Autonomes Fahren Teil 2: Sehen ist nicht die einzige Art

In Teil 1 hat mich ein Tesla durch den Düsseldorfer Feierabendverkehr gefahren, während der Mensch am Steuer nur zuschaute. Ich habe beschrieben, wie souverän sich das anfühlte, ruhiger als bei manchem Menschen, mit dem ich je unterwegs war. Eine Sache habe ich ausgelassen. Wie hat dieses Auto die Welt eigentlich wahrgenommen?

Wie ein autonomes Auto technisch fährt, schauen wir uns im Folgenden an, hier gibt es sehr interessante und unterschiedliche Ansätze:

Es ist nicht Tesla gegen Waymo

Die Diskussion wird oft so geführt: Tesla gegen Waymo. Kamera gegen Laser. Das mag sein, aber es gibt andere Punkte, die genauso interessant sind. In Wahrheit trifft jeder Hersteller drei Entscheidungen, die nichts miteinander zu tun haben müssen, aber ständig in einen Topf geworfen werden. Um das Rätsel zu lösen, schauen wir uns jetzt mal diese drei Bausteine an.

Womit nimmt das Auto die Welt wahr?

Die Kamera: das Auge des Autos

Wie steuert ein Tesla eigentlich von allein? Kurze Antwort: über Kameras, acht Stück rund ums Auto, und über sonst nichts. Während andere Hersteller zusätzlich auf Laser- und Radarsensoren setzen, verfolgt Tesla einen rein kamerabasierten Ansatz. Die Kameras machen Bilder, und ein Computer im Hintergrund versucht zu kapieren, was da draussen passiert, egal ob Fussgänger, Spurwechsel oder rote Ampel.

Das Problem dabei? Eine Kamera weiss erst mal nicht direkt, wie weit etwas entfernt ist. Der Tesla muss die Abstände also schätzen, indem er die Bilder und ihre Veränderung über die Zeit auswertet. Und genau wie Menschen tut sich das Auto schwer, wenn es stockduster ist oder die Sonne extrem blendet.

Fast alle, die ein Auto wirklich fahrerlos auf die Strasse bringen wollen, setzen dagegen auf mehrere Sinne zugleich: Neben den Kameras sitzen ein Radar und ein Lidar. Schauen wir uns die beiden der Reihe nach an, denn ihre Prinzipien kenne ich zufällig besser als die meisten Autofahrer.

Das Radar: schnipsen und auf das Echo hören

Manchmal schnipse ich mit den Fingern, wenn ich einen unbekannten Raum betrete. Das Echo verrät mir einiges. Kommt es schnell und hart zurück, steht da eine Wand. Verliert es sich, ist der Raum gross oder eine Tür offen. Manche blinde Menschen perfektionieren das mit Zungenklicks zu einer regelrechten Echoortung und orten damit Hindernisse, bevor der Stock sie berührt. Das Prinzip ist immer dasselbe: Man schickt ein Signal los und liest aus dem Echo den Raum.

Ein Radar macht genau das, nur mit Funkwellen statt Schall. Es sendet ein Signal aus, das an Hindernissen abprallt, und aus der Zeit bis zum Echo wird eine Entfernung. Dazu kommt ein Bonus: An der Verschiebung des Echos erkennt das Radar direkt, wie schnell sich etwas nähert oder entfernt. Es ist derselbe Effekt, der eine Sirene höher klingen lässt, wenn sie auf dich zukommt, und tiefer, wenn sie wegfährt. Wer Sheldon kennt, kennt den Dopplereffekt, darum geht es. Und weil Funkwellen sich von Regen und Nebel kaum aufhalten lassen, arbeitet das Radar genau dann noch zuverlässig, wenn die Kamera längst nichts mehr erkennt. Seine Schwäche ist: Es weiss, dass da etwas ist und wie schnell es sich bewegt. Was es ist, kann es oft nicht sagen.

