Perception-Modelle für autonomes Fahren: sicher, skalierbar - und schneller am Markt
Gastbeitrag von Sebastian Meyer, Associate Partner von Autonomous Reply und Jens Boonen, Partner Storm Reply
Mit einem neuen, cloudbasierten Ansatz auf AWS beschleunigen Autonomous Reply und Storm Reply die Entwicklung und Validierung direkt im Serienfahrzeug. Dadurch werden Entwicklungszyklen verkürzt und Herstellern ist es möglich, neue Fahrerassistenz- und Automatisierungsfunktionen schneller marktreif zu machen.
Eine der zentralen Herausforderungen beim autonomen Fahren ist die präzise Wahrnehmung der Fahrzeugumgebung. Damit ein System selbstständig navigieren kann, muss es Verkehrssituationen korrekt erfassen und bewerten, sei es Fußgänger, Fahrzeuge, wechselnde Witterungsbedingungen oder Baustellen. Dabei ist nicht nur die technologische Machbarkeit entscheidend, sondern auch die Geschwindigkeit, mit der neue Fahrerassistenz- und Automatisierungsfunktionen marktreif werden können.
Realbedingungen ohne Risiko: Shadow Mode im Serienfahrzeug
Ein zentrales Element der Plattform ist der sogenannte Shadow-Mode. Dabei laufen neue KI-Modelle im Hintergrund mit und "beobachten" reale Verkehrssituationen - ohne das Fahrgeschehen zu beeinflussen. So können Hersteller neue Modellversionen direkt im Serienfahrzeug testen, ohne zusätzliche Testflotten einsetzen zu müssen. Das spart Kosten, reduziert Risiken und liefert präzisere Daten für die Modelloptimierung.
Simulation als Ergänzung: gezieltes Training seltener Szenarien
Da nicht alle Verkehrssituationen im Alltag vorkommen, etwa seltene oder sicherheitskritische Szenarien, ergänzt die Plattform den Realbetrieb durch Simulation. So lassen sich auch Extremsituationen, wie plötzlich auftauchende Hindernisse oder ungewöhnliche Wetterlagen, effizient trainieren. Hersteller erhalten dadurch robustere Modelle, die auch in Grenzbereichen zuverlässig reagieren. Gleichzeitig erhöht sich die Validität der Testdaten und der Bedarf an teuren Spezialflotten reduziert sich.
Durchgängig, automatisiert und Cloud-native
Der komplette Entwicklungszyklus - von der Datenerfassung über das Training bis hin zur Evaluation - läuft automatisiert in einer AWS-Cloud-Umgebung ab. Für Hersteller bedeutet dies weniger technischen Integrationsaufwand, schnellere Iterationen und eine deutlich verkürzte Time-to-Market. Außerdem bietet die zentrale Plattform eine transparente Vergleichbarkeit verschiedener Modellversionen in Echtzeit.
Skalierbare Grundlage für zukünftige Automatisierungsstufen
Der Markt wird heute von Level-2-Funktionen wie Spurhalteassistent oder adaptiver Tempomat dominiert. Um jedoch höhere Automatisierungsstufen bis hin zum vollautonomen Fahren zu erreichen, benötigen Hersteller skalierbare Entwicklungsprozesse und valide Testverfahren. Genau hier setzt der Ansatz von Reply an: sichere Validierung unter Realbedingungen, ergänzt durch Simulation und beschleunigt durch die Cloud.
Die Bedeutung reicht weit über das Auto hinaus: Cloudbasierte Perception-Frameworks lassen sich auch auf andere Mobilitätsbereiche übertragen, beispielsweise auf autonome Schienenfahrzeuge, die Luftfahrt und die Schifffahrt sowie die urbane Mobilität. Für Märkte, die stark von Sicherheit, Regulierung und Innovationsgeschwindigkeit geprägt sind, eröffnen sich dadurch neue Chancen für Wettbewerbsvorteile.
Mit der Kombination aus Shadow-Mode, Simulation und Cloud-Evaluierung liefert Reply einen Entwicklungsansatz, der nicht nur technologisch innovativ, sondern vor allem wirtschaftlich relevant ist:
- geringere Validierungskosten,
- kürzere Entwicklungszyklen und
- schnellere Markteinführung neuer Funktionen.
Der Nutzen geht dabei weit über klassische Straßenfahrzeuge hinaus: Cloudbasierte Perception-Frameworks lassen sich bei autonomen Fahrzeugen jeder Art einsetzen - von Logistik- und Industrieanwendungen über Drohnen bis hin zu Kehr- oder Flurförderfahrzeugen. Wer diese Prozesse sicher, skalierbar und wirtschaftlich gestaltet, schafft die Grundlage für die nächste Stufe der Mobilität auf Straße, Schiene, in der Luft und in der industriellen Logistik.
