- und Raumfahrt inspiriert sind.

Die SAE-Autonomiestufen: Technische Anforderungen und Herausforderungen

Die Norm SAE J3016 definiert sechs Stufen der Fahrautomatisierung (0–5), wobei jede Stufe eine exponentiell steigende technische Komplexität mit sich bringt. Der Übergang von Stufe 2 (teilweise Automatisierung) zu Stufe 3 (bedingte Automatisierung) stellt eine besonders bedeutende technische Schwelle dar, da dabei unter bestimmten Bedingungen die Verantwortung vom Fahrer auf das System übergeht.

Dieser Übergang erfordert grundlegend andere Validierungsansätze. Auf Stufe 2 unterstützen die Systeme die Fähigkeiten des Fahrers, wobei die Verantwortung beim Fahrer verbleibt. Ab Stufe 3 müssen die Systeme in einem breiten Spektrum von Betriebsszenarien – den Ingenieuren als „Operational Design Domain“ (ODD) bezeichnet – eine dem Menschen gleichwertige Wahrnehmungs- und Entscheidungsfähigkeit unter Beweis stellen.

Die Validierungsherausforderung nimmt mit jeder Autonomiestufe nichtlinear zu:

• Systeme der Stufen 1 und 2 erfordern die Validierung diskreter Funktionen mit genau definierten Ein- und Ausgängen
• Bei Systemen der Stufe 3 muss überprüft werden, ob das System in der Lage ist, bei Annäherung an die Grenzen des ODD-Bereichs ein Eingreifen des Fahrers anzufordern
• Systeme der Stufen 4 und 5 erfordern die Überprüfung der Fähigkeit des Systems, alle Fahrsituationen innerhalb immer breiter gefasster ODD-Bereiche zu bewältigen

Unsere Erfahrungen mit der Einführung hybrider Validierungsmethoden bei verschiedenen OEMs zeigen, dass herkömmliche Testansätze bei höheren Autonomiegraden rechnerisch nicht mehr durchführbar sind, sodass simulationsbasierte Techniken erforderlich werden, die aus den Zertifizierungsrahmenwerken der Luft- und Raumfahrt übernommen wurden.

Wichtige technologische Bausteine für autonome Fahrsysteme

Die Architektur autonomer Fahrzeuge umfasst drei grundlegende technische Teilsysteme, die nahtlos zusammenwirken: Wahrnehmung, Entscheidungsfindung und Fahrzeugsteuerung. Jedes davon stellt die Technik vor ganz eigene Herausforderungen.

Der Wahrnehmungsstack kombiniert multimodale Sensorik (Kameras, LIDAR, RADAR, Ultraschall) mit Sensorfusionsalgorithmen, um ein Umgebungsmodell zu erstellen. Dieses System muss widrigen Wetterbedingungen, wechselnden Lichtverhältnissen und einer nachlassenden Sensorleistung standhalten und dabei eine zuverlässige Objekterkennung und -klassifizierung gewährleisten.

Entscheidungssysteme wandeln Wahrnehmungsdaten in Fahrmanöver um und berücksichtigen dabei die Routenplanung, die Verhaltensvorhersage und die Erzeugung von Fahrspuren in Echtzeit. Die technische Herausforderung besteht darin, einen Ausgleich zwischen deterministischen, regelbasierten Ansätzen und Modellen des maschinellen Lernens zu finden, die auch Randfälle bewältigen können.

Fahrzeugsteuerungssysteme setzen Entscheidungen durch präzise Steuerung von Lenkung, Beschleunigung und Bremsen um. Dabei müssen sie die Stabilität und den Fahrkomfort gewährleisten und gleichzeitig gegebenenfalls aggressive Manöver zur Kollisionsvermeidung durchführen.

Eine vierte, oft übersehene entscheidende Komponente ist die Validierungsarchitektur selbst – das umfassende Rahmenwerk, das eine sichere Inbetriebnahme ermöglicht, indem sichergestellt wird, dass das System über seinen gesamten Betriebsbereich hinweg korrekt funktioniert. Diese Validierungsarchitektur stellt für sich genommen einen bedeutenden ingenieurwissenschaftlichen Bereich dar, der physikalische Tests, Simulationsumgebungen und formale Verifikationsmethoden miteinander verbindet.

Systeme zur Erkennung kritischer Situationen für autonome Fahrzeuge

Wahrnehmungssysteme bilden die grundlegende Ebene, auf der jede autonome Entscheidungsfindung beruht. Unsere technischen Erfahrungen sowohl im Automobil- als auch im Luft- und Raumfahrtbereich lassen eine entscheidende Erkenntnis erkennen: Fehler in der Wahrnehmung stellen die größte Schwachstelle autonomer Systeme dar und sind für etwa 78 % der Eingriffe in realen Testumgebungen verantwortlich.

Sensorfusion: Kombination von LIDAR-, RADAR- und Kameradaten

Eine effektive Sensorfusion stellt wohl die größte technische Herausforderung im Bereich der autonomen Wahrnehmung dar. Jede Sensormodalität hat ihre eigenen Stärken und Grenzen, die es geschickt miteinander zu kombinieren gilt.

LIDAR liefert präzise 3D-Punktwolken mit hervorragender räumlicher Auflösung, hat jedoch bei Niederschlag Schwierigkeiten. Aktuelle LIDAR-Systeme für den Automobilbereich arbeiten in der Regel mit einer Wellenlänge von 905 nm und bieten unter optimalen Bedingungen eine Reichweite von über 200 Metern, wobei ihre Leistung bei Regen oder Schnee jedoch erheblich nachlässt. Mechanische LIDAR-Systeme bieten eine 360°-Abdeckung, weisen jedoch Zuverlässigkeitsprobleme auf, während Halbleiter-Alternativen kostengünstiger sind, aber ein eingeschränkteres Sichtfeld haben.

