Autonome Computer in Autos: Funktionsweise und Bedeutung erklärt

Moderne Autos verlassen sich zunehmend auf ein leistungsfähiges „Gehirn“, das das Fahren, die Sicherheit, Navigation, Kommunikation und Unterhaltung steuert. Ingenieure bezeichnen dieses System oft als autonomer Computer, Fahrzeugcomputer, zentrale Rechenplattform oder Computer für autonomes Fahren. Dieser Computer verarbeitet riesige Datenmengen von Sensoren und Kameras in Echtzeit und hilft dem Auto, während der Fahrt Entscheidungen zu treffen.

Die Automobilindustrie betrachtet Software und Rechenleistung mittlerweile als wichtige Bestandteile des Fahrzeugdesigns. Viele Hersteller haben den Übergang von traditionellen elektronischen Steuersystemen zu zentralisierten „software-definierten Fahrzeugen“ vollzogen, bei denen eine kleine Anzahl leistungsfähiger Computer die meisten Fahrzeugfunktionen steuert.

Was ist ein autonomer Computer in einem Auto?

Ein autonomer Computer in einem Auto ist ein Hochleistungscomputing-System, das dem Auto hilft, die Umwelt zu verstehen, Gefahren vorherzusagen und das Fahrverhalten des Autos zu steuern. Dieser Computer kombiniert Hardware, Software, künstliche Intelligenz und Sensordaten.

Der autonome Computer führt normalerweise Aufgaben aus wie:

• Objekte, Fußgänger, Fahrspuren und Verkehrsschilder erkennen
• Geschwindigkeit und Richtung des Fahrzeugs überwachen
• Sichere Fahrwege planen
• Bremsen, Lenken und Beschleunigen steuern
• Navigations- und Kartendaten verwalten
• Mit Cloud-Systemen und anderen Fahrzeugen kommunizieren
• Fahrerassistenz-Funktionen ausführen.

Moderne autonome Computer können Daten von vielen Sensoren gleichzeitig verarbeiten. Einige fortgeschrittene Systeme verarbeiten Billionen von Operationen pro Sekunde.

Zum Beispiel liefert der neue Rivian RAP1 autonome Chip Berichten zufolge etwa 1.800 Billionen Operationen pro Sekunde für die Verarbeitung künstlicher Intelligenz.

Warum benötigen Autos autonome Computer?

Traditionelle Autos verließen sich auf viele kleine elektronische Steuereinheiten. Eine Steuereinheit übernahm das Bremsen, eine andere die Getriebe, eine weitere die Airbags und eine andere die Infotainment-Systeme.

Modernes autonomes Fahren erfordert jedoch viel schnellere Entscheidungsprozesse und deutlich größere Datenmengen. Ein selbstfahrendes oder semi-autonomes Fahrzeug kann verwenden:

• Mehrere Kameras
• Radar-Sensoren
• LiDAR-Sensoren
• Ultraschallsensoren
• Globale Positionierungssysteme
• Hochauflösende Karten.

Der Fahrzeugcomputer muss all diese Informationen innerhalb von Millisekunden kombinieren.

Forscher und Automobilunternehmen verwenden zunehmend zentralisierte Rechenarchitekturen, da zentralisierte Systeme die Latenz verringern und die Koordination zwischen den Fahrzeugfunktionen verbessern.

Wie funktioniert ein autonomer Computer?

Ein autonomer Computer arbeitet normalerweise in mehreren Phasen.

Informationssammlung durch Sensoren

Sensoren sammeln kontinuierlich Informationen über die Umgebung.

Beispiele sind:

• Kameras für Fahrbahnmarkierungen und Verkehrsschilder
• Radar zur Abstandsmessung
• LiDAR für dreidimensionale Kartierung
• Ultraschallsensoren für Parkhilfen.

Einige fortschrittliche Fahrzeuge verwenden mehr als 10 Kameras und mehrere Radarsysteme.

Berichten zufolge könnten zukünftige autonome Systeme von Mercedes-Benz Konfigurationen mit 14 hochauflösenden Kameras, 9 Radar-Sensoren und LiDAR verwenden.

Datenfusion

Der autonome Computer kombiniert Daten von verschiedenen Sensoren zu einem einheitlichen Umweltmodell.

Beispielsweise:

• Kameras identifizieren einen Fußgänger
• Radar misst die Geschwindigkeit des Fußgängers
• LiDAR misst die Position des Fußgängers im dreidimensionalen Raum

Der Computer fusioniert all diese Informationen, um die Genauigkeit zu verbessern.

