Die ungelösten Probleme des automatisierten Fahrens

Level-4-Dienste befördern heute in mehreren Städten Fahrgäste ohne Fahrer, und Level-3-Funktionen sind unter begrenzten Bedingungen in Serienfahrzeugen zugelassen. Das ungelöste Problem besteht darin, akzeptables Verhalten in einem Bereich zu definieren, zu validieren und zu betreiben, dessen miteinander verknüpfte Bedingungen einen Abbruch erzwingen können, bevor dem System die Optionen ausgehen.

Wahrnehmung unter erschwerten Bedingungen

Regen, Schnee, Nebel, Dunkelheit, Blendung, Spritzwasser und Schmutz wirken sich unterschiedlich auf Sensoren aus. Heizung und Reinigung können ein Kameraobjektiv oder Lidar-Fenster nutzbar halten, während Radar ergänzende Informationen liefert, doch keine Hardwarekombination lässt schweres Wetter verschwinden.

Das System muss seine aktuelle Wahrnehmungsfähigkeit einschätzen. Das ist schwieriger, als einen vollständig ausgefallenen Sensor zu erkennen. Eine teilweise verdeckte Kamera oder eine Radarreflexion kann weiterhin plausible Daten liefern, allerdings mit geringerer Zuverlässigkeit.

Eine geringere Geschwindigkeit kann wieder genügend Anhalteweg schaffen, jedoch nur, wenn der umgebende Verkehr das Verhalten verstehen kann und das System weiterhin einen sicheren Ort zum Anhalten oder zum Beenden des Betriebs hat.

Vorübergehend veränderte und mehrdeutige Straßen

Karten und Trainingsdaten beruhen auf dem Stand von gestern. Straßenarbeiter verändern Fahrspuren, verdecken Markierungen, versetzen Absperrungen und regeln den Verkehr mit Handzeichen. Einsatzkräfte setzen normale Regeln bewusst außer Kraft. Ein Lieferwagen kann die Sicht auf ein vorübergehend aufgestelltes Schild versperren.

Solche Szenen verbinden Wahrnehmung, semantisches Verständnis und sozialen Kontext. Das Fahrzeug muss maßgebliche vorübergehende Anweisungen erkennen, Verdeckungen berücksichtigen und weiterfahren, ohne blind der Karte oder dem vorausfahrenden Fahrzeug zu folgen.

Menschen verständigen sich beim Fahren auch über Blickkontakt, Fahrzeugposition und kleine Bewegungen. Automatisierte Fahrzeuge müssen ihre Absicht klar vermitteln, ohne unsichere Konventionen zu erfinden.

Der lange Rand ist keine Liste

Entwickler bezeichnen seltene oder ungewöhnliche Situationen oft als „Edge Cases“. Der Begriff kann irreführend sein. Viele entstehen aus Kombinationen gewöhnlicher Faktoren: Eine alltägliche Bewegung eines Fußgängers hinter einem gewöhnlichen geparkten Lieferwagen bei gewöhnlichem Regen.

Es ist unmöglich, jede Szene aufzuzählen. Die tiefergehende Anforderung ist robustes Verhalten bei Unsicherheit:

nicht schneller fahren, als es die aktuelle Sichtweite erlaubt;
Alternativen offenhalten, bevor eine Entscheidung festgelegt wird;
verdeckten Raum als unsicher und nicht als leer behandeln;
erkennen, wenn die Szene außerhalb der validierten Erfahrung liegt; und
einen sicheren, zur Straße passenden Rückfall nutzen.

Modelle des maschinellen Lernens können verallgemeinern, aber bei unbekannten Eingaben auch selbstsicher versagen. Unabhängige Grenzen, Laufzeitüberwachung und systematische Szenarienerzeugung bleiben notwendig.

Menschliche Faktoren an der Automatisierungsgrenze

Level 2 ist auf ständige menschliche Überwachung angewiesen und macht genau diese Überwachung monoton. Fahrer können einer gleichmäßigen Leistung zu stark vertrauen, lernen, schwache Lenkradwarnungen zu erfüllen, ohne die Straße zu beobachten, oder einen Produktnamen falsch verstehen.

