Autonomes Fahren „Der Fokus liegt auf realisierbare und nützliche Anwendungen“
In der Logistik oder in der Landwirtschaft sind autonome Fahrzeuge durchaus sinnvoll. Doch wie sieht es im Individualverkehr aus? Jan Reich vom Fraunhofer-Institut IESE sagt, dass der Fokus derzeit auf den Stufen 2 und 3 liegen sollte. Auch die Automobilhersteller sollten sich gut überlegen, welche Strategie sie mit automatisierten Fahrzeugen verfolgen wollen.
Effiziente und klimagerechte Mobilität in der Stadt: „Das Auto muss beispielsweise im Vergleich zum ÖPNV so unattraktiv sein, dass Menschen gar nicht erst ihren PKW bewegen wollen“, sagt Jan Reich vom Fraunhofer IESE. (Bild: MagicTV / Pixabay)
Das autonome Fahren ist eine vielversprechende Technik, damit Verkehr sicherer, effizienter und komfortabler wird. Viele moderne Fahrzeuge sind mit technischen Helfern ausgestattet, um Fahrer zu unterstützen. Intelligente Fahrerassistenzsysteme der Stufen 2 und 3 sind sinnvoller als Stufe 4, da sie den Fahrer unterstützen, ohne ihn vollständig zu ersetzen. Bei Stufe 2 übernehmen die Assistenzsysteme die Längs- und Querführung des Fahrzeugs, der Fahrer muss aber weiterhin die Fahraufgabe überwachen und jederzeit eingreifen können. Stufe 3 ermöglicht hochautomatisiertes Fahren unter bestimmten Voraussetzungen, der Fahrer darf sich aber nicht komplett vom Verkehrsgeschehen abwenden und muss jederzeit bereit sein, die Kontrolle zu übernehmen.
Zum Thema autonomes Fahren haben wir mit Jan Reich gesprochen. Er leitet seit 2024 die Abteilung Safety Engineering am Fraunhofer-Institut für Experimentelles Software Engineering IESE.
Herr Reich, warum halten Sie intelligente Fahrerassistenzsysteme der Stufen 2 und 3 für sinnvoller als Stufe 4 und warum sollten wir kurz innehalten?
Jan Reich vom Fraunhofer IESE: „In den nächsten fünf Jahren wird sich das hochautomatisierte Fahren voraussichtlich vor allem durch die Weiterentwicklung und breitere Anwendung von Fahrerassistenzsystemen der Stufen 2 und 3 weiterentwickeln“. (Bild: Fraunhofer IESE)
Sinnvoller ist in diesem Zusammenhang wohl der falsche Begriff. Vielmehr unterscheiden sich sowohl die Entwicklungsziele als auch die Herausforderungen und Kosten der Absicherung grundlegend. Fahrerassistenzsysteme der Stufe 2 sollen den menschlichen Fahrer bei der Fahraufgabe unterstützen. Systeme der Stufe 3 sollen den Fahrer zeitweise von der Fahraufgabe entlasten, wobei eine Rückübernahme der Fahraufgabe innerhalb eines definierten Zeitfensters jederzeit möglich ist. Level 4 soll die Fahraufgabe in einem definierten Betriebsbereich vollständig übernehmen. Die Herausforderungen und Kosten der Absicherung steigen durch die fehlende menschliche Rückfallebene von Level 3 auf Level 4 überproportional an, so dass die Endkunden nach meiner Einschätzung nicht bereit sein werden, die Mehrkosten der L4-Funktionalität zu tragen.
