ADAS und autonomes Fahren: Grundlagen der Sensorik — Künstliche Intelligenz im Automobilbau

Gewinne:

Fähigkeit, die Rolle von Kamera, Radar, LiDAR und Sensorfusion in der Erkennungskette und den SAE-Automatisierungsebenen zu erklären
Möglichkeit zur Erstellung von Datenkennzeichnungen, Szenariodefinitionen und Bewertungsmetriken zur Objekterkennung, -klassifizierung und -verfolgung
Fähigkeit zur kritischen Bewertung von Randfällen, falsch-positiven/negativen Gleichgewichten und Sicherheitsmargen in der Ausgabe des Erkennungsmodells

Die meisten Fahrzeuge verfügen heute über Funktionen wie Spurverlassenswarnung, automatische Notbremsung oder adaptive Geschwindigkeitsregelung. Diese stehen alle unter dem Dach von ADAS (Advanced Driver Assistance Systems). Im Zentrum dieser Systeme und des weiteren autonomen Fahrens steht die Wahrnehmung: die Art und Weise, wie das Fahrzeug die Welt um sich herum mit Sensoren „sieht“ und sie mit künstlicher Intelligenz „versteht“. In dieser Einheit behandeln wir die Erkennungskette, Sensoren, Automatisierungsebenen und das kritischste Problem, die Sicherheitsgrenzen.

Eine Warnung gleich zu Beginn: Dieser Bereich ist sicherheitskritisch. Wenn das Erkennungsmodell einen Fußgänger nicht erkennt, kann dies fatale Folgen haben. Deshalb muss hier jede KI-Ausgabe von sicherheitstechnischen Prozessen umgeben sein (ISO 26262 und SOTIF in den nächsten Einheiten).

Sensoren: Augen, Ohren und Radar

Ein autonomer Fahrstapel kombiniert verschiedene Sensoren, da jeder seine Stärken und Schwächen hat:

Kamera: Die Kamera „sieht“ Farbe, Text (Verkehrszeichen), Fahrbahnlinie und Objekttyp am besten. Aber nachts ist es schlecht, Nebel, starke Sonnenblendung und Entfernungsschätzung.
Radar (Radio Detection and Ranging): Misst Entfernung und Geschwindigkeit mit Radiowellen. Es ist weniger von Regen/Nebel betroffen und misst die Geschwindigkeit direkt (mit dem Doppler-Effekt); aber seine Auflösung ist niedrig, was es schwierig macht zu unterscheiden: „Ist das ein Fußgänger oder eine Kiste?“
LiDAR (Light Detection and Ranging): Schießt einen Laser ab und erzeugt eine präzise dreidimensionale „Punktwolke“ der Umgebung; Es verleiht Distanz und Form sehr gut. Aber es ist teuer und kann durch starken Nebel/Regen beeinträchtigt werden.
Ultraschall: Kurze Reichweite, wie Parksensoren.

Da keiner von beiden allein ausreicht, wird eine Sensorfusion durchgeführt: Durch die Kombination der Daten verschiedener Sensoren wird die Schwäche des einen durch die Stärke des anderen ausgeglichen. Die Kamera sagt beispielsweise „Fußgänger“, das Radar sagt „in 12 Metern Entfernung, nähert sich 5 km/h“; Fusion kombiniert beides und erstellt eine zuverlässige Spur.

Tipp: Bei der Beurteilung eines Erkennungsanspruchs: „Welcher Sensor kann ihn erkennen und wie gut?“ fragen. Wenn die Entfernungsschätzung der Kamera nachts schlecht ist, ist eine Entfernungsentscheidung auf Basis einer einzelnen Kamera fraglich.

Erkennungskette

Die typische Kette von den Rohsensordaten bis zur Entscheidung ist wie folgt:

Erkennung: Objekte im Bild/Punktwolke finden („Hier gibt es ein Tool“).
Klassifizierung: Bestimmung der Objektart (Fußgänger, Fahrrad, Fahrzeug, Schild).
Tracking: Dem Objekt zwischen Bildern folgen und seine Geschwindigkeit und Richtung abschätzen.
Fusion: Kombination von Sensoren, um ein konsistentes Weltmodell zu erstellen.
Vorhersage: „Wird dieser Fußgänger die Straße überqueren?“
Planung und Kontrolle: Entscheidung und Lenk-/Brems-/Gasbefehl.