Level 3 beseitigt die ständige Überwachung, schafft aber ein Übergabeproblem. Ein übernahmebereiter Nutzer braucht Zeit, um eine Nebentätigkeit zu beenden, sich in der Situation zu orientieren und die Kontrolle zu übernehmen. Das System muss eine Grenze früh genug erkennen, damit die Aufforderung sinnvoll ist.

Modusverwirrung kann entstehen, wenn die Benutzerschnittstelle die aktive Stufe, Verfügbarkeit oder geforderte Reaktion nicht klar anzeigt. Vorhersehbare Fehlanwendung sollte durch die Gestaltung berücksichtigt und nicht als bloßes Warnhinweisproblem abgetan werden.

Sicherheit nachweisen, bevor seltener Schaden eintritt

Schwere Unfälle sind im Verhältnis zur gefahrenen Strecke selten. Der Nachweis eines kleinen statistischen Unterschieds kann eine enorme vergleichbare Exposition erfordern, und rohe Kilometerzahlen können einfachere Straßentypen oder Wetterbedingungen verbergen.

Simulation skaliert die Abdeckung von Szenarien, hängt aber von der Modelltreue ab. Prüfungen auf abgesperrten Strecken sind wiederholbar, jedoch vereinfacht. Tests auf öffentlichen Straßen sind realistisch, aber für seltene Gefahren ineffizient. Rückblickende Unfallvergleiche hängen von Meldeschwellen, Schweregraddefinitionen, geografischer Verteilung und geeigneten menschlichen Vergleichswerten ab.

Die Herausforderung ist, einen Sicherheitsnachweis aus sich ergänzenden Belegen aufzubauen, statt nach einer einzigen entscheidenden Zahl zu suchen. Die Belege sollten spezifisch für Fahrzeug, Software, Betriebsbereich und Version sein.

Auch öffentliche Daten müssen unabhängig geprüft werden. Von Unternehmen gemeldete Sicherheitsergebnisse können wertvoll sein, wenn Methoden, Bezugsgrößen und herunterladbare Datensätze offengelegt werden. Sie dürfen nicht über den gemessenen Bereich hinaus verallgemeinert werden.

Rückfall, ohne eine neue Gefahr zu schaffen

„Sicher anhalten“ ist nicht immer möglich. Eine Autobahn kann keinen Seitenstreifen haben; ein Tunnel kann die Verbindung unterbrechen; eine Stadtstraße kann überfüllt sein; ein stehendes Fahrzeug kann selbst zum Kollisionsrisiko werden.

Der Zustand minimalen Risikos hängt von der verbleibenden Fähigkeit, der Straßengeometrie, dem Verkehr und dem Fehler ab. Das Fahrzeug muss möglicherweise mit verringerter Geschwindigkeit weiterfahren, einen Spurwechsel abschließen, eine Ausweichstelle erreichen oder in der Fahrspur anhalten.

Fernunterstützung kann helfen, eine ungewöhnliche Situation zu deuten, doch die Kommunikation kann verzögert oder nicht verfügbar sein. Das Bordsystem benötigt dennoch eine sichere Reaktion. Wenn ein Mensch aus der Ferne die Bewegung ständig steuert, sollten Architektur und Aussagen dies klar benennen.

Das Betriebssystem skalieren, nicht nur das Auto

Eine Level-4-Flotte ist auf Kartierung, Disposition, Laden, Reinigung, Kalibrierung, Wartung, Fernunterstützung, Notfallmaßnahmen und lokale Genehmigungen angewiesen.

Eine Ausweitung wirft betriebliche Fragen auf:

Können Depots genügend Fahrzeuge laden, ohne die Dienstabdeckung zu verringern?
Wie schnell werden verschmutzte oder beschädigte Sensoren erkannt und gewartet?
Wie werden Straßensperrungen und Notfallanweisungen mitgeteilt?
Welche Unterstützung gibt es für Fahrgäste mit Behinderungen oder in einer Notlage?
Wie werden Vorfälle gesichert, gemeldet und untersucht?

