lassedesignen

Analyse der künftigen Markt- und
Wertschöpfungsentwicklung
64-Strahlen-Laserscanners mit dem ein sehr genaues 3-D Bild der Fahrzeugumwelt
generiert werden kann (Experteninterview Zulieferer 1). Für Google ist weiterhin das
Kartenmaterial von