Künstliche Intelligenz (insbesondere Deep Learning) 1-3. sehr stark in Schritten; 5-6. Die Schritte sind zunehmend von technischen Regeln und Sicherheitslogiken umgeben.

SAE-Automatisierungsstufen

Autonomie ist keine „Ja/Nein“-Sache, sie geschieht schrittweise. Der SAE J3016-Standard definiert sechs Stufen:

Ebene

Name

Wer fährt?

Beispiel

Keine Automatisierung

alle fahren

Nur Warnung (Toter-Winkel-Warnung)

Fahrerunterstützung

Treiber + Einzelunterstützung

Adaptives Tempomat ODER Spurhaltung

Teilautomatisierung

Fahrer (ständige Aufsicht)

Geschwindigkeit + Fahrspur zusammen, Fahrer verantwortlich

Bedingte Automatisierung

System (unter bestimmten Bedingungen)

Unter bestimmten Voraussetzungen fährt das System, der Fahrer ist zur Übernahme bereit

hohe Automatisierung

System (in einem bestimmten Bereich)

Fahrerlos im definierten Bereich

Vollständige Automatisierung

System (unter allen Bedingungen)

Fahrerlos überall (noch nicht)

Achtung: Das gefährlichste Missverständnis ist Level 2. Im Level 2 unterstützt das Fahrzeug Lenkung und Geschwindigkeit, der Fahrer behält jedoch die ständige Aufsicht und Verantwortung. Die Verwechslung des Systems mit „Autopilot“ und mangelnde Aufmerksamkeit hat zu tödlichen Unfällen geführt. Level 2 bedeutet nicht „fahrerlos“.

Bewertungsmetriken: falsch positiv und falsch negativ

Bei der Bewertung eines Erkennungsmodells sind zwei Arten von Fehlern von entscheidender Bedeutung:

Falsch positiv: Denken, dass es etwas gibt, das nicht existiert. Denken Sie zum Beispiel, dass ein Brückenschatten ein „Hindernis“ sei, und bremsen Sie unnötig. Störend und teilweise gefährlich (Auffahrunfall).
Falsch negativ (falsch negativ / Miss): Nicht in der Lage sein, etwas Existierendes zu sehen. Zum Beispiel, keinen echten Fußgänger zu sehen. Das ist der tödlichste Fehler beim autonomen Fahren.

Metriken, die Folgendes zusammenfassen:

Präzision: Wie viel von dem, was Sie markiert haben, ist tatsächlich richtig.
Erinnerung (Sensibilität): Wie viel von dem, was tatsächlich existiert, haben Sie erfasst.
mAP (mittlere durchschnittliche Präzision): Gemeinsame zusammengesetzte Metrik für die Objekterkennung.

Der Rückruf (keinen Fußgänger zu übersehen) ist in Bereichen wie der Fußgängererkennung beim autonomen Fahren von entscheidender Bedeutung; Eine Erhöhung dieses Werts erhöht manchmal die Zahl falsch positiver Ergebnisse. Bei diesem Kompromiss handelt es sich um eine sicherheitstechnische Entscheidung, nicht um reine Modellgenauigkeit.

Randfälle und der lange Schwanz

Der schwierigste Teil des autonomen Fahrens sind nicht die alltäglichen Situationen, sondern die seltenen und seltsamen: das halb unter dem Schnee sichtbare Schild, der umgedrehte Lastwagen, ein kostümierter Fußgänger, auf die Straße gefallene Möbel. Diese seltenen, aber gefährlichen Situationen werden Long Tail genannt. Während ein Modell für Millionen von „normalen“ Meilen perfekt sein kann, kann es in einer noch nie dagewesenen Extremsituation versagen. Aus diesem Grund sind szenariobasierte Tests, Simulationen und Validierungen in der Praxis endlos.

