Selbstfahrende Autos schneller auf die Straße bringen

Wie viele Fahrzeuge bereits unterwegs sind, die ohne Eingreifen des Fahrers navigieren, lässt sich nur indirekt ermitteln. Alleine im US-Bundesstaat Kalifornien absolvierten beispielsweise Testfahrzeuge der Google-Tochter Waymo im vergangenen Jahr eine Strecke von 1,2 Millionen Meilen. Auch in Deutschland laufen Feldversuche mit autonomen fahrenden Autos. So sind seit April 2019 Fahrzeuge der Reihe e-Golf von Volkswagen unterwegs, die eigenständig durch Hamburg kurven.

BMW wiederum hat seine Entwicklungsaktivitäten im Bereich autonomes Fahren im "Autonomous Driving Campus" zusammengefasst. Das Ziel: Durch eine Bündelung aller Entwicklungsschritte möglichst schnell ein selbstfahrendes Auto zu bauen.

Zeit ist ein zentraler Erfolgsfaktor

Kurze Entwicklungszyklen sind einer der wichtigsten Erfolgsfaktoren im Rennen um Marktanteile im Bereich "Autonomes Fahren". Denn datenorientierte Unternehmen wie Google (Waymo), Uber, Lyft und Apple sind in diesem Bereich zu ernsthaften Konkurrenten traditioneller Autohersteller geworden.

Das gilt vor allem für autonome Fahrzeuge, die dem Level 4 oder 5 der SAE (Society of Automotive Engineers) entsprechen. Level 4 steht für einen weitgehend autonomen Fahrbetrieb, abgesehen von speziellen Bedingungen wie einem Unwetter. Level 5 hingegen erfordert keinerlei Eingreifen eines Fahrers.

Herausforderung: Gigantische Datenmengen

Damit sie mit den neuen Konkurrenten mithalten können, müssen Automobilhersteller ihre Entwicklungsprozesse im Bereich automatisiertes und autonomes Fahren straffen. Nach Einschätzung von DXC Technology lassen sich die Entwicklung und der Test von entsprechenden Prototypen um bis zu 50 Prozent beschleunigen.

Doch das ist leichter gesagt als getan. Eine der größten Herausforderungen sind die Datenmengen, die bei der Entwicklung selbstfahrender Autos anfallen. Laut der BMW Group erzeugt ein vollautonomes Fahrzeug bei einer 24-stündigen Testfahrt 40 Terabyte Daten. Das ist kein Wunder, denn ein solches Auto verfügt über eine Vielzahl von "Datenlieferanten": Radar- und LiDAR-Systeme (Light Detection and Ranging) messen Distanzen und die Geschwindigkeit; Kameras erfassen Hindernisse und andere Verkehrsteilnehmer. Hinzu kommt eine breite Palette von Sensoren an wichtigen Fahrzeugkomponenten, etwa der Lenkung.

Die Daten dieser Komponenten müssen schnell und sicher vom Fahrzeug an Rechenzentren übermittelt werden. Dabei sind mehrere Faktoren zu berücksichtigen:

• Es sind Übertragungsraten von mindestens 6 bis 8 GBit/s zwischen Testfahrzeug und Data Center erforderlich.

• Die Speichersysteme in den Rechenzentren müssen für Datenbestände im Petabyte-Bereich ausgelegt sein.

• Die Entwicklung autonomer Fahrzeuge findet meist an mehreren Standorten statt. Daher müssen die Data Center an allen diesen Lokationen für das Speichern und Verarbeiten dieser Daten ausgelegt sein.
  

Daten analysieren

Eine weitere Herausforderung besteht darin, die Testdaten zu analysieren. Dies ist nicht nur wegen der Menge der Informationen problematisch, sondern auch wegen der unterschiedlichen Datenformate. Daher sind Tools erforderlich, die diese Informationen erfassen, konsolidieren und umgehend auswerten.

Mit optimierten Analyselösungen, so DXC, lässt sich der Analysevorgang bis zum Faktor 100 beschleunigen. Hilfestellung geben dabei Technologien wie maschinelles Lernen (ML), Deep Learning (DL) auf Basis neuronaler Netze und Künstliche Intelligenz (KI). Diese Ansätze kommen nicht nur bei der Auswertung von Testinformationen zum Zuge. Mithilfe von KI, DL und ML können Entwickler zudem Algorithmen erstellen, mit denen autonome Fahrzeuge Sensordaten auf die "richtige" Weise interpretieren. Das wiederum ermöglicht es einem Auto, Verkehrssituationen adäquat einzuschätzen und die Fahrweise entsprechend anzupassen.