RADAR-Systeme arbeiten bei 24 GHz oder 77 GHz und zeichnen sich durch ihre Leistungsfähigkeit bei widrigen Wetterbedingungen aus, da sie auch bei Regen, Schnee und Nebel funktionsfähig bleiben. Sie liefern dank des Doppler-Effekts genaue Geschwindigkeitsmessungen, weisen jedoch eine begrenzte Winkelauflösung auf und haben Schwierigkeiten, stationäre Objekte von Hintergrundstörungen zu unterscheiden.

Kamerasysteme bieten ein unvergleichliches semantisches Verständnis und ermöglichen die Klassifizierung von Objekten, das Erkennen von Verkehrszeichen sowie die Fahrspurerkennung. Allerdings sind sie nach wie vor sehr anfällig für Lichtverhältnisse und erfordern für die Echtzeitverarbeitung erhebliche Rechenressourcen.

Die technische Herausforderung besteht nicht nur darin, Daten von diesen Sensoren zu erfassen, sondern auch darin, robuste Fusionsalgorithmen zu implementieren, die die Integrität der Wahrnehmung gewährleisten, selbst wenn einzelne Sensoren ausfallen. Zu den fortschrittlichen Fusionsansätzen gehören:

• Fusion auf niedriger Ebene, bei der Rohsensordaten vor der Objekterkennung zusammengeführt werden
• Fusion auf Merkmalsebene, bei der die Merkmale jedes Sensors vor der Kombination unabhängig voneinander extrahiert werden
• Eine übergeordnete Zusammenführung, bei der die Objekterkennung für jeden Sensorstrom durchgeführt wird, bevor die Ergebnisse zusammengeführt werden

Jeder Ansatz bietet unterschiedliche Kompromisse zwischen Recheneffizienz und Robustheit. Unsere Validierungstests haben gezeigt, dass adaptive Fusionsarchitekturen– die in der Lage sind, die Fusionsstrategie dynamisch an die Umgebungsbedingungen und den Zustand der Sensoren anzupassen – statische Ansätze in anspruchsvollen Szenarien deutlich übertreffen.

Herausforderungen bei der Wahrnehmung der Umgebung unter extremen Bedingungen

Extreme Umgebungsbedingungen stellen die anspruchsvollsten Testfälle für autonome Wahrnehmungssysteme dar. In Projekten, die deutsche Premium-Automobilhersteller und Anwendungen in der Luft- und Raumfahrt umfassen, haben wir mehrere entscheidende Herausforderungen identifiziert:

Starker Niederschlag stört LIDAR-Messungen durch Streuung der Laserimpulse und verursacht bei RADAR-Messungen Fehlalarme durch Bodenreflexionen. Ein niedriger Sonnenstand führt bei Kameras zu Überbelichtung und Pixelsättigung. Schneeverwehungen verdecken die Sensoren physisch und verändern die Straßenränder. Tunnel verursachen abrupte Lichtwechsel, die die Belichtungsanpassung der Kameras erschweren.

„Wahrnehmungssysteme müssen ihre Zuverlässigkeit über den gesamten Einsatzbereich hinweg unter Beweis stellen, nicht nur unter optimalen Bedingungen. Unsere branchenübergreifende Erfahrung hat gezeigt, dass adaptive Modelle zur Bewertung der Sensorzuverlässigkeit unerlässlich sind, um die autonome Leistungsfähigkeit aufrechtzuerhalten, wenn die Umgebungsbedingungen herkömmliche Sensoransätze an ihre Grenzen bringen.“

- Leitender Ingenieur für Sensorik, Geschäftsbereich T&S Automotive

Diese Herausforderungen erfordern spezielle technische Ansätze, die über herkömmliche Wahrnehmungsalgorithmen hinausgehen. Zu den erfolgreich eingesetzten Techniken gehören:

• Dynamische Modellierung der Sensorzuverlässigkeit, bei der die Zuverlässigkeit der Sensoren auf der Grundlage der Umgebungsbedingungen kontinuierlich bewertet wird
• Zeitliche Integration, die die Objektverfolgung auch bei vorübergehender Sensorausfallphase aufrechterhält
• Kompensationsalgorithmen, die Sensorwerte auf der Grundlage wetterabhängiger Kalibrierungsmodelle anpassen
• Kartenbasierte Ergänzung, die Sensordaten durch hochauflösende Kartendaten ergänzt, wenn die direkte Wahrnehmung unzuverlässig wird

Um diese Fähigkeiten zu testen, sind spezielle Einrichtungen und Methoden erforderlich. Klimakammertests mit kontrollierter Schnee-, Regen- und Nebelerzeugung ermöglichen eine systematische Bewertung der Sensoralterung. Strukturierte Teststrecken mit Tunneln, Brücken und unterschiedlichen Straßenbelägen bieten reproduzierbare, anspruchsvolle Szenarien.

Von Rohdaten zu Situationsbewusstsein: Verarbeitungsabläufe

Die Umwandlung von Rohdaten aus Sensoren in verwertbare Lageinformationen erfordert komplexe Verarbeitungsprozesse, bei denen klassische Bildverarbeitung mit fortschrittlichen Deep-Learning-Techniken kombiniert wird. Diese Verarbeitungskette umfasst in der Regel:

1. Sensorvorverarbeitung – Kalibrierung, Rauschfilterung und Synchronisation
2. Objekterkennung und -klassifizierung – Erkennung von Fahrzeugen, Fußgängern, Radfahrern und statischen Hindernissen
3. Objektverfolgung und Bewegungsvorhersage – Ermittlung der Objektpersistenz und Vorhersage der Bewegungsbahn
4. Semantisches Szenenverständnis – Straßenverlauf, befahrbarer Raum und Interpretation von Verkehrsregeln
5. Situationsanalyse – Risikobewertung, Feststellung der Vorfahrt und Ableitung von Verhaltensweisen

Algorithmen der Bildverarbeitung zur Objekterkennung und -klassifizierung

Moderne autonome Fahrzeuge nutzen mehrere parallel arbeitende Ansätze zur Objekterkennung, um die Zuverlässigkeit zu gewährleisten. Klassische Bildverarbeitungstechniken, die auf Merkmalsextraktion und Support-Vektor-Maschinen basieren, liefern deterministische, nachvollziehbare Ergebnisse, haben jedoch Schwierigkeiten mit neuartigen Objekttypen. Deep-Learning-Ansätze wie YOLO (You Only Look Once), SSD (Single Shot MultiBox Detector) und Faster R-CNN bieten eine überlegene Klassifizierungsleistung, bringen jedoch Herausforderungen hinsichtlich der Validierung und Nachvollziehbarkeit mit sich.