Die Kernherausforderung beim Übergang von Stufe 2 auf 3 ist die Beherrschung des sogenannten Human Factors, das heißt die Sicherstellung der Übernahmefähigkeit des Fahrers und der Interaktion zwischen ADS und Fahrer. Da Menschen eine gewisse Zeit benötigen, um sich aus anderen Aktivitäten wieder in die Fahraufgabe hineinzudenken, ist eine entsprechende weitreichende Antizipation des Verkehrsgeschehens notwendig. Diese ist aktuell maßgeblich durch die Limitierung der Reichweite von On-Board-Sensorik beschränkt. Kurzum: Jede Automatisierungsstufe hat andere Entwicklungsziele, Absicherungsherausforderungen und Kundensegmente mit unterschiedlichen finanziellen Voraussetzungen. Diese Faktoren bestimmen maßgeblich die Sinnhaftigkeit von automatisierten Fahrfunktionen in unterschiedlichen Märkten.
Ein wachsender Individualverkehr mit dem Auto wird sich in unseren Städten negativ auswirken. Bei PKWs mit Verbrennermotoren werden noch mehr CO2-Emissionen erzeugt und die Luftqualität in den Städten verschlechtert sich. Bei E-Autos sind es weniger die Emissionen, sondern vielmehr das Verkehrsaufkommen und die damit verbundenen Staus. Für eine effiziente und klimagerechte Mobilität braucht es neue Denkansätze. Einer davon: Das Auto muss beispielsweise im Vergleich zum ÖPNV so unattraktiv sein, dass Menschen gar nicht erst ihren PKW bewegen wollen. Das gelingt vor allem dann, wenn etwa Bus und Bahn eine schnellere und komfortablere Fortbewegung ermöglichen als das Auto – und günstiger sind.
Ein stärker automatisierter ÖPNV kann dazu beitragen, den Fachkräftemangel zu beheben. So hätten wir plötzlich mehr einsatzfähige automatisierte Busse in den Städten, damit ein besser ausgebautes Liniennetz und im Idealfall weniger Staus durch weniger Autos. In den skizzierten Anwendungsfällen wie automatisierter ÖPNV oder auch Robotaxis wird daher eine Level-4-Funktionalität benötigt.
Da den zu erwartenden Herausforderungen und Absicherungskosten jedoch wirtschaftliche und gesellschaftliche Potenziale eine sauberere und flexiblere Mobilität gegenüberstehen, gehe ich davon aus, dass die Realisierung in diesen Anwendungsfällen vorangetrieben wird. Dies zeigt sich zum Beispiel auch in der Fokussierung der deutschen „Autonome-Fahrzeuge-Genehmigungs-und-Betriebs-Verordnung – AFGBV“, die den Einsatz von L4-Systemen in den zuvor skizzierten Anwendungsfällen fokussiert.
Stand vom 15.04.2021
Es ist für uns eine Selbstverständlichkeit, dass wir verantwortungsvoll mit Ihren personenbezogenen Daten umgehen. Sofern wir personenbezogene Daten von Ihnen erheben, verarbeiten wir diese unter Beachtung der geltenden Datenschutzvorschriften. Detaillierte Informationen finden Sie in unserer Datenschutzerklärung.
Einwilligung in die Verwendung von Daten zu Werbezwecken
Ich bin damit einverstanden, dass die Vogel Communications Group GmbH & Co. KG, Max-Planckstr. 7/9, 97082 Würzburg einschließlich aller mit ihr im Sinne der §§ 15 ff. AktG verbundenen Unternehmen (im weiteren: Vogel Communications Group) meine E-Mail-Adresse für die Zusendung von redaktionellen Newslettern nutzt. Auflistungen der jeweils zugehörigen Unternehmen können hier abgerufen werden.
Der Newsletterinhalt erstreckt sich dabei auf Produkte und Dienstleistungen aller zuvor genannten Unternehmen, darunter beispielsweise Fachzeitschriften und Fachbücher, Veranstaltungen und Messen sowie veranstaltungsbezogene Produkte und Dienstleistungen, Print- und Digital-Mediaangebote und Services wie weitere (redaktionelle) Newsletter, Gewinnspiele, Lead-Kampagnen, Marktforschung im Online- und Offline-Bereich, fachspezifische Webportale und E-Learning-Angebote. Wenn auch meine persönliche Telefonnummer erhoben wurde, darf diese für die Unterbreitung von Angeboten der vorgenannten Produkte und Dienstleistungen der vorgenannten Unternehmen und Marktforschung genutzt werden.