Das Lidar: der Blindenstock aus Laserlicht

Bleibt der dritte Sensor, und der ist für mich der interessanteste. Ein Lidar sieht nicht, es tastet. Das Wort steht für Light Detection and Ranging. Der Sensor schickt Laserpulse in die Umgebung, oft über eine Million pro Sekunde, und misst für jeden einzelnen, wie lange das Licht bis zum nächsten Hindernis und wieder zurück braucht. Aus dieser Laufzeit wird eine Entfernung. Aus Millionen Entfernungen wird ein dreidimensionales Abbild der Umgebung, eine sogenannte Punktwolke. Das Auto weiss danach nicht, welche Farbe die Wand hat. Es weiss, dass sie zwölf Meter vierzig entfernt ist, auf den Zentimeter genau.

Wer schon einmal einen Blindenstock in der Hand hatte, erkennt das Prinzip sofort. Ich taste den Boden vor mir ab, und aus dem, was zurückkommt, weiss ich, wo die Stufe beginnt und wo der Randstein aufhört. Ein Lidar macht nichts anderes. Es tastet die Welt ab, nur mit Laserlicht statt einem Stock, millionenfach pro Sekunde und bis auf mehrere hundert Meter hinaus. Und weil es sein eigenes Licht mitbringt, arbeitet es im Stockdunkeln genauso präzise wie am hellen Mittag.

Das führt zu einer schönen Arbeitsteilung: Ein Lidar erkennt den Menschen am Strassenrand als Form im Raum, bei Dunkelheit lange bevor eine Kamera überhaupt etwas ausmacht. Ob dieser Mensch nun einen Döner in der Hand hält oder ein Smartphone, das verrät dann erst die Kamera. Und das Radar meldet aus dem Hintergrund, wie schnell sich das Auto hinter ihm nähert.

Die ganze Arbeitsteilung in einem Satz: Das Radar weiss, dass da etwas ist und wie schnell es sich bewegt. Das Lidar weiss, wie es geformt ist und wo genau es steht. Und was es bedeutet, versteht erst die Kamera. Jeder Sinn liefert das, was er am besten kann, und zusammen nehmen sie mehr wahr als jeder für sich. Also, wie bei Menschen grundsätzlich auch.

Waymo zeigt das Ganze in einem 360-Grad-Video von 2018, das Prinzip ist bis heute dasselbe: eine reale Fahrt durch Phoenix, über die das Auto seine Wahrnehmung einblendet. Die Lidar-Punktwolke breitet sich wie Wellen um den Wagen aus, erkannte Fahrzeuge bekommen blaue Kästchen. Den geplanten Weg zeichnet das System als grünes Band auf die Strasse, und am Schluss dreht sich das Lenkrad ganz ohne Hände. Der Kommentar ist auf Englisch, die Perspektive lässt sich frei drehen.

Teslas Gegenargument

Warum verzichtet Tesla dann freiwillig auf all das? Die Antwort der Firma ist seit Jahren dieselbe. Sinngemäss: Das Selbstfahren sei kein Sensorproblem, sondern ein KI-Problem. Die Kameras hätten längst genug Information, man müsse sie nur klug genug auslesen. Der Mensch fahre schliesslich auch nur mit zwei Augen. Dazu kam lange ein handfestes Argument: Lidar war schlicht zu teuer fürs normale Auto.

Vor allem das zweite Argument ist so nicht mehr haltbar. Noch vor wenigen Jahren kostete ein brauchbares Lidar so viel wie ein Kleinwagen. Heute sind die Preise für serientaugliche Sensoren abgestürzt, auf wenige hundert Dollar, und Hersteller wie Hesai aus China kündigen Langstrecken-Lidar für unter 200 Dollar an.

Ob Teslas Kamera-Ansatz ausreicht, bleibt abzuwarten. Viele Experten sind kritisch. Auf der anderen Seite darf man nicht vergessen: Menschen nutzen auch nur zwei Augen und ihr Gehirn (ein neuronales Netz), um Abstände und Hindernisse einzuschätzen. Die These lautet: Wenn eine KI visuelle Daten ebenso gut verarbeiten kann wie ein menschliches Gehirn, braucht das Auto keine Laser- oder Radarsensoren. Vor dem Hintergrund, dass die KI in den letzten Jahren so grosse Sprünge gemacht hat, darf man das glaube ich nicht unterschätzen. Sollte sich ihr Ansatz durchsetzen, dürfte kaum ein anderer Anbieter günstigere Fahrten anbieten können.