Unser technischer Ansatz setzt auf hybride Architekturen, die die Stärken beider Paradigmen vereinen:

• Deterministische Algorithmen bieten eine Basiserkennung mit klar definierten Leistungsgrenzen
• Deep-Learning-Modelle verbessern die Erkennungsfähigkeiten bei komplexen Fällen
• Erklärbarkeitsschichten ordnen Entscheidungen neuronaler Netze interpretierbaren Merkmalen zu
• Validierungsframeworks nutzen Adversarial Testing, um Schwachstellen in der Wahrnehmung aufzudecken

Anforderungen an Edge-Computing für die Echtzeitverarbeitung

Die Rechenanforderungen für die autonome Wahrnehmung sind enorm. Ein typisches autonomes Fahrzeug erzeugt stündlich 1 bis 2 TB Sensordaten, die mit Latenzen von unter 100 ms verarbeitet werden müssen. Dies erfordert spezielle Edge-Computing-Architekturen, die für die parallele Verarbeitung von Sensorströmen optimiert sind.

Aktuelle Hardwareplattformen nutzen in der Regel heterogene Rechnerarchitekturen, die Folgendes kombinieren:

• GPUs für die Inferenz in neuronalen Netzen (in der Regel mit einer Leistung von 30 bis 250 TOPS)
• FPGAs für die Sensorvorverarbeitung und deterministische Algorithmen
• Spezialisierte NPUs (Neural Processing Units) für effiziente KI-Anwendungen
• Redundante Allzweck-CPUs für die Systemverwaltung

Der Stromverbrauch und das Wärmemanagement stellen erhebliche Herausforderungen dar, da die Kühlsysteme sorgfältig ausgelegt werden müssen, um einen zuverlässigen Betrieb unter Umgebungsbedingungen von -40 °C bis +85 °C zu gewährleisten.

Entscheidungsarchitektur in autonomen Systemen

Die Entscheidungsarchitektur wandelt Wahrnehmungsdaten in Fahrmanöver um und stellt die „kognitive“ Ebene autonomer Systeme dar. Diese Architektur muss das Verständnis der Umgebung in sicheres, vorschriftsmäßiges und effizientes Fahrverhaltenumsetzen – eine Herausforderung, die sowohl technisches Know-how als auch philosophische Überlegungen erfordert.

Methoden zur Wegplanung und Bahnberechnung

Die Wegplanung in autonomen Systemen erstreckt sich über mehrere Zeithorizonte und Abstraktionsebenen, wobei jede Ebene unterschiedliche Aspekte der Fahrtaufgabe abdeckt:

Die strategische Planung legt die Routenführung auf hoher Ebene vom Start- zum Zielort fest und berücksichtigt dabei die Topologie des Straßennetzes, die Verkehrsbedingungen und die Fahrzeugkapazitäten. Diese Ebene arbeitet in der Regel mit Zeiträumen von Minuten bis Stunden und nutzt graphbasierte Algorithmen wie A* oder Dijkstra mit heuristischen Optimierungen.

Die taktische Planung steuert die Wahl der Fahrmanöver (Spurwechsel, Überholen, Einfädeln) in Zeitfenstern von 5 bis 30 Sekunden. Auf dieser Ebene kommen häufig Entscheidungsbäume, endliche Zustandsmaschinen oder zunehmend auch Ansätze des verstärkenden Lernens zum Einsatz, die sowohl auf Sicherheit als auch auf Effizienz optimiert sind.

Die Einsatzplanung generiert präzise Flugbahnen für die Fahrzeugsteuerung mit Zeithorizonten von 100 ms bis 3 s. Diese Flugbahnen müssen komplexe Vorgaben erfüllen, darunter:

• Grenzen der Fahrzeugdynamik (Beschleunigung, Lenkwinkel, Stabilität)
• Kennzahlen zum Fahrgastkomfort (Ruck, Querbeschleunigung)
• Sicherheitsabstände zu anderen Verkehrsteilnehmern
• Einschränkungen durch Straßenverläufe
• Einhaltung der Verkehrsregeln

Die technische Herausforderung besteht darin, Flugbahnen zu generieren, die diese Einschränkungen in Echtzeit erfüllen und gleichzeitig dynamische Umgebungen reibungslos bewältigen. Optimierungsbasierte Ansätze unter Verwendung der modellprädiktiven Regelung haben sich als besonders effektiv erwiesen, erfordern jedoch eine sorgfältige Feinabstimmung, um ein Gleichgewicht zwischen Recheneffizienz und Lösungsqualität herzustellen.

Abwägen zwischen deterministischen Regeln und Ansätzen des maschinellen Lernens

Die Integration deterministischer, regelbasierter Systeme mit Ansätzen des maschinellen Lernens stellt eine zentrale technische Herausforderung bei der autonomen Entscheidungsfindung dar. Regelbasierte Systeme bieten Interpretierbarkeit, Überprüfbarkeit und eine direkte Abbildung auf die Verkehrsregeln, haben jedoch Schwierigkeiten mit der unendlichen Vielfalt realer Fahrsituationen.