Falls ich im Internet auf Portalen der Vogel Communications Group einschließlich deren mit ihr im Sinne der §§ 15 ff. AktG verbundenen Unternehmen geschützte Inhalte abrufe, muss ich mich mit weiteren Daten für den Zugang zu diesen Inhalten registrieren. Im Gegenzug für diesen gebührenlosen Zugang zu redaktionellen Inhalten dürfen meine Daten im Sinne dieser Einwilligung für die hier genannten Zwecke verwendet werden.
Recht auf Widerruf
Mir ist bewusst, dass ich diese Einwilligung jederzeit für die Zukunft widerrufen kann. Durch meinen Widerruf wird die Rechtmäßigkeit der aufgrund meiner Einwilligung bis zum Widerruf erfolgten Verarbeitung nicht berührt. Um meinen Widerruf zu erklären, kann ich als eine Möglichkeit das unter https://contact.vogel.de abrufbare Kontaktformular nutzen. Sofern ich einzelne von mir abonnierte Newsletter nicht mehr erhalten möchte, kann ich darüber hinaus auch den am Ende eines Newsletters eingebundenen Abmeldelink anklicken. Weitere Informationen zu meinem Widerrufsrecht und dessen Ausübung sowie zu den Folgen meines Widerrufs finde ich in der Datenschutzerklärung, Abschnitt Redaktionelle Newsletter.
Wie im Personennahverkehr gibt es auch in der Logistik und in der Landwirtschaft einen Fachkräftemangel. In der Landtechnik beispielsweise wird es für viele Betriebe immer schwieriger, Erntehelfer und Saisonarbeitskräfte zu finden. Intelligente Landmaschinen können Abhilfe schaffen, wenn sie automatisiert sind und keine menschliche Unterstützung benötigen. Aus wirtschaftlicher Sicht ist dies ein Use Case für den sinnvollen Einsatz von Level-4-Fahrzeugen.
Anders sieht es im Individualverkehr aus, wo wir neben dem Komfortgewinn beim Fahren keinen weiteren Mehrwert durch einen höheren Automatisierungsgrad erreichen, der sich preislich rechtfertigen ließe. In der Landwirtschaft ist man beim automatisierten Fahren auf dem Feld (Level 4) schon recht weit. In vielen Fällen wird fahrerloses Fahren aber erst dann wirklich attraktiv, wenn die Fahrzeuge von Feld zu Feld fahren, und das geht nur auf der Straße. Auch hier gibt es also noch einige Herausforderungen. Für solche Kurzstrecken ist auch das ferngesteuerte Fahren eine denkbare Option.
Welche Maßnahmen sollten Ihrer Meinung nach ergriffen werden, um sicherzustellen, dass autonome Fahrzeuge in Städten defensiv fahren und die Verkehrssicherheit gewährleistet ist?
Die Sicherheit der Fahrfunktion ist eine grundlegende Rahmenbedingung, die für das Inverkehrbringen jedes automatisierten Fahrsystems nach geltendem EU-Recht erfüllt sein muss. Konkret sind nur solche Risiken akzeptabel, die nicht größer sind als beim Referenzsystem Mensch. Dies ist im Rahmen eines sicherheitstechnischen Nachweises zu erbringen.
In Europa und insbesondere in Deutschland sollte man langsam dafür sorgen, dass solche Systeme tatsächlich unter kontrollierten Bedingungen auf die Straße kommen. Wir hatten in Deutschland viele große Forschungsprojekte mit internationaler Ausstrahlung wie PEGASUS, SetLevel V&V Methoden und die Projekte der KI-Familie, die sich mit Absicherungsmethoden beschäftigt haben. In einem geschützten Rahmen sollte man sich mehr auf die Straße wagen und systematisch Felderfahrungen sammeln. Konkret: Wir brauchen Umsetzungsprojekte, die die Methoden in Referenzanwendungen erproben und damit den Transfer in die Praxis vorantreiben.
