Testfahrten - Fahrerlose autonome Lastwagen

Im Jahr 2022 erhielt "Inceptio Technology" als erstes Unternehmen in China eine Genehmigung für öffentliche Testfahrten mit fahrerlosen autonomen Lastwagen. Dort nutzen bereits elf Modelle von fünf verschiedenen Herstellern die Technologie im Praxistest. Nun blickt das Unternehmen nach Europa. Wir sprachen mit Julian Ma, CEO und Mitgründer von Inceptio Technology, über die Unterschiede zum autonomen Fahren von Pkw und über die Entwicklung und Einführung im Transportbereich.

Herr Ma, wie unterscheidet sich die Entwicklung von autonomen Fahrsystemen für Lkw von denen in Pkw?

„Autonomes Fahren bei schweren Nutzfahrzeugen wie Lkw bringt einige spezielle Herausforderungen mit sich, wodurch es sich von Personenkraftwagen unterscheidet. Zwar verfolgen beide das gleiche Ziel des sicheren autonomen Fahrens, doch erfordern die physikalischen Gegebenheiten, die betrieblichen Anforderungen und die Sicherheitsaspekte eines Nutzfahrzeugs einen grundlegend anderen Ansatz. Zuerst ist die Fernwahrnehmung zu nennen. Für Lkw sind Fernwahrnehmungsfähigkeiten unerlässlich. Ein voll beladener Lkw benötigt aus Autobahngeschwindigkeit bis zu 400 Meter, um vollständig zum Stehen zu kommen. Der Spurwechsel kann doppelt so lange dauern wie bei einem Pkw. Lidar ist aufgrund seines zuverlässigen Sensors für große Entfernungen die Technologie der Wahl für die Fernwahrnehmung. Das bringt jedoch eigene Herausforderungen mit sich, wie beispielsweise die Sichtbarkeit bei Nebel.

Zweitens ist die Fahrzeugsteuerung und Energiedynamik zu nennen. Lkw sind aufgrund verschiedener Faktoren schwieriger zu steuern als Pkw. Beispielsweise kann ihr Gewicht zwischen 16 und 49 Tonnen schwanken, sie haben eine flexible Aufbauten und eine langsame Reaktionszeit. Lkw erfordern außerdem eine äußerst genaue seitliche Wahrnehmung, um perfekt in der Spur zu bleiben. Unsere Systeme sind für eine seitliche Genauigkeit von acht Zentimetern oder weniger ausgelegt, um einen sicheren Betrieb zu gewährleisten. Was andere Leistungsindikatoren angeht, so liegt der Kraftstoffverbrauch deutlich höher. Das bedeutet, dass viel mehr Wert auf ein energieeffizientes Design gelegt wird, das Sicherheit mit den Kosten in Einklang bringt. Drittens unterscheiden sich menschliche Interaktionen und das KI-Training. Ein menschlicher Fahrer reagiert beispielsweise ganz anders, wenn er einen Lkw auf sich zukommen sieht als wenn er einen anderen Pkw sieht.

Die von Schwerlast-Lkw und Pkw gesammelten Daten zum Verhalten im Straßenverkehr sind also nicht einfach gegenseitig anwendbar.“

Wie profitieren Logistikunternehmen durch autonomes Fahren?

„Wir sind der Ansicht, dass ein großflächiger Einsatz zählbare Mehrwerte für die Kunden mit sich bringt: Bewährte und überlegene Sicherheit unter verschiedenen Straßen-, Wetter- und Verkehrsbedingungen. Komfortableres und gesünderes Fahren mit deutlich weniger Ermüdung und geringeren Anforderungen an die Fahrfähigkeiten. Geringere Arbeitskosten für die Einstellung, Bindung und Verwaltung von Fahrern. Geringere Versicherungsprämien durch reduzierte Schadenquoten und geringere Schwere der Schadensfälle. Eine Verbesserung der Kraftstoffeffizienz zwischen drei und sieben Prozent, was einer jährlichen Einsparung von circa 6000 Litern Diesel und 15,8 Tonnen CO?-Emissionen pro Lkw entspricht. Wir sehen autonomes Fahren weniger als Ersatz für Fahrer, sondern vielmehr als Lösung für das grundlegende Skalierbarkeitsproblem in der Logistik, wodurch eine sicherere, effizientere und ökologisch nachhaltigere Lieferkette für die Zukunft geschaffen wird.“

Sehen Sie eine größere öffentliche Akzeptanz für autonomes Fahren im Nutzfahrzeugbereich als im Pkw-Bereich?

„Ja. Nach unserer Erfahrung ist die Akzeptanz im Nutzfahrzeugsektor deutlich höher, vor allem aus zwei Gründen. Erstens ist das Wertversprechen ein anderes. Lkw sind Produktionsmittel, keine Konsumgüter. Logistikunternehmen achten auf Kosten, Effizienz und betriebliche Auswirkungen, und autonomes Fahren erfüllt diese Anforderungen. In China, wo Level 2+ weit verbreitet ist, sehen Kunden Amortisationszeiten von zehn bis 24 Monaten. Angesichts dieser messbaren Vorteile ist die Akzeptanz natürlich höher als bei Personenkraftwagen, wo die Diskussion oft emotional oder komfortorientiert ist. Zweitens befasst sich autonomes Fahren mit einem strukturellen Mangel in der Branche und nicht mit einem sozialen Problem. Der weltweite Mangel an Lkw-Fahrern ist ein kritischer Engpass für die Logistik. Autonomes Fahren ersetzt keine bestehenden Arbeitskräfte, sondern füllt eine Lücke, die die Branche bisher nicht schließen konnte. Diese Tatsache verändert die Diskussion grundlegend.