Unsere Entwicklungsmethodik legt den Schwerpunkt auf eine mehrschichtige Architektur:

1. Ein durch deterministische Regeln definierter Sicherheitsbereich legt feste Vorgaben fest, die nicht überschritten werden dürfen
2. In diesem Rahmen optimieren Modelle des maschinellen Lernens das Fahrverhalten im Hinblick auf Effizienz und eine natürliche Interaktion
3. Ein Überwachungssystem überprüft kontinuierlich, ob Entscheidungen mit den Verkehrsregeln und Sicherheitsparametern im Einklang stehen
4. Explizite Fallback-Modi werden aktiviert, wenn die Unsicherheit festgelegte Schwellenwerte überschreitet

Umgang mit Randfällen und unvorhersehbaren Szenarien

Randfälle– seltene, aber schwierige Situationen, die nicht den typischen Fahrmustern entsprechen – stellen das größte Hindernis für einen flächendeckenden Einsatz autonomer Fahrzeuge dar. Dazu zählen ungewöhnliche Straßenverhältnisse, seltene Wetterphänomene, unerwartetes Verhalten von Verkehrsteilnehmern und neuartige Hindernisse.

Die Entwicklung von Systemen, die auch in Grenzfällen robust funktionieren, erfordert systematische Ansätze sowohl für die Erkennung als auch für die Behandlung solcher Fälle:

Eine besonders wirksame Technik ist das „Grenzenbewusstsein“– die explizite Modellierung der Kompetenzgrenzen des Systems und die kontinuierliche Bewertung der Annäherung an diese Grenzen während des Betriebs. Dieser Ansatz ermöglicht es autonomen Systemen zu erkennen, wann sie sich den Grenzen ihrer validierten Fähigkeiten nähern, und geeignete Maßnahmen zur Risikominderung zu ergreifen, bevor es zu Ausfällen kommt.

Ethische Überlegungen zu Algorithmen für autonome Entscheidungen

Die ethischen Aspekte der autonomen Entscheidungsfindung reichen über philosophische Gedankenexperimente hinaus und erstrecken sich auf konkrete technische Umsetzungen. Diese zeigen sich in Parametern zur Flugbahnoptimierung, Algorithmen zur Risikobewertung und der Auswahl von Ausweichstrategien.

Zu den zentralen ethischen Fragen, die eine technische Umsetzung erfordern, gehören:

• Wie sollte das Unfallrisiko auf die verschiedenen Verkehrsteilnehmer verteilt werden, wenn ein Ausweichen unmöglich ist?
• Welches Gleichgewicht zwischen der Sicherheit der Insassen und dem Schutz anderer Verkehrsteilnehmer ist angemessen?
• Wie soll das System mit Regelverstößen anderer Verkehrsteilnehmer umgehen?
• Ab welchen Risikoschwellen sind Notfallmaßnahmen gerechtfertigt, die Unannehmlichkeiten oder leichte Verletzungen verursachen können?

Unser technischer Ansatz legt Wert auf Transparenz bei diesen Parametern, eine explizite Dokumentation der zugrunde liegenden Werte sowie die Übereinstimmung mit den einschlägigen ethischen Rahmenwerken und behördlichen Vorgaben.

Rahmenwerke für die Sicherheitsvalidierung und -prüfung

Die Validierung stellt wohl die größte Herausforderung bei der Einführung autonomer Fahrzeuge dar. Herkömmliche Testansätze sind rechnerisch nicht mehr zu bewältigen, wenn sie auf Systeme angewendet werden, die in unbegrenzten Umgebungen mit probabilistischen Komponenten operieren. Dies erfordert neuartige Validierungsansätze, die physikalische Tests, Simulationen, formale Verifikation und statistische Validierung miteinander verbinden.

Umsetzung von ISO 26262 und SOTIF für autonome Funktionen

Die Sicherheitsvalidierung autonomer Fahrzeuge erfordert eine Erweiterung herkömmlicher Ansätze zur funktionalen Sicherheit (ISO 26262) um Methoden der „Safety of the Intended Functionality“ (SOTIF, ISO/PAS 21448), um Leistungsbeschränkungen und vorhersehbaren Missbrauch zu berücksichtigen.

Die Norm ISO 26262 legt einen systematischen Prozess zur Erkennung und Minderung von zufälligen Hardwareausfällen und systematischen Softwarefehlern fest. Sie führt die Automotive Safety Integrity Levels (ASIL) ein, die je nach Schweregrad, Exposition und Kontrollierbarkeit in die Stufen A bis D unterteilt sind. Für autonome Funktionen erfordern die meisten Teilsysteme die Einstufung in ASIL D– die höchste Stufe –, was Redundanz, Diversität und eine strenge Verifizierung notwendig macht.

SOTIF befasst sich mit den Leistungsgrenzen komplexer Sensoren und Algorithmen – was insbesondere für Wahrnehmungs- und Entscheidungssysteme in autonomen Fahrzeugen relevant ist. Es führt einen systematischen Prozess ein für:

1. Ermittlung bekannter unsicherer Szenarien im Rahmen der vorgesehenen Funktionalität
2. Maßnahmen zur Risikominderung für diese bekannten Szenarien umsetzen
3. Verringerung unbekannter Sicherheitsrisiken durch gezielte Tests und Analysen
4. Festlegung von Leistungskriterien und Abnahmeschwellen

„Die Integration der Rahmenwerke ISO 26262 und SOTIF erfordert einen grundlegenden Wandel in unserer Herangehensweise an die Validierung autonomer Systeme. Wir haben hybride Methoden entwickelt, die sowohl zufällige Ausfälle als auch Leistungsbeschränkungen berücksichtigen und so eine umfassende Sicherheitsabdeckung über den gesamten Entwicklungszyklus hinweg gewährleisten.“

- Leitender Sicherheitsingenieur, T&S-Validierungsteam

Simulationsbasierte Validierungsmethoden

Simulationen spielen bei der Validierung autonomer Systeme eine zentrale Rolle, da sie Tests in einem weitaus größeren Szenario-Raum ermöglichen, als dies mit physischen Tests allein möglich wäre. Eine effektive Simulation erfordert eine ausgefeilte Modellierung über mehrere Domänen hinweg:

