Sicheres Fahren Lidar-Sensoren als Schlüsseltechnologie für autonomes Fahren

Autor / Redakteur: Dr. Florian Petit / Dipl.-Ing. (FH) Hendrik Härter

Autonome Fahrzeuge können ihre Umgebung mit Kameras, Radar, Ultraschall und Lidar-Sensoren wahrnehmen. Die Lidar spielt dabei eine Schlüsselposition. Doch auch Algorithmen gehören dazu.

Firmen zum Thema

Kommunikation mit der Umgebung: 
Autonome Fahrzeuge kommunizieren mit ihrem Umfeld.
Kommunikation mit der Umgebung: 
Autonome Fahrzeuge kommunizieren mit ihrem Umfeld.
(Bild: Blickfeld)

Sichere autonome Fahrzeuge: Damit beschäftigt sich eine ganze Branche. Denn Sicherheit ist der Schlüssel beim autonomen Fahren. Egal ob PKW, LKW oder Bus – selbstfahrende Fahrzeuge müssen hohen Sicherheitsansprüchen genügen, damit sie eine Zulassung für den Straßenverkehr bekommen. Ein autonomes Fahrzeug basiert auf einen einfachen Prinzip: Sie müssen ihre Umgebung wahrnehmen, um darauf basierend einen Plan für ihre Aktionen festlegen, die sie anschließend umsetzen. Sense, Plan, Act. Der letzte Schritt, also der ausführende Teil, ist für moderne Fahrzeuge kein Problem mehr.

Stauassistenten oder Einparkhilfen zeigen bereits, dass die Autos den technischen Teil des Fahrens alleine bewältigen können. Selbst über das erfassende Element herrscht – mit wenigen Ausnahmen – Klarheit: Ein Sensorverbund aus Kameras, Radarsensoren, Ultraschall und Lidar-Sensoren erfasst die Umgebung des Fahrzeugs in 360°.

Jeder der Sensoren trägt dazu bei, die Umgebung vollständig zu erfassen. Lidar-Sensoren gelten dabei als Schlüsseltechnologie für autonomes Fahren Level 2+: Eine laserbasierte Messtechnik stellt die zuverlässigen 3D-Daten bereit. Sie geben Auskunft darüber, ob und wo sich Objekte in der Umgebung des Fahrzeugs befinden. Damit ist die Komponente Sense, also das Erfassen durch die Sensor-Suite, abgedeckt und das Act, also das automatisierte Fahren, stellt ebenso wenig ein Problem dar. Fehlt noch der Zwischenschritt, in dem die von der Sensorik erfassten Informationen in Fahranweisungen für das Auto umgewandelt werden.

Entscheidungen mit Algorithmen und KI treffen

Dieser planende Teil wird von starken Algorithmen und künstlicher Intelligenz (KI) bestritten. Dabei liegt es in der Natur der KI, stetig weiter zu lernen, was sie auf Basis von großen Datenmengen, die durch Testfahrten und Simulationen gesammelt werden, tut. Die Standardsituationen im Verkehr sind dabei nach einer gewissen Zeit abgedeckt: Links Abbiegen, ausscherenden Fahrzeugen ausweichen, am Zebrastreifen halten.

Doch neben diesen, zugegebenermaßen bereits umfangreichen Standardsituationen, gibt es noch den so genannten Long Tail, die Edge-Cases bestehen aus unvorhergesehenen und seltenen Situationen. Dieser Long Tail stellt im Verhältnis zu allen anderen Situationen nur eine geringe Menge dar. Doch die größte Herausforderung ist es, diesen Teil abzudecken. Wir Menschen reagieren in diesen Situationen aus unserer Erfahrung heraus. Die Algorithmen müssen sich diese Erfahrung erst aneignen. Sie tun das mit vielen hunderttausenden Testkilometern. Diese Testkilometer werden zu großen Teilen in Simulationen gesammelt. Das hat entscheidende Vorteile:

  • Es sind keine Testfahrzeuge notwendig,
  • niemand kommt bei falschen Entscheidungen zu Schaden kommen und
  • es wird keine Hardware mit Testfahrern benötigt, was Kosten einspart.

Gerade um die Edge Cases zu testen, reichen virtuelle Fahrtests allerdings nicht aus. Deshalb sind Realtests notwendig. Darüber hinaus ist es entscheidend, die automatisierten und autonomen Fahrfunktionen in ihrer Gesamtheit, also einschließlich der Hardware, zu testen und das am besten bereits in frühen Entwicklungsstadien.