Ein Fahrzeug, das bei Tests in einer neuen Stadt navigieren kann, ist dort nicht automatisch für den öffentlichen kommerziellen Betrieb bereit.

Kosten, Energie und Reparatur

Redundante Rechenleistung, Lidar, Radar, Reinigungssysteme und fehlertolerante Aktuatoren erhöhen Kosten, Energieverbrauch und Wartungsaufwand. Dachaufbauten können den Luftwiderstand erhöhen. Rechen- und Sensorlasten verringern die Reichweite eines Elektrofahrzeugs und erzeugen Wärme.

Auch bei Privatfahrzeugen stellt sich ein Reparaturproblem. Ein kleiner Zusammenstoß oder der Austausch der Windschutzscheibe kann eine Kalibrierung erfordern. Wird ein Fahrzeug mit Hardware für eine spätere Funktion verkauft, sind Veralterung und langfristige Ersatzteilversorgung relevant.

Größere Stückzahlen werden einige Komponentenkosten senken, doch höhere Fähigkeiten können die Einsparungen durch zusätzliche Abdeckung, Rechenleistung oder Redundanz aufzehren.

Regulierung und grenzüberschreitende Unterschiede

Die Genehmigungswege unterscheiden sich für Fahrerassistenz, bedingte Automatisierung und vollautomatisierte Fahrzeuge. Typgenehmigung des Fahrzeugs, Erlaubnis zum Testen, Erlaubnis zum fahrerlosen Betrieb und Genehmigung zur entgeltlichen Personenbeförderung sind getrennte Fragen.

Eine Funktion kann technisch vorhanden, in einem Markt aber deaktiviert sein. Auch Regeln für erlaubte Nebentätigkeiten, Ereignisdaten, Versicherung und Fernbetrieb unterscheiden sich.

Internationale Normen und UN-Regelungen verringern die Fragmentierung, doch die Einführung bleibt lokal, weil Straßenverkehrsrecht, Infrastruktur und Durchsetzung lokal sind.

Verkehrliche Ergebnisse sind nicht garantiert

Ein automatisiertes Elektrofahrzeug kann bestimmte Unfallfolgen verringern und im Betrieb Auspuffemissionen vermeiden. Eine Flotte kann jedoch auch leere Umpositionierungskilometer hinzufügen, mit dem öffentlichen Verkehr konkurrieren oder die Verkehrsnachfrage erhöhen.

Verbesserte Zugänglichkeit hängt von Fahrzeuggestaltung, Preis, Bediengebiet und Fahrgastunterstützung ab – nicht allein von der Automatisierung. Verbesserungen bei Staus hängen von Besetzung und gesamten Fahrzeugkilometern ab, nicht von der gleichmäßigeren Steuerung eines einzelnen Autos.

Die richtige Bewertungseinheit ist der Verkehrsdienst ebenso wie das Fahrzeug.

Was als echter Fortschritt gelten würde

Fortschritt ist mehr als eine neue Demonstration. Aussagekräftige Belege sind:

ein klar erweiterter und validierter ODD;
bessere Schutzmaßnahmen gegen Fehlanwendung von Level 2;
sichere Level-3-Übergaben, belegt durch Erkenntnisse zu menschlichen Faktoren;
ein fahrerloser öffentlicher Dienst mit transparentem Betriebsumfang;
vergleichbare Daten zu Unfallfolgen mit reproduzierbaren Methoden;
geringerer Energieverbrauch und niedrigere Hardwarekosten ohne schwächeren Rückfall; und
eine behördliche Genehmigung, die genau angibt, was bewertet wurde.

Vollständiges Level 5 ist nicht erforderlich, damit automatisiertes Fahren nützlich ist. Der glaubwürdigere Weg besteht aus begrenzten Fähigkeiten, die nur erweitert werden, wenn die Belege die neue Grenze stützen.