Mini-Fallstudien

Fall 1 – Der Wert der Fusion. Beim Testen der automatischen Notbremsung stellte ein ADAS-Team fest, dass es allein mit der Kamera zu langsam war, ein dunkles Fahrzeug vor sich in der hellen Sonne zu erkennen. Wenn Radardaten hinzugefügt werden (Radar wird nicht durch Blendung beeinträchtigt), erkennt das System das Fahrzeug 0,4 Sekunden früher; Das bedeutet einen Bremsweg von ca. 10 Metern bei 90 km/h. Ergebnis: Fusion hat den toten Winkel des einzelnen Sensors geschlossen.

Fall 2 – Rückruf/Präzisionswaage. Wenn der Schwellenwert des Fußgängererkennungsmodells gesenkt wird, erhöht sich die Erinnerung von 96 % auf 99 %, allerdings nehmen die Fehlalarme (Schatten, Büsche) zu, was zu unnötigem Bremsen führt. Das Sicherheitsteam trifft die Entscheidung: Das Vermeiden von Fußgängern hat Priorität, der Komfort bleibt jedoch erhalten, indem Fehlalarme mithilfe von Fusions- und Tracking-Logik eliminiert werden. Fazit: Die Metrikauswahl ist eine technische/sicherheitstechnische Entscheidung, es gibt keine einzige „richtige Zahl“.

Fall 3 – Edge-Case-Überraschung. Während ein Modell seinen Validierungssatz zu 99,8 % erfolgreich bestand, verwechselte es ein Foto eines riesigen Fußgängers hinter einem Lastwagen mit einer Winterreifenwerbung auf dem Feld mit einem „echten Fußgänger“ und bremste plötzlich. Das Team fügt diesen Randfall zur Szenariobibliothek hinzu und trainiert das Modell neu. Fazit: Der lange Schwanz „endet“ nie; Eine ständige Sammlung von Szenarien ist erforderlich.

Eingabeaufforderungsvorlagen

Vorlage 1 – Erstellen einer Szenarioliste:

Rolle: Sie sind der ADAS-Testfallingenieur. Aufgabe: Erstellen Sie anspruchsvolle (Randfall-)Testszenarien für automatische Notbremsungen. Kontext: Städtisch, 30–50 km/h, gemischte Fußgänger und Radfahrer. Einschränkung: Priorisieren Sie seltene/gefährliche Szenarien, nicht häufige Szenarien. Schreiben Sie das erwartete korrekte Verhalten für jedes Szenario.Ausgabe: Szenario | Zustand | erwartetes Verhalten | Risikostufe.

Vorlage 2 – Gliederung des Etikettierungsleitfadens:

Rolle: Qualitätsleiter bei der Datenkennzeichnung. Aufgabe: Einen Entwurf für Konsistenzregeln für die Fußgängerkennzeichnung verfassen. Kontext: Es gibt Fußgänger, die teilweise sichtbar sind, sitzen, in Rollstühlen sitzen und sich in Gruppen befinden. Ausgabe: Regel | Beispiel | Tabelle der Grenzzustandsgrade.

Vorlage 3 – Metrikinterpretation:

Rolle: Experte für die Bewertung von Computer Vision. Aufgabe: Interpretieren Sie die Ergebnisse meiner Fußgängererkennung. Kontext: Präzision 0,93, Rückruf 0,90, die meisten Fehlschläge nachts oder bei Regen. Einschränkung: Betonen Sie die Bedeutung des Rückrufs für die Sicherheit; Teilen Sie mir mit, unter welchen Bedingungen eine zusätzliche Überprüfung erforderlich ist. Ausgabe: Kommentar + vorrangige Verbesserungsbereiche.

Vorlage 4 – Gliederung der Fusionslogik:

Rolle: Sie sind Sensorfusionsingenieur. Aufgabe: Schlagen Sie einen Entwurf einer Entscheidungslogik vor, wenn Kamera- und Radarkonflikte auftreten. Kontext: Das Radar erkennt ein sich bewegendes kleines Objekt in 15 m Entfernung, während die Kamera „Kein Fußgänger“ anzeigt. Einschränkung: Wenden Sie das Annahmeprinzip zugunsten der Sicherheit an (sichere Seite). Ausgabe: Entscheidungstabelle + Begründung.