Gesichertes Testen im realen Straßenverkehr

Das Forschungsvorhaben „Ingolstadt Innovation Lab (IN2Lab)“ entwickelt einen Versuchsaufbau, der das Testen von automatisierten Fahrfunktionen im Realverkehr ermöglicht.
Das Forschungsvorhaben „Ingolstadt Innovation Lab (IN2Lab)“ entwickelt einen Versuchsaufbau, der das Testen von automatisierten Fahrfunktionen im Realverkehr ermöglicht.
(Bild: Blickfeld)

Das Forschungsvorhaben „Ingolstadt Innovation Lab (IN2Lab)“ baut genau auf dieser Prämisse auf und entwickelt einen Versuchsaufbau, der das Testen von automatisierten Fahrfunktionen im Realverkehr ermöglicht, dabei aber für zusätzliche Absicherung sorgt, um Unfallrisiken zu minimieren. Die Projektpartner sehen dabei verschiedene Herausforderungen für autonome Fahrzeuge im Straßenverkehr, für die es gilt Erfahrungen zu sammeln. Zum einen werden die ersten autonomen Fahrzeuge, die zugelassen werden, zunächst im Mischverkehr auf den Straßen unterwegs sein. Das heißt, es werden sich sowohl Autos mit automatisierten Fahrfunktionen unterschiedlicher Ausprägung, als auch manuell gesteuerte Fahrzeuge die Straßen teilen. Hinzu kommen weitere Verkehrsteilnehmer wie Fahrrad- und Motorradfahrer sowie Fußgänger. Eine weitere Herausforderung im realen Verkehr sind die Umgebungsbedingungen wie Licht, Regen oder Wind.

Um die gesammelten Erfahrungen mit den Bedingungen zu sammeln und automatisierte Fahrfunktionen sicher testen zu können, wird im Rahmen von IN2Lab eine sichere Entwicklungsumgebung geschaffen. Sie überwacht das Entwicklungsfahrzeug mit einer redundanten Absicherung. Konkret heißt das, dass ein dedizierter Streckenabschnitt einer öffentlichen Straße infrastrukturseitig mit Sensorik abgesichert wird, um die Fahrtests des automatisierten Fahrzeugs zu überwachen. Damit wird neben aller Sensorik im Testfahrzeug zudem die Szene von außen erfasst, um Unfälle zu vermeiden. Somit ermöglicht der Projektaufbau das Testen von automatisierten Fahrfunktionen im Realverkehr, ohne das Risiko von auf Fehlentscheidungen basierenden Unfällen.

Überblick dank Sensorik in der Infrastruktur

Die Integration der Sensorik in die Infrastruktur, also in Straßenlaternen, hat dabei verschiedenen Vorteile. Zum einen ist durch die Positionierung gleich ein Überblick über die Straßenszene gewährleistet. Zum anderen müssen nicht erst Masten installiert werden, um diesen Überblick zu generieren, sondern die Sensorik kann in die bestehende Infrastruktur integriert werden. IN2Lab hat es sich zum Ziel gesetzt, die Sensoren, die fahrzeugseitig das Umfeld erfassen, auf die Erfassung aus der Infrastruktur anzupassen. Somit werden Radar- und Lidar-Sensoren sowie Kameras infrastrukturseitig integriert.

Mit strategischen Platzierungen dieses Sensorverbundes in bestimmten Abständen wird der gesamte Streckenabschnitt in einer Länge von 1,7 km überblickt. Dabei erfassen alle drei Techniken die Szene: Radarsensoren erfassen Objekte und verfügen über eine hohe Reichweite. Radardaten fehlt es allerdings an Detailtiefe. Auf Basis dieser Daten lassen sich unterschiedliche Verkehrsteilnehmer nur schwer voneinander unterscheiden; es fehlen also Informationen, die wichtig zur Formulierung von Fahranweisungen sind.

Lidar spielt seine Vorteile aus

Kameras wiederum identifizieren Objekte dank Farbinformation, sind allerdings eingeschränkt in Bezug auf Reichweite und Einsatz in Dunkelheit. Hier kommt Lidar ins Spiel: Die laserbasierten Sensoren, die ein hochaufgelöstes 3D-Abbild der Umgebung aufnehmen, verfügen über eine hohe Reichweite und ein breites Sichtfeld. Dunkelheit und Witterung bereiten dem Sensor kein Problem. Die zentimetergenaue Erfassung in 3D misst Abstände und Geschwindigkeit in hohem Detailgrad und stellt somit wertvolle Informationen über verschiedene Verkehrsteilnehmer zur Verfügung. Die zugrunde liegende Software ist zudem in der Lage Objekte zu zählen und ihre Bewegungen zu tracken.

Die Sensordaten werden gebündelt an das Testfahrzeug sowie an eine eingerichtete Leitstelle kommuniziert. Somit können Fahrentscheidungen nicht nur auf Basis der fahrzeugseitig erfassten Daten, sondern zusätzlich mit Hilfe der Informationen aus der Infrastruktur getroffen werden. Mit dieser ergänzenden Absicherung werden Realtests im Mischverkehr ermöglicht und wertvolle Daten gesammelt, die Erfahrungen mit Kreisverkehren, Bushaltestellen, Fahrradspuren, Ampeln und Parkplätze enthalten. Diese Daten helfen signifikant dabei, den „Long Tail“ zu bezwingen und automatisiertes Fahren sicherer zu machen.

* Dr. Florian Petit ist Gründer des Lidar-Spezialisten Blickfeld in München.

(ID:47384375)