• Sensorsimulation zur Modellierung der physikalischen Grundlagen von LiDAR, RADAR und Kameras
• Umgebungssimulation einschließlich Witterungseinflüssen, Lichtverhältnissen und Straßenbelägen
• Verkehrssimulation mit Verhaltensmodellen für andere Verkehrsteilnehmer
• Simulation der Fahrzeugdynamik zur Erfassung des Fahrwerksverhaltens auf Steuerbefehle

Unser ingenieurtechnischer Ansatz legt besonderen Wert auf eine Simulationsgenauigkeit, die anhand von Tests unter realen Bedingungen kalibriert wird. Dieser Kalibrierungsprozess quantifiziert systematisch die Realitätslücke – also die Diskrepanz zwischen simulierten und realen Sensorantworten – und berücksichtigt diese Unsicherheiten in den Validierungsergebnissen.

Moderne Simulationsframeworks nutzen mehrere Schlüsseltechnologien:

• Physikbasiertes Rendering mit präzisen Materialeigenschaften für die Kamerasimulation
• Ray-Casting und Modellierung der elektromagnetischen Ausbreitung für LiDAR und RADAR
• GPU-Beschleunigung für die Ausführung in Echtzeit oder schneller als in Echtzeit
• Tools zur Szenario-Orchestrierung für eine systematische Abdeckung des operativen Entwurfsbereichs
• Domänen-Randomisierung zur Verbesserung der Robustheit gegenüber visuellen Abweichungen

Hardware-in-the-Loop- und Vehicle-in-the-Loop-Tests

Während Simulationen eine breite Abdeckung von Szenarien ermöglichen, bieten Hardware-in-the-Loop- (HIL) und Vehicle-in-the-Loop- (VIL) Tests eine gründliche Validierung der Systemintegration. Bei diesen Ansätzen werden reale Systemkomponenten in kontrollierte Testumgebungen eingebunden.

Bei HIL-Tests werden reale Steuergeräte und Sensoren an simulierte Umgebungen angeschlossen, wodurch sich das zeitliche Verhalten, die Ressourcenauslastung und Aspekte der Systemintegration validieren lassen, die bei einer reinen Simulation möglicherweise übersehen würden. Zu den fortschrittlichen HIL-Konfigurationen gehören:

• Sensorische Stimulation mittels LED-Arrays, Radarreflektoren und optischer Projektionssysteme
• Echtzeit-Simulation der Fahrzeugdynamik und der Umgebung
• Funktionen zur Fehlerinjektion für Robustheitstests
• Automatisierte Regressionstests über verschiedene Softwareversionen hinweg

Bei VIL-Tests werden mit Messgeräten ausgestattete Fahrzeuge in kontrollierten Testgeländeumgebungen eingesetzt, wodurch die Validierung der vollständigen Systemintegration unter Wahrung der Reproduzierbarkeit der Tests ermöglicht wird. Zu diesen Einrichtungen gehören in der Regel:

• Programmierbare Zielfahrzeuge und Fußgängersimulatoren
• Präzise Positionierungssysteme für die Szenario-Choreografie
• Kontrollierte Oberflächenbedingungen (Eis, Wasser, unterschiedliche Reibungskoeffizienten)
• Spezielle Infrastruktur für Konnektivitätstests (V2X, Mobilfunk-Handover)

Szenariobasiertes Testen für Randfälle

Szenariobasiertes Testen bietet einen strukturierten Ansatz zur Validierung autonomer Systeme unter bestimmten anspruchsvollen Bedingungen. Die Methodik umfasst:

1. Systematische Szenarioidentifizierung durch Unfallanalysen, naturgetreue Fahrstudien und Expertenbeurteilungen
2. Formalisierung von Szenarien unter Verwendung standardisierter Beschreibungssprachen (z. B. OpenSCENARIO)
3. Parametrisierte Variation zur Untersuchung von Randbedingungen
4. Durchführung auf Simulations-, HIL- und physikalischen Testplattformen
5. Leistungsbewertung anhand festgelegter Abnahmekriterien

Unsere Implementierung erweitert diesen Ansatz um die Generierung adversarischer Szenarien– dabei werden systematisch Szenarioparameter ermittelt, die die Wahrscheinlichkeit eines Systemausfalls maximieren. Diese aus der Luft- und Raumfahrtvalidierung übernommene Technik nutzt Optimierungsalgorithmen, um den Parameterraum nach anspruchsvollen Konfigurationen zu durchsuchen und dabei den Realismus der Szenarien zu wahren.

Statistische Validierungsansätze für KI-Komponenten

KI-Komponenten stellen aufgrund ihres probabilistischen Charakters und der Schwierigkeit, Leistungsgrenzen festzulegen, besondere Herausforderungen bei der Validierung dar. Statistische Validierungsansätze begegnen diesen Herausforderungen durch:

• Definition von Leistungskennzahlen mit expliziten Konfidenzintervallen
• Auswahl von Testfällen, die statistische Signifikanz über den gesamten Anwendungsbereich hinweg gewährleisten
• Geschichtete Stichprobenziehung zur Erfassung seltener, aber kritischer Szenarien
• Sensitivitätsanalyse zur Ermittlung einflussreicher Parameter
• Quantifizierung der Unsicherheit sowohl bei Testergebnissen als auch bei Leistungsangaben

Eine besonders leistungsstarke Methode besteht in der bayesschen Analyse von Testergebnissen, um das Vertrauen in die Systemleistung im Zuge der zunehmenden Evidenz kontinuierlich zu aktualisieren. Dieser Ansatz ermöglicht quantitative Aussagen zur Systemsicherheit mit expliziten Unsicherheitsgrenzen – eine entscheidende Voraussetzung für die Zertifizierung autonomer Funktionen.

