Ein selbstfahrendes Auto, auch autonomes Fahrzeug genannt, ist ein Straßenfahrzeug, das mit Sensoren, Recheneinheiten und Software ausgestattet ist, die es ihm ermöglichen, seine Umgebung wahrzunehmen und Lenkung, Beschleunigung und Bremsen mit reduziertem oder vollständig eliminiertem menschlichem Eingriff zu steuern. Die Society of Automotive Engineers definiert sechs Stufen der Fahr自动化, von Stufe 0, keine Automatisierung, über Stufe 2, partielle Automatisierung mit ständiger Fahrerüberwachung, bis zu Stufe 5, vollständige Automatisierung unter allen Bedingungen ohne menschlichen Fahrer; Mitte der 2020er-Jahre hatte kein kommerziell eingesetztes System zuverlässig Stufe 5 erreicht, und die meisten öffentlich verfügbaren Systeme arbeiteten auf Stufe 2 oder, in begrenzten geofenced Bereichen, auf Stufe 4.
Von DARPA zur kommerziellen Einführung
Die moderne Forschung zum autonomen Fahren geht auf die DARPA Grand Challenge zurück, eine Serie von Rennen für autonome Fahrzeuge über Wüstengelände, die DARPA 2004 und 2005 veranstaltete, nachdem kein Team die erste Strecke absolviert hatte; der Sieger von 2005, Stanleys Stanley, geleitet von Sebastian Thrun, und die anschließende Urban Challenge 2007 halfen, die Talent- und Technologiebasis für die moderne Industrie zu schaffen. Google startete sein Projekt zum selbstfahrenden Auto 2009 unter Thrun, das 2016 als Schwesterfirma von Google DeepMind unter dem Namen Waymo ausgegliedert wurde. Waymo wurde das erste Unternehmen, das einen fahrerlosen kommerziellen Robotaxi-Dienst ohne menschlichen Sicherheitsfahrer betrieb, startete 2020 in Phoenix, Arizona, und expandierte später nach San Francisco, Los Angeles und weitere US-Städte. Cruise, unterstützt von General Motors, betrieb einen konkurrierenden Robotaxi-Dienst, bis ein Vorfall im Jahr 2023 in San Francisco, bei dem ein Fußgänger mitgeschleift wurde, zu einer landesweiten Aussetzung seiner Flotte und erheblichen Führungs- und Strategieänderungen führte.
Teslas Ansatz
Tesla, unter Elon Musk, verfolgte einen anderen technischen Weg, der auf kamerabasierter Computer vision statt auf den Lidar-Sensoren basierte, die Waymo und die meisten anderen Entwickler verwendeten, und lieferte seine Fahrerassistenzfunktionen, die als Autopilot und Full Self-Driving vermarktet werden, schrittweise an Verbraucherfahrzeuge aus, anstatt die Technologie auf eine kleine geofenced Robotaxi-Flotte zu beschränken. Trotz der Marke "Full Self-Driving" erforderte das System während seiner gesamten öffentlichen Einführung eine aktive Fahrerüberwachung und bleibt als Automatisierung der Stufe 2 klassifiziert; der Ansatz und sein Marketing haben behördliche Prüfungen auf sich gezogen, einschließlich Untersuchungen der US-amerikanischen National Highway Traffic Safety Administration zu Unfällen mit dieser Funktion.
Technischer Ansatz
Selbstfahrende Systeme kombinieren im Allgemeinen mehrere Arten von Sensoren, Kameras, Radar und, in den meisten Ansätzen außer Teslas, Lidar, die durch Wahrnehmungssoftware fusioniert werden, die auf Computer Vision und zunehmend gelernten Neural network-Modellen basiert, anstatt auf rein handcodierten Regeln. Pfadplanungs- und Kontrollebenen übersetzen dann die wahrgenommene Umgebung in Fahr Entscheidungen, wobei neuere Systeme zunehmend end-to-end gelernte Modelle verwenden, die Sensoreingaben direkter auf Fahr Aktionen abbilden, ein Ansatz, der konzeptionell mit dem breiteren Trend zu gelernten, statt handentworfenen, Kontrollen in der Robotics verwandt ist.
Das Long-Tail-Problem
Das zentrale technische Hindernis für vollständige Autonomie wird oft als Long Tail beschrieben: Die überwiegende Mehrheit der Fahrsituationen ist routinemäßig und wird bereits zuverlässig bewältigt, aber eine kleine, praktisch unbegrenzte Menge seltener Randfälle - ungewöhnliche Straßenmarkierungen, unberechenbare andere Fahrer, unvorhersehbares Fußgängerverhalten oder ungewohntes Wetter - verursacht weiterhin Fehler, und die Abdeckung genug dieses Tails, um die menschliche Sicherheit unter allen Bedingungen zu erreichen oder zu übertreffen, hat sich als weitaus schwieriger erwiesen, als frühe Branchenprognosen aus den 2010er-Jahren erwarteten. Diese Kluft zwischen nachgewiesener Fähigkeit unter häufigen Bedingungen und Robustheit in seltenen Fällen ähnelt ähnlichen Zuverlässigkeitsproblemen, die in anderen KI-Bereichen beobachtet werden, einschließlich Hallucination (AI) in Large language model-Systemen, und hat wiederholt die Zeitpläne für die vollständige Einführung von Stufe 5 in der gesamten Branche nach hinten verschoben.