Schwache Eingabeaufforderung / Starke Eingabeaufforderung

Schwache Eingabeaufforderung:

Ist mein autonomes Fahrzeugmodell sicher?

Ohne Kontext; „sicher“ ist undefiniert; KI spricht nur allgemein und kann irreführendes Vertrauen vermitteln.

Kraftvolle Aufforderung:

Rolle: Sie sind der ADAS-Sicherheitsbewertungsberater. Aufgabe: Erstellen Sie eine Checkliste, mit der ich die Schwachstellen meines Fußgängererkennungsmodells hinterfragen kann. Kontext: Städtisches Level-2-System; Rückruf fällt nachts und bei Regen; Es gibt nur Kamera + Radar, kein LiDAR. Einschränkung: Nicht als „sicher“ deklarieren; Geben Sie an, unter welchen Bedingungen das System am Limit ist und welche zusätzlichen Tests erforderlich sind. Ausgabe: Risikogebiet | warum | empfohlener Test | Wichtigkeitstabelle.

Häufige Fehler

Verwechselung von Level 2 mit „fahrerlos“. Die Verantwortung liegt beim Fahrer; Dieses Missverständnis ist fatal.
Verlassen Sie sich auf einen einzigen Sensor. Jeder Sensor hat einen toten Winkel; Fusion ist unerlässlich.
Ich schaue mir nur die durchschnittliche Genauigkeit an. 99 % Erfolg, 1 % übersehener Fußgänger könnte tödlich sein; Rückruf- und Randfälle sind von entscheidender Bedeutung.
Extremfälle ignorieren. Der lange Schwanz endet nie; Die Szenariosammlung erfolgt kontinuierlich.
Überlassen Sie die Sicherheitsentscheidung dem Modell. Entscheidungen über Schwellenwerte und Balance liegen in der Verantwortung der Sicherheitstechnik.

Zusammenfassend

Das Herzstück von ADAS und autonomer Fahrsensorik sind Kamera, Radar, LiDAR und Sensorfusion; Jeder Sensor hat unterschiedliche Stärken/Schwächen.
Die Erkennungskette besteht aus Erkennung, Klassifizierung, Überwachung, Fusion, Vorhersage und Kontrolle; KI ist in den ersten Schritten stark.
Die SAE-Werte reichen von 0 bis 5; In Level 2 liegt die Verantwortung beim Fahrer.
Falsch negativ (Fußgängerentführung) ist der schwerwiegendste Fehler; Rückruf- und Randfälle haben Vorrang.
Sicherheitsentscheidungen liegen in der Verantwortung des Ingenieurs; Die Modellgenauigkeit ist nicht das einzige Kriterium.

Anwendungsaufgabe

Wählen Sie eine ADAS-Funktion (z. B. Spurhalteassistent). (1) Tragen Sie in eine Tabelle ein, welche Sensoren diese Funktion wie gut unterstützen. (2) Generieren Sie 5 Edge-Case-Szenarien mit Vorlage 1 und geben Sie für jedes das erwartete sichere Verhalten an. (3) Vergleichen Sie die Ergebnisse von falsch positiv und falsch negativ für diese Funktion. (4) Listen Sie auf, welche unabhängigen Tests erforderlich sind, bevor Sie behaupten, das Modell sei „sicher“.

Checkliste

[ ] Ich habe die Stärken/Schwächen der Sensoren nach Funktion bewertet.
[ ] Ich habe auch die Endfallszenarien (Long Tail) aufgelistet.
[ ] Ich habe aus Sicherheitsgründen falsch positive/negative Ergebnisse verglichen.
[ ] Ich habe die sicherheitskritische Bedeutung von Recall berücksichtigt.
[ ] Ich habe den SAE-Level geklärt und wer dafür verantwortlich ist.
[ ] Ich habe einen unabhängigen Testplan erstellt, bevor ich die Aussage „sicher“ machte.