Auf technischer Ebene müssen für defensives Fahren die Sicherheitsmechanismen der Fahrzeuge selbst intelligenter werden. Dies kann beispielsweise durch das sogenannte Dynamic Risk Management geschehen. Es ermöglicht dem ADS, Risiken situationsgerecht einzuschätzen und sein Verhalten entsprechend anzupassen. Darüber hinaus wird insbesondere in Städten die Nutzung von Infrastruktursensorik notwendig. Dies kann beispielsweise eine intelligente Kreuzung sein, um die eingeschränkte Wahrnehmungsreichweite und die damit verbundenen Unsicherheiten zu adressieren. Das Fraunhofer IESE forscht bereits seit mehr als einem Jahrzehnt an entsprechenden Methoden und Technologien.
Was raten Sie Automobilherstellern beim autonomen Fahren und wie kann die Verkehrssicherheit aus Ihrer Sicht technisch weiter verbessert werden?
Automobilhersteller sollten sich aus meiner Sicht genau überlegen, welche Strategie sie mit automatisierten Fahrzeugen verfolgen möchten. Was ist ihr Geschäftsmodell dahinter und wird dieses zukünftig tragfähig sein?
Um etwa die Verkehrssicherheit mit autonomen Fahrzeugen zu erhöhen, sollten Systeme die Schwächen von menschlichen Fahrern kompensieren. Trotzdem sollte der Fahrer die Verantwortung für Verhalten trägt. Das wären ADAS-Systeme, die in die SAE Level 1 und 2 fallen. Level-3-Systeme wie beispielsweise der Drive Pilot von Mercedes liefern einen erhöhten Komfort für den Fahrer, erfordern aber trotzdem Übernahmefähigkeit der Fahraufgabe mit gewissem zeitlichen Vorlauf.
Im Allgemeinen erhöht man die Verkehrssicherheit viel besser mit einer Verlagerung des Straßenverkehrs auf die Schiene, mit breiteren Radwegen, oder mit Tempolimits auf der Autobahn. OEMs und Automobilhersteller sollten ihre Argumentation und ihr Bestreben daher nicht primär auf die Verkehrssicherheit ausrichten, sondern auf Anwendungsfälle, die echtes Potenzial haben, drängenden Herausforderungen der Mobilität nachhaltig zu begegnen. Konkret heißt das, dass die Beherrschung von Safety-Risiken zwar eine notwendige gesetzliche Rahmenbedingung für die Markteinführung von automatisierten Fahrfunktionen ist, das Entwicklungsziel aber stärker an den Bedürfnissen der Endkunden und im Allgemeinen der Gesellschaft ausgerichtet werden muss.
KI-Systeme haben ein großes Potenzial. KI-Systeme auf Basis von Machine-Learning-Verfahren werden mit großen Datenmengen trainiert und bilden daraus wahrscheinlich mögliche Antworten. Ein solches Modell ist aufgrund seiner Komplexität für den Menschen allerdings nicht verständlich und dessen Entscheidungen somit nicht nachvollziehbar.
Wenn ich bei einem Auto nicht vorhersagen kann, ob es ein Verkehrsschild korrekt wahrnimmt, geht das zu Lasten der Safety. Genau das ist ein wichtiges Thema für uns am Fraunhofer IESE; rund um Dependable AI schauen wir gezielt, wie wir KI-Systeme für sicherheitskritische Anwendungen wie der Mobilität entwickeln können. Ein Ansatzpunkt dafür ist etwa unser Uncertainty Wrapper. Dieses System kann quasi an ein KI-System angedockt werden und gibt Auskunft darüber, wie verlässlich das Ergebnis in der aktuellen Situation ist.
Welche Rolle spielen selbstlernende Systeme für die Einhaltung ethischer Richtlinien beim autonomen Fahren?