Wie denkt das Auto?

Menschen verarbeiten Inputs in ihrem Gehirn und reagieren darauf. Jetzt reden wir über die Software der autonomen Autos, also das Gehirn. Grundsätzlich verwenden alle autonomen Autos KI. Wir schauen uns hier zwei Ansätze an, die verbreitet sind.

Früher baute man ein selbstfahrendes Auto wie eine Fabrikstrasse. Ein Baustein erkennt die Objekte, der nächste sagt ihr Verhalten voraus, der übernächste plant den Weg, der letzte lenkt und bremst. KI half schon damals beim Erkennen, aber die Regeln zwischen den Bausteinen schrieben Menschen, und jeder Schritt war einzeln nachvollziehbar. Der Nachteil: Die Welt hat mehr Sonderfälle, als ein Mensch je von Hand einprogrammieren kann.

Tesla

Tesla setzt auf das Prinzip End-to-End. Das bedeutet: Kamerabilder fliessen direkt in ein einziges grosses neuronales Netz (also das Gehirn), das daraus sofort Befehle zum Lenken und Bremsen erzeugt. Man kann sich das wie einen menschlichen Reflex oder das Muskelgedächtnis beim Fahrradfahren vorstellen. Die KI überlegt nicht lange mit Worten oder Regeln, sondern handelt aus dem Bauch heraus.

Tesla gibt der KI weder ein Lexikon noch ein Sprachmodell wie ChatGPT mit auf den Weg. Stattdessen versucht Tesla, das Weltwissen rein über visuelle Erfahrung (Video-Daten) in das neuronale Netz zu brennen:

• Visuell-physikalisches Weltwissen ("World Model"): Tesla füttert das Netz mit Milliarden Videosekunden der eigenen Flotte. Das Netz lernt dadurch kein Sprachwissen (es weiss nicht, was das Wort "Sofa" bedeutet), aber ein physikalisches Gefühl für die Welt. Es sieht eine Form auf der Strasse und weiss aus Millionen Vorbild-Videos menschlicher Fahrer: Solche grossen statischen Formen umfährt man im Bogen.
• Mustererkennung statt Logik: Tesla setzt darauf, dass sich die Welt im Verkehr ständig wiederholt. Wenn die Flotte gross genug ist, hat das Netz fast jede erdenkliche Situation schon einmal auf Video gesehen, von der Baustelle bis zum Sofa auf der Fahrbahn, und weiss, wie Menschen darauf reagiert haben. Tesla setzt also auf die eigenen Besitzer und deren Fahrvideos. Das ist die Wette, mit der die Firma dieses Rennen gewinnen will.

Der Preis dafür: Das Netz ist eine Blackbox. Niemand kann im Nachhinein sauber erklären, warum es in einer bestimmten Sekunde genau so entschieden hat.

Waymo

Vorweg: Waymo ist ein Level-4-Auto, es fährt also wirklich ohne Fahrer, und es geht einen anderen Weg als Tesla. Das Unternehmen gehört zum Google-Mutterkonzern Alphabet und nutzt sogenannte Foundation Models: riesige KI-Modelle, die auf dem Weltwissen von Googles Gemini aufbauen. Das Gehirn des Autos muss das Fahren also nicht rein über Videos lernen, es bringt aus Milliarden von Texten und Bildern bereits ein Verständnis für die Welt mit. Wenn auf der Autobahn ein Sofa liegt, muss Waymo diesen Fall nicht vorher auf Video gesehen haben. Die KI erkennt das Möbelstück und weiss durch ihr Weltwissen: Dieses Objekt ist schwer und wird nicht plötzlich wie ein Tier losrennen. Sie kombiniert ihr Sehvermögen mit logischem Verstand.