Schon vor Level 4 leistet unsere aktuelle L2+-Technologie einen entscheidenden Beitrag, indem sie die körperliche und geistige Arbeitsbelastung reduziert und die Qualifikationsanforderungen für den Beruf senkt. Dadurch ist der Beruf für eine breitere Bevölkerungsgruppe attraktiver geworden und das Fahrermanagement auf Flottenebene wurde vereinfacht. Diese konkrete Hilfe sorgt für einen starken Zuspruch sowohl seitens der Betreiber als auch der Fahrer. Im Gegensatz zu Personenkraftwagen, bei denen sich die öffentliche Debatte oft um hypothetische Ängste vor Kontrollverlust dreht, betrachtet die Logistikbranche autonomes Fahren als ein konkretes, notwendiges Instrument zur Stabilisierung und Sicherung ihrer Abläufe.“

Welche grundlegenden Erkenntnisse haben die bisherigen Testkilometer in China gebracht?

„Gegenwärtig haben in China mehr als 4000 Lkw mit Level 2+ oder Level 3, jeweils ausgerüstet mit Systemen von Inceptio, über 400 Millionen Kilometer mit autonomer Fahrunterstützung zurückgelegt. Durch diese umfangreichen Tests haben wir zwei wichtige Erkenntnisse gewonnen, die unseren Ansatz grundlegend geprägt haben. Zunächst gibt es keinen Ersatz für Real-World-Daten. Unsere Tests in China haben unsere Überzeugung bestätigt, dass synthetische Datensätze die Komplexität realer Fahrbedingungen einfach nicht erfassen können. Zweitens haben wir gelernt, dass eine szenariobasierte Entwicklung für uns besser geeignet ist als ein funktionsbasierter Ansatz. Um ein zuverlässiges und leistungsstarkes autonomes Fahren zu erreichen, muss der Fokus auf der Verhaltensoptimierung in vielfältigen, komplexen und herausfordernden Szenarien liegen – darunter extreme Wetterbedingungen, dichter oder unvorhersehbarer Verkehr und Interaktionen mit aggressiven oder unberechenbaren Verkehrsteilnehmern. Diese Überlegungen sind nicht nur für die Sicherheit, sondern auch für die Kraftstoffeffizienz und den Fahrkomfort von entscheidender Bedeutung.

Drei Aspekte sind dabei entscheidend: Erstens eine effiziente Sammlung anspruchsvoller Szenarien für das Training und die Validierung von Algorithmen. Zweitens eine systematische Methodik zur Beschreibung, Klassifizierung und Verwaltung von Szenarien in großem Maßstab. Und drittens ein robuster Prozess für die Bewertung, das Benchmarking und die kontinuierliche Qualitätssicherung. Diese Erkenntnisse aus unseren Tests in China waren entscheidend für die Entwicklung eines Systems, das sowohl sicher als auch praktisch für den Einsatz in der Praxis ist.“

Wie lässt sich bestimmen, ob genug Testkilometer gesammelt sind, um in Serie zu gehen?

„Für Level 2+ und Level 3 haben wir einen umfassenden Prozess zur Validation und Verifikation. kurz V & V, etabliert. Dabei folgen wir sechs Schritten. Los geht es simulations- und szenariobasiertenTests, die vollständig auf Cloud-Clustern ausgeführt werden. Dann folgen die Ausführung von KI-Algorithmen und systemweite Fehlertests bis zur Kombination eines realen Fahrzeugs mit simulierten Szenarien auf einer geschlossenen Strecke. Am Ende stehen dann zunächst Tests auf abgesperrter Straße und anschließend auf offener Straße. Vor jedem Produktstart führen wir Tests über eine Strecke von bis zu 1,5 Millionen Kilometern durch.

Für unser Level-4-Produkt für Lkw sind wesentlich mehr Testkilometer erforderlich. Wir schätzen, dass für die Realisierung eines serienreifen, groß angelegten L4-Lkw-Systems 50 Milliarden Kilometer zurückgelegt werden müssen. Unserer Ansicht nach sind jedoch nur fünf Milliarden Kilometer an Daten aus der realen Welt erforderlich. Wir glauben, dass diese Menge ausreicht, um ein robustes und effizientes Weltmodell zu erstellen, das die restlichen 45 Milliarden Kilometer an Szenariodaten durch hochpräzise Simulationen generieren kann. Es werden 100 Millionen Datenclips benötigt, um ein zuverlässiges und effizientes Weltmodell zu trainieren, und 0,5 Millionen Clips, um die seltensten und kritischsten Szenarien zu bewältigen. Unser derzeitiges Ziel ist es, bis Mitte 2028 mit mehr als 40.000 Lkw eine Betriebsleistung von fünf Milliarden Kilometern zu erreichen.“
ampnet/aum