Technologien für vernetzte Fahrzeuge als Grundlage für autonomes Fahren

Während die sensorbasierte Wahrnehmung die Grundlage für autonome Fähigkeiten bildet, erweitern vernetzte Fahrzeugtechnologien diese Fähigkeiten durch externe Informationsquellen. Diese Technologien ermöglichen eine Wahrnehmung über die Sichtweite hinaus, die Integration von Infrastruktur sowie flottenweites Lernen.

V2X-Kommunikationsstandards und deren Umsetzung

Die Vehicle-to-Everything (V2X) -Kommunikation umfasst mehrere miteinander verbundene Technologien:

• V2V (Vehicle-to-Vehicle) ermöglicht die direkte Kommunikation zwischen Fahrzeugen zur gemeinsamen Situationserkennung
• V2I (Vehicle-to-Infrastructure) verbindet Fahrzeuge mit Ampeln, Verkehrszeichen und Leitsystemen
• V2P (Vehicle-to-Pedestrian) sorgt mithilfe vernetzter Geräte für mehr Aufmerksamkeit gegenüber ungeschützten Verkehrsteilnehmern
• V2N (Vehicle-to-Network) nutzt die Mobilfunkinfrastruktur für eine großflächige Vernetzung

mit einer Frequenz von 5,9 GHz und C-V2X (Cellular V2X) auf Basis der 4G/5G-Technologie. Beide bieten Kommunikation mit geringer Latenz (typischerweise

Zu den Herausforderungen bei der Implementierung gehören:

• Gewährleistung der Nachrichtenauthentifizierung bei gleichzeitiger Wahrung der Privatsphäre
• Verwaltung der gemeinsamen Frequenznutzung mit anderen Mobilfunkdiensten
• Entwicklung von Vertrauensmodellen für den Informationsaustausch
• Gewährleistung der Abwärtskompatibilität beim Technologiewechsel

Überlegungen zur Cybersicherheit bei autonomen Systemen

Autonome Fahrzeuge bieten eine größere Angriffsfläche, was umfassende Ansätze zur Cybersicherheit erfordert. Zu den wichtigsten Schwachstellenbereichen zählen:

• Angriffe auf Sensoren (Spoofing, Störsignale, Blindung)
• Kommunikationsschnittstellen (V2X, Mobilfunk, Bluetooth, WLAN)
• Mechanismen für drahtlose Updates
• Physische Schnittstellen (OBD-II, USB-Anschlüsse)
• Schwachstellen in der Lieferkette bei Hardware- und Softwarekomponenten

Unsere Sicherheitsarchitektur basiert auf den Prinzipien der mehrschichtigen Verteidigung, die aus der Luft- und Raumfahrt sowie aus Verteidigungsanwendungen stammen:

1. Mechanismen für den sicheren Systemstart, die die Softwareintegrität gewährleisten
2. Hardware-Sicherheitsmodule für kryptografische Operationen
3. Einbruchserkennungssysteme zur Überwachung auf ungewöhnliches Verhalten
4. Sichere Kommunikationskanäle mit starker Authentifizierung
5. Berechtigungstrennung, die den Zugriff von Komponenten auf erforderliche Ressourcen einschränkt
6. Laufzeit-Attestierung zur Überprüfung der Systemintegrität während des Betriebs

Over-the-Air-Updates und kontinuierliche Verbesserung

Funktionen für drahtlose (OTA) Updates ermöglichen eine kontinuierliche Verbesserung autonomer Systeme während ihrer gesamten Betriebsdauer. Diese Systeme müssen einen Ausgleich schaffen zwischen der Notwendigkeit einer raschen Umsetzung von Sicherheitsverbesserungen und dem Risiko, das Softwareänderungen an sicherheitskritischen Systemen mit sich bringen.

Zu den wichtigsten architektonischen Elementen gehören:

• A/B-Partitionierung, die einen Fallback auf frühere Softwareversionen ermöglicht
• Mechanismen für inkrementelle Aktualisierungen, die den Bandbreitenbedarf minimieren
• Kryptografische Überprüfung zur Gewährleistung der Echtheit von Aktualisierungen
• Schrittweise Einführungsstrategien zur Begrenzung des Risikos potenzieller Probleme
• Umfassende Regressionstests vor der Bereitstellung

Diese Fähigkeit ermöglicht einen grundlegenden Wandel in der Entwicklung autonomer Systeme: weg von einzelnen Releases hin zu einer kontinuierlichen Verbesserung auf der Grundlage von Flottenlernen. Die von den im Einsatz befindlichen Fahrzeugen gesammelten Daten identifizieren Randfälle und Leistungsgrenzen und ermöglichen so gezielte Verbesserungen, die anschließend wieder in die Flotte integriert werden – wodurch ein positiver Kreislauf der kontinuierlichen Weiterentwicklung entsteht.

Branchenübergreifende Erkenntnisse für das autonome Fahren

Die Entwicklung autonomer Fahrzeuge profitiert in hohem Maße vom branchenübergreifenden Wissenstransfer. Die Bereiche Luft- und Raumfahrt, Verteidigung und industrielle Automatisierung verfügen über bewährte Methoden für sicherheitskritische Systeme, die wertvolle Erkenntnisse für Anwendungen im Automobilbereich liefern.

Sicherheitsgrundsätze aus der Luft- und Raumfahrt in der Automobilindustrie

Die Luft- und Raumfahrtindustrie hat durch jahrzehntelange Erfahrung mit Flugsteuerungssystemen und Avionik ausgefeilte Sicherheitsmethoden entwickelt. Mehrere dieser Grundsätze lassen sich direkt auf das autonome Fahren übertragen:

Auslegungsprinzip für den Ausfall: In der Luft- und Raumfahrt geht man davon aus, dass Komponentenausfälle auftreten können, und legt die Systeme entsprechend aus. Dieses Prinzip zeigt sich in redundanten Architekturen (doppelte/dreifache modulare Redundanz), der diversifizierten Umsetzung kritischer Funktionen und der Fähigkeit zur kontrollierten Leistungsreduzierung. Auf autonome Fahrzeuge angewendet, gewährleistet dieser Ansatz einen weiterhin sicheren Betrieb, selbst wenn Sensoren oder Rechenelemente ausfallen.