Bleibt die Frage, wie Waymo mit den seltenen Spezialfällen umgeht (sogenannte Corner Cases), denn Millionen Kundenautos, die Tag für Tag Videos liefern, hat das Unternehmen nicht. Hier wird es interessant: Zusammen mit Google DeepMind nutzt Waymo ein Weltmodell auf Basis von Genie 3. Die Entwickler können per Text-Eingabe oder aus einfachen Dashcam-Videos fotorealistische Fahrszenarien erzeugen, inklusive simulierter Lidar- und Kamerasignale. Die KI fährt also Milliarden virtuelle Kilometer durch Sturm, Schnee, Unfälle oder bizarre Situationen, die es in der Realität kaum je gibt.

Der Vorteil dieses Ansatzes ist die Sicherheit: Das System denkt auch in unübersichtlichen Lagen logisch mit, und Waymo kann sein Verhalten besser überprüfen. Der Nachteil ist der Aufwand. Das System braucht teure Hardware und funktioniert nur in Gebieten, die vorher exakt kartiert wurden.

Fazit: Tesla ersetzt echtes "Denken" durch schiere Datenmenge. Die grosse Preisfrage der Branche lautet: Reicht es aus, die Welt extrem gut zu sehen, oder muss ein Auto die Welt auch verstehen?

Braucht das Auto eine Karte?

Kommen wir zum letzten Punkt: Wie definiert ein autonomes Auto sein Gebiet? Waymo und die anderen Robotaxis fahren nur in Gebieten, die vorher bis auf den Zentimeter vermessen wurden. Das Auto kennt jede Kreuzung auswendig und vergleicht dieses Vorwissen laufend mit dem, was die Sensoren gerade melden, so erkennt es auch Baustellen und kurzfristige Änderungen. Das ist extrem sicher, es ist aber auch teuer in der Pflege und endet exakt an der Grenze des vermessenen Gebiets. Ein Waymo kann also nicht spontan nach Zürich teleportiert werden, um loszufahren. Das ist der wichtigste technische Grund hinter dem Geofence, den ich in Teil 1 erwähnt habe. Bei einer Expansion muss der Anbieter alles detailliert vorbereiten.

Tesla macht natürlich alles anders: keine Kartografierung, nur eine grobe Navi-Karte wie in jedem Handy. Den Rest baut sich das Auto in Echtzeit aus dem zusammen, was es gerade wahrnimmt. So fährt es überall sofort los, ist aber in jeder Sekunde davon abhängig, dass die Wahrnehmung stimmt. Womit wir wieder bei der ersten Frage wären, den Sensoren.

Wie passt alles zusammen?

Fügt man die drei Entscheidungen zusammen, ergibt sich ein klares Bild.

• Tesla wettet auf allen drei Feldern auf das Sparsame und Mutige. Nur Kameras, dazu ein einziges grosses Netz, und die vermessene Vorabkarte spart es sich ganz. Das macht die Technik billig und praktisch überall einsetzbar. Rechtlich gilt das System weiterhin als Assistenzsystem, wie in Teil 1 beschrieben.
• Waymo macht das genaue Gegenteil. Mehrere Sinne zugleich, dazu eine Karte auf den Zentimeter genau, innerhalb derer das Auto ein fest umrissenes Gebiet nie verlässt. Teuer und unbeweglich, dafür der Massstab für echtes fahrerloses Fahren (Level vier).
• WeRide aus China fährt dieselbe vorsichtige Schule, mit einem Lidar, das in der neuesten Generation bis zu 600 Meter weit tasten soll. Merkt euch den Namen. Es ist der Anbieter, der zusammen mit Uber laut Ankündigung schon dieses Jahr Robotaxis nach Zürich bringen will, die behördliche Genehmigung vorausgesetzt. Mehr dazu in Teil 4.

Wer bei diesem Rennen weltweit vorne liegt, wer noch zurückliegt und warum die USA und China dabei völlig andere Wege gehen, das schauen wir uns in Teil 3 an.