Training der "Fahrzeugintelligenz"

Zu den "Zeitfressern" und kostspieligen Aufgaben bei der Entwicklung von selbstfahrenden Autos zählen die Integration und Auswertung von Daten, die unterschiedliche Typen von Sensoren bereitstellen, etwa über die Beschaffenheit der Fahrbahn und die Umgebungstemperatur. Solche Informationen müssen in Simulationen mit einer Autonomous-Driving-Plattform mit einfließen.

Auf diese Weise können Entwickler prüfen, ob ein Fahrzeug unter wechselnden Bedingungen wie gewünscht reagiert: Registriert ein Sensor beispielsweise Blitzeis, reduziert das Auto die Geschwindigkeit, vermeidet dabei aber abrupte Bremsmanöver. Tritt dagegen in 25 Meter Entfernung ein Fußgänger auf die Fahrbahn, erfolgt eine Vollbremsung.

Um das "Gehirn" eines Fahrzeugs mit solchen Szenarien und den entsprechenden Reaktionsmustern zu unterfüttern, sind KI-Modelle und Deep-Learning-Cluster erforderlich. Es ist nachvollziehbar, dass die Entwicklung solcher Technologien nicht zu den Kernkompetenzen jedes Automobilherstellers zählt.

Lösung: Plattformen und agile Methoden

Doch wie kann ein Hersteller die Entwicklung von autonomen Fahrzeugen beschleunigen - und dies bei überschaubarem Aufwand? Eine Option ist, mit einem Partner zusammenzuarbeiten. Dieser sollte über ein profundes Know-how in Bereichen wie Datenerfassung und -konsolidierung, Analytics, agile Entwicklungsmethoden und KI verfügen. Und er muss wissen, wie sich die enormen Datenmengen auf effiziente Weise speichern und bereitstellen lassen.

DXC bietet mit dem "Robotic Drive" etwa eine solche Entwicklungsplattform für autonomes Fahren. Sie enthält alle Komponenten, die ein Fahrzeughersteller benötigt, um selbstfahrende Fahrzeuge schnell auf den Markt zu bringen.

Auswahlkriterien

Wichtig bei einer solchen Lösung ist, dass sie flexibel an die Anforderungen des Nutzers angepasst werden kann. Das lässt sich beispielsweise erreichen, in dem Open Source Software-Module zum Einsatz kommen. Weiterhin sollte der Anwender die Wahl haben, ob er die Entwicklungs- und Analytics-Umgebung als Cloud-Service nutzt oder lieber im eigenen Rechenzentrum implementiert.

Zu den Basisfunktionen einer solchen Lösung zählt zudem das Einspielen und Aufbereiten von Daten der Testfahrzeuge. Aufgaben wie das Anpassen der Datenformate der Sensoren und das Aussortieren von mehrfach vorhandenen Datensätzen sollten dabei weitgehend automatisch ablaufen. Das gilt auch für Testprozesse.

Ergänzend dazu sollte der Anbieter einer Plattform seinen Kunden bei der Einführung agiler Entwicklungsverfahren unterstützen, inklusive "Best Practices". Denn gerade im Bereich autonomes Fahren kommt es zu einem beträchtlichen Teil auf die Qualität der Software an. Hilfreich ist außerdem, wenn eine solche Plattform, inklusive der Experten des Dienstleisters, alle Entwicklungsschritte abbilden kann - also "End to End". Das vermeidet Inkonsistenzen im Rahmen des Entwicklungsprozesses.

Mit DXC Robotic Drive auf der Überholspur

Neue Technologien erfordern innovative und agile Herangehensweisen. Das zeigt das Beispiel autonomes Fahren eindrücklich. Wer schnell passende Lösungen parat hat, wird nicht nur das Geschäft mit selbstfahrenden Autos bestimmen. Er legt den Grundstein dafür, auch bei den Mobilitätskonzepten der Zukunft ein gewichtiges Wort mitzusprechen. Lösungen wie DXC Robotic Drive helfen Automobilherstellern und ihren Partnern dabei, beim Autonomous Driving auf der Überholspur unterwegs zu sein.