Formale Verifikation: Kritische Software für die Luft- und Raumfahrt wird einer strengen formalen Verifikation unterzogen, bei der die Korrektheitseigenschaften mathematisch nachgewiesen werden. Während eine vollständige formale Verifikation für komplexe autonome Systeme nach wie vor nicht praktikabel ist, bietet der gezielte Einsatz bei sicherheitskritischen Komponenten – insbesondere bei Ausfallsicherungssystemen – wertvolle Sicherheitsgarantien.

Unabhängige Verifizierung und Validierung: In der Luft- und Raumfahrt werden Entwicklungs- und Validierungsteams voneinander getrennt, um eine objektive Bewertung zu gewährleisten. Dieser Grundsatz gilt insbesondere für autonome Systeme, bei denen separate Validierungsteams Annahmen und Randfälle aufdecken können, die den Entwicklungsteams möglicherweise entgehen.

Wahrnehmungssysteme in Militärqualität für zivile Anwendungen

Verteidigungssysteme haben wegweisende Wahrnehmungstechnologien entwickelt, die unter widrigen Bedingungen und in umkämpften Umgebungen eingesetzt werden. Mehrere aus dem Verteidigungsbereich stammende Ansätze bieten erhebliche Vorteile für das autonome Fahren:

Multispektrale Sensorik: Militärfahrzeuge sind in der Regel mit visuellen, Infrarot- und Radarsensoren ausgestattet, um unter allen Umgebungsbedingungen ein umfassendes Lagebild zu gewährleisten. Dieser Ansatz lässt sich direkt auf autonome Fahrzeuge übertragen und ermöglicht eine zuverlässige Wahrnehmung bei Nebel, Dunkelheit und Niederschlag.

Sensorfusionsalgorithmen: Verteidigungssysteme nutzen ausgefeilte Fusionsalgorithmen, die die Gewichtung der Sensoren je nach Umgebungsbedingungen und Bedrohungslage dynamisch anpassen. Diese adaptiven Fusionsansätze schneiden in anspruchsvollen zivilen Fahrsituationen deutlich besser ab als statische Algorithmen.

Robustheit gegenüber Störangriffen: Militärische Sensoren sind so konzipiert, dass sie auch bei gezielten Störversuchen funktionsfähig bleiben. Diese Schutzmaßnahmen gewährleisten Widerstandsfähigkeit sowohl gegenüber böswilligen Angriffen als auch gegenüber unbeabsichtigten Störungen in zivilen Anwendungen.

Zuverlässigkeitskonzepte der industriellen Automatisierung für die Mobilität

In der industriellen Automatisierungstechnik gibt es bewährte Methoden, um den zuverlässigen Betrieb komplexer automatisierter Systeme über lange Betriebszeiten hinweg sicherzustellen – was in direktem Zusammenhang mit den Anforderungen an die Langlebigkeit autonomer Fahrzeuge steht:

Vorausschauende Wartung: In industriellen Systemen wird die Zustandsüberwachung eingesetzt, um Ausfälle vorherzusagen, bevor sie auftreten. Bei autonomen Fahrzeugen ermöglicht dieser Ansatz eine vorausschauende Wartung kritischer Sensoren und Computersysteme auf der Grundlage von Indikatoren für Leistungsabfall.

Sicherheitsgerichtete Systeme: Die industrielle Sicherheit folgt dem Prinzip unabhängiger Schutzebenen, wobei spezielle Sicherheitssysteme von der Betriebssteuerung getrennt sind. Diese Architektur dient als Vorbild für Sicherheitsüberwachungssysteme in autonomen Fahrzeugen, die den Betrieb unabhängig überwachen und eingreifen, wenn die primären Systeme von den sicheren Betriebsparametern abweichen.

Zukunftssichere Entwicklungsstrategien

Die rasante Entwicklung der autonomen Technologie erfordert Entwicklungsstrategien, die künftigen Fortschritten Rechnung tragen und gleichzeitig Sicherheit und Zuverlässigkeit gewährleisten. Diese Strategien müssen Innovation und Stabilität in Einklang bringen und Architekturen schaffen, die sich weiterentwickeln, ohne dass eine vollständige Neugestaltung erforderlich ist.

Aufbau skalierbarer autonomer Architekturen

Skalierbare Architekturen ermöglichen eine schrittweise Einführung autonomer Funktionen unter Beibehaltung einheitlicher Sicherheitsrahmenbedingungen. Zu den wichtigsten Architekturprinzipien gehören:

Funktionale Zerlegung: Die Gliederung von Systemen in Module mit klar definierten Schnittstellen ermöglicht eine unabhängige Weiterentwicklung der Komponenten. Dieser Ansatz erlaubt es, dass sich die Teilsysteme für Wahrnehmung, Planung und Steuerung in unterschiedlichem Tempo weiterentwickeln, während die Systemintegration gewahrt bleibt.

Serviceorientierte Architekturen: Die Implementierung autonomer Funktionen als Dienste mit standardisierten Schnittstellen erleichtert die schrittweise Bereitstellung und die Aktualisierbarkeit. Dieser Ansatz ermöglicht eine Erweiterung der Funktionen ohne monolithische Software-Updates.

Skalierbarkeit der Rechenleistung: Durch die Konzeption auf erweiterbare Rechenressourcen lässt sich die Rechenleistung schrittweise erhöhen, wenn autonome Funktionen immer komplexer werden. Dies umfasst sowohl die Skalierung innerhalb der Fahrzeugarchitekturen als auch die mögliche Auslagerung von Rechenaufgaben an die Edge-Infrastruktur.