Analyse durch künstliche Intelligenz

Künstliche Intelligenz-Modelle analysieren die Umgebung und sagen mögliche Risiken voraus.

Das System kann Fragen beantworten wie:

• Ändert ein anderes Fahrzeug die Spur?
• Wird ein Fußgänger die Straße überqueren?
• Gibt es Baustellen vor uns?
• Ist Bremsen notwendig?

Moderne autonome Systeme nutzen zunehmend Edge-KI, wo das Fahrzeug Daten lokal im Auto verarbeitet, anstatt auf Cloud-Server angewiesen zu sein. Diese Methode verringert Verzögerungen und verbessert die Zuverlässigkeit.

Entscheidungsfindung für das Fahren

Der Computer wählt die sicherste Fahraktion aus.

Mögliche Aktionen sind:

• Lenkverstellung
• Geschwindigkeitsreduzierung
• Notbremsung
• Spurwechsel
• Parkmanöver.

Das System sendet dann Befehle an die Lenk-, Brems- und Antriebssysteme.

Ebenen der Fahrautomatisierung

Die Automobilindustrie klassifiziert die Fahrautomatisierung normalerweise in Ebenen von 0 bis 5.

Heute verbleiben die meisten kommerziell verfügbaren Systeme auf der Ebene 2 oder mit eingeschränkten Kapazitäten der Ebene 3.

Branchenanalysten berichten, dass viele Unternehmen sich jetzt mehr auf praktische Systeme der Ebenen 2 und 3 konzentrieren, anstatt auf vollständig autonome Fahrzeuge der Ebene 5.

Beispiele für autonome Computersysteme

1. NVIDIA DRIVE-Plattform

NVIDIA entwickelt eine der am weitesten verbreiteten Computing-Plattformen für autonome Fahrzeuge.

Das NVIDIA DRIVE-System umfasst:

• Hochleistungs-KI-Chips
• Fahrzeugbetriebssysteme
• Sensorintegration
• Simulationswerkzeuge
• Sicherheitssoftware.

Unternehmen wie Toyota, Volvo Cars und Mercedes-Benz nutzen NVIDIA-Technologien für die Entwicklung fortschrittlicher Fahrerassistenzsysteme und autonomes Fahren.

2. Tesla Full Self-Driving-Computer

Tesla entwirft die eigene Hardware und Software für das autonome Fahren.

Tesla-Fahrzeuge verlassen sich stark auf Kameras und die Verarbeitung durch künstliche Intelligenz. Ihr System lernt kontinuierlich aus großen Mengen von Fahrdaten, die von Kundenfahrzeugen gesammelt werden.

Tesla entwickelt auch eine spezialisierte Infrastruktur für das Training von künstlicher Intelligenz für autonome Fahrmodelle.

3. Rivian-Autonomie-Plattform

Rivian hat kürzlich seinen RAP1-KI-Chip und das ACM3-autonome Rechenmodul vorgestellt.

Dieses Unternehmen plant, ein freihändiges Fahren über Millionen von Straßen in Nordamerika zu unterstützen.

4. Waymo-Robottaxis

Waymo betreibt vollständig autonome Robottaxi-Dienste in mehreren Städten.

Waymo-Fahrzeuge nutzen komplexe autonome Computersysteme, die kombinieren:

• Kameras
• LiDAR
• Radar
• Künstliche Intelligenz
• Hochauflösende Karten.

Waymo erweitert weiterhin die autonomen Operationen in zusätzliche Städte in den Vereinigten Staaten.

Software-definierte Fahrzeuge

Viele moderne Fahrzeuge folgen mittlerweile dem Konzept des software-definierten Fahrzeugs.

Ein software-definiertes Fahrzeug verwendet zentralisierte Softwaresysteme, um viele Fahrzeugfunktionen zu steuern. Ingenieure können diese Funktionen durch Over-the-Air-Software-Updates aktualisieren.

Dieser Ansatz bietet mehrere Vorteile:

• Schnellere Funktionsupdates
• Verbessertes Management der Cybersicherheit
• Bessere Integration zwischen Systemen
• Verringerte Hardwarekomplexität
• Einfachere Upgrades für künstliche Intelligenz.

Große Halbleiterunternehmen entwickeln zunehmend spezialisierte Automobilprozessoren für diesen Markt.