Selbstlernende Systeme beim autonomen Fahren sind problematisch, besonders wenn es um ethische Richtlinien geht. Wie beurteilt man beispielsweise den richtigen Moment zum Bremsen oder den angemessenen Abstand zu Radfahrern und Fußgängern? Die Antworten darauf können stark variieren und sind oft situativ. Die Idee, dass selbstlernende Systeme diese Urteile einfach durch die Beobachtung menschlichen Fahrverhaltens lernen könnten, ist schwierig. Dadurch würden nicht nur die besten Praktiken, sondern auch die Fehler und Unzulänglichkeiten menschlicher Fahrer übernommen. Solche Entscheidungen müssen auf einer tieferen Ebene diskutiert und explizit in die Programmierung der Systeme einfließen.
Selbstlernende Systeme spielen eine unverzichtbare Rolle, insbesondere bei der Objekterkennung und der Verarbeitung komplexer Verkehrssituationen in Echtzeit. Die Frage, wo und wie diese ethischen Richtlinien diskutiert und festgelegt werden sollten, ist ebenfalls von Bedeutung. Ein Teil dieser Diskussion gehört sicherlich in den Rahmen der Gesetzgebung, um allgemeingültige Normen zu etablieren.
Ein anderer Teil betrifft die technische Normung, wo spezifische technische Lösungen und Standards entwickelt werden. Zusammenfassend lässt sich sagen, dass selbstlernende Systeme eine Schlüsselrolle in der Weiterentwicklung des autonomen Fahrens spielen, allerdings innerhalb klar definierter ethischer und rechtlicher Rahmenbedingungen. Die Entwicklung solcher Systeme erfordert eine interdisziplinäre Zusammenarbeit zwischen Technikern, Ethikern, Juristen und vielen weiteren Akteuren, um sicherzustellen, dass autonomes Fahren nicht nur effizient und sicher, sondern auch ethisch vertretbar ist.
Kurzer Ausblick: Wie wird sich das autonome Fahren aus Ihrer Sicht in den nächsten fünf Jahren entwickeln?
In den nächsten fünf Jahren wird sich das hochautomatisierte Fahren voraussichtlich vor allem durch die Weiterentwicklung und breitere Anwendung von Fahrerassistenzsystemen der Stufen 2 und 3 weiterentwickeln. Dazu gehören auch verbesserte Staupiloten. Robotaxis und Level-4-Systeme werden wahrscheinlich eher in spezialisierten Nischenmärkten wie der Logistik oder in weniger komplexen Umgebungen eine Rolle spielen, wo sie einen deutlichen Mehrwert bieten können. Die Investitionen in hochautomatisiertes Fahren können so sinnvoll genutzt werden, auch wenn der große Durchbruch von Robotaxis noch auf sich warten lassen könnte.
Die Entwicklung wird pragmatisch voranschreiten. Der Fokus liegt auf realisierbare und nützliche Anwendungen in naher Zukunft. In der Forschung haben wir eine große Palette von Absicherungsmethoden entwickelt. Sie sind noch nicht in die Praxis transferiert und erprobt.
(heh)
Zur Person
Jan Reich leitet seit 2024 die Abteilung Safety Engineering am Fraunhofer-Institut für Experimentelles Software Engineering IESE, die sich mit systematischen Absicherungs-, Validierungs- und Safety-Monitoring-Methoden beschäftigt, um den sicheren Markteintritt von innovativen Systemen zu ermöglichen. Im Fokus stehen dabei autonome Systeme (von Systemen), die in komplexen Operationsumgebungen betrieben werden und technologische Innovationen wie Machine Learning beinhalten.
In seiner vorherigen Rolle als Expert Scientist hat Jan Reich das Thema „Dynamic Assurances for Connected Autonomous Systems“ am Institut verantwortet. Im deutschen Leuchtturmprojekt „PEGASUS Verifikations- und Validierungsmethoden (VVM)“ der VDA Leitinitiative „Autonomes Vernetztes Fahren“ koordinierte er die Arbeiten zur Strukturierung eines Sicherheitsnachweises für hochautomatisierte Fahrsysteme.