Vorbereitung auf regulatorische Anforderungen und Zertifizierung

Das regulatorische Umfeld für autonome Fahrzeuge entwickelt sich weiter, wobei in den wichtigsten Märkten derzeit entsprechende Rahmenbedingungen ausgearbeitet werden. Zukunftssichere Entwicklungsstrategien müssen regulatorische Anforderungen vorwegnehmen und gleichzeitig Flexibilität für regionale Unterschiede gewährleisten:

Erstellung von Sicherheitsnachweisen: Die Erstellung umfassender, evidenzbasierter Sicherheitsnachweise, die die Systemsicherheit dokumentieren, bildet die Grundlage für die künftige Zertifizierung. Dieser Ansatz, der aus der Luft- und Raumfahrtzertifizierung übernommen wurde, schafft eine strukturierte Argumentationskette, die Sicherheitsanforderungen mit Nachweisen zur Verifizierung verknüpft.

Regionale Anpassungsfähigkeit: Die Entwicklung konfigurierbarer Systeme, die regionale regulatorische Unterschiede berücksichtigen, ermöglicht einen effizienten Einsatz in verschiedenen Märkten. Dazu gehört die Parametrisierung von Fahrverhalten, Sicherheitsschwellenwerten und Benutzeroberflächen, um unterschiedlichen Anforderungen gerecht zu werden.

Modelle der kooperativen Entwicklung

Die Komplexität autonomer Systeme übersteigt die Kapazitäten einzelner Organisationen, was kooperative Entwicklungsmodelle entlang der gesamten Lieferkette erforderlich macht. Eine effektive Zusammenarbeit erfordert strukturierte Ansätze:

Standardisierung von Schnittstellen: Die Definition klarer Schnittstellen zwischen Teilsystemen ermöglicht eine Spezialisierung der Zulieferer bei gleichzeitiger Wahrung der Systemintegration. Industriestandards wie AUTOSAR Adaptive bieten Rahmenbedingungen für diese Schnittstellen.

Gemeinsame Validierungsrahmen: Die Festlegung gemeinsamer Validierungsmethoden und Szenariodatenbanken ermöglicht eine effiziente Verteilung der Validierungsaufgaben auf die Partner. Dieser kooperative Validierungsansatz verbessert die Szenarioabdeckung erheblich und sorgt gleichzeitig für eine Kostenkontrolle.

Umsetzungsplan für Akteure der Branche

Die Einführung autonomer Technologien erfordert strukturierte Ansätze, die auf die organisatorischen Kapazitäten und strategischen Ziele zugeschnitten sind. Diese Roadmap bietet einen Rahmen für eine schrittweise Umsetzung bei gleichzeitiger Steuerung technischer und geschäftlicher Risiken.

Bewertung der organisatorischen Bereitschaft

Eine erfolgreiche Umsetzung beginnt mit einer gründlichen Bewertung der organisatorischen Fähigkeiten in verschiedenen Bereichen:

• Fachliche Kompetenz: Bewertung der Fachkenntnisse in den Bereichen Wahrnehmung, Planung, Steuerung und Validierung
• Entwicklungsinfrastruktur: Bewertung von Simulationsumgebungen, Testeinrichtungen und CI/CD-Pipelines
• Validierungskapazitäten: Bewertung von Methoden und Werkzeugen für die Validierung komplexer Systeme
• Qualitätsprozesse: Bewertung von Entwicklungsprozessen anhand sicherheitskritischer Standards

Strategische Partnerschaft vs. Eigenentwicklung

Die Entscheidung, ob man selbst entwickelt oder auf einen Partner setzt, stellt eine entscheidende strategische Weichenstellung bei der Umsetzung autonomer Systeme dar. Zu den wichtigsten Überlegungen zählen:

Rahmenkonzept zur ROI-Berechnung für Projekte im Bereich autonomer Fahrzeuge

Autonome Technologien erfordern erhebliche Investitionen, deren Rendite sich erst über mehrere Zeiträume hinweg zeigt. Umfassende ROI-Modelle berücksichtigen dabei verschiedene Wertdimensionen:

Direkte Einnahmequellen: Neue Mobilitätsdienste, die durch autonome Fahrtechnik ermöglicht werden, Premium-Preise für autonome Funktionen sowie die Optimierung des Flottenbetriebs sorgen für direkte finanzielle Erträge.

Indirekte Vorteile: Markenpositionierung, technologische Führungsrolle und die Gewinnung von Talenten stellen bedeutende, wenn auch weniger quantifizierbare Vorteile dar, die in die ROI-Berechnungen einbezogen werden müssen.

Risikominderung: Die Entwicklung autonomer Technologien bietet eine Absicherung gegen Störungen, wobei der Optionswert bei Investitionsentscheidungen explizit bewertet werden muss.

Schrittweise Einführung: Strategien zur schrittweisen Einführung ermöglichen eine schrittweise Wertschöpfung bei gleichzeitiger Verteilung der Investitionen über einen längeren Zeitraum, wodurch sich die Rentabilitätsprofile verbessern.

Die Revolution im Bereich der autonomen Fahrzeuge bringt beispiellose technische Herausforderungen mit sich, die interdisziplinäre Ansätze und innovative Validierungsmethoden erfordern. Durch die Kombination von Fachwissen aus der Automobilbranche mit Sicherheitsprinzipien aus der Luft- und Raumfahrt, einer Wahrnehmung, die den Anforderungen der Verteidigungsindustrie entspricht, sowie Konzepten für industrielle Zuverlässigkeit können Unternehmen diesen komplexen technischen Wandel erfolgreich bewältigen.

Erfolg bei der Entwicklung autonomer Fahrzeuge erfordert nicht nur technische Exzellenz, sondern auch strategisches Denken in Bezug auf Partnerschaftsmodelle, Validierungsrahmen und Umsetzungspläne. Die Unternehmen, denen es gelingt, Innovation mit strenger technischer Disziplin in Einklang zu bringen und dabei branchenübergreifende Erkenntnisse zu nutzen, werden sich in diesem transformativen Technologiebereich als Vorreiter etablieren.