Künstliche Intelligenz in autonomen Computern von Autos

Künstliche Intelligenz spielt eine zentrale Rolle im autonomen Fahren.

Moderne Systeme nutzen maschinelles Lernen und Deep Learning, um:

• Fahrbahnobjekte zu erkennen
• Fahrverhalten vorherzusagen
• Verkehrsmuster zu verstehen
• Navigation zu verbessern
• Kollisionen zu verringern.

Forscher entwickeln weiterhin fortschrittlichere Lernalgorithmen für autonome Fahrzeuge.

Einige Unternehmen nutzen auch Simulationsplattformen, um KI-Systeme unter Verwendung virtueller Fahr-Szenarien zu trainieren, bevor sie in der realen Welt eingesetzt werden.

Sicherheitsherausforderungen

Autonome Computer in Autos stehen weiterhin vor großen Sicherheitsherausforderungen.

Seltene Verkehrssituationen

Unerwartete Situationen bleiben für autonome Systeme schwierig.

Beispiele sind:

• Überflutete Straßen
• Defekte Ampeln
• Ungewöhnliche Baustellen
• Rettungsdienste
• Schlechtes Wetter.

Ein Beispiel: Ein großflächiger Stromausfall in San Francisco sorgte reportedly für Probleme bei einigen autonomen Robottaxis, da die Ampeln nicht mehr funktionierten.

Beschränkungen der Sensoren

Verschiedene Sensoren haben Schwächen.

Beispiele sind:

• Kameras haben Probleme bei starkem Nebel
• Die Leistung von LiDAR kann im Schnee sinken
• Radar kann falsche Reflexionen erzeugen.

Ingenieure kombinieren oft mehrere Sensortypen, um die Zuverlässigkeit zu verbessern.

Cybersicherheitsrisiken

Autonome Computer in Autos verbinden sich mit drahtlosen Netzwerken, Cloud-Systemen und Software-Update-Systemen. Diese Konnektivität bringt Cybersicherheitsbedenken mit sich.

Autohersteller konzentrieren sich zunehmend auf:

• Verschlüsselte Kommunikation
• Sichere Software-Updates
• Einbruchserkennung
• Sicherheitszertifizierte Betriebssysteme.

Neueste autonome Plattformen unterliegen jetzt Cybersicherheits- und Sicherheitszertifizierungstests.

Kostenherausforderungen

Die Hardware für autonomes Fahren ist nach wie vor teuer.

Ein vollständig autonomes Fahrzeug erfordert in der Regel:

• Hochleistungs-KI-Prozessoren
• Teure LiDAR-Systeme
• Fortgeschrittene Kühlsysteme
• Große Datenspeichersysteme.

Die Kosten für Sensoren und Computing-Technologie sinken jedoch allmählich, während die Produktion zunimmt.

Autonome Computer in Autos und Cloud-Computing

Moderne autonome Fahrzeuge nutzen oft eine Kombination aus Onboard-Computing und Cloud-Infrastruktur.

Das Fahrzeug trifft normalerweise lokale Echtzeitentscheidungen, da lokale Verarbeitung Verzögerungen verringert. Cloud-Systeme unterstützen:

• Training von künstlicher Intelligenz
• Flottenmanagement
• Navigationsupdates
• Datenanalyse
• Fern-Diagnose.

Forscher unterstützen zunehmend Edge-Computing-Ansätze, da Edge-Systeme die Antwortzeiten verbessern und die Abhängigkeit von Netzwerkverbindungen verringern.

Die Zukunft der autonomen Computer in Autos

Die Automobilindustrie bewegt sich weiterhin in Richtung zentralisierter und leistungsfähigerer Fahrzeugcomputing-Systeme.

Mehrere bedeutende Trends prägen derzeit die Entwicklung:

• Beschleunigung von Künstlicher Intelligenz
• Zentralisierte Fahrzeugcomputing
• Software-definierte Architekturen
• Over-the-Air-Software-Updates
• Fortgeschrittene Simulationsplattformen
• Erhöhter Einsatz von Edge-KI.

Branchenspezialisten erwarten schrittweisen Fortschritt, anstatt sofort überall vollständigen autonomes Fahren zu erleben.

Einige Analysten glauben, dass privat genutzte, autonome Fahrzeuge der Ebene 4 möglicherweise später in diesem Jahrzehnt in begrenzten Märkten und unter kontrollierten Bedingungen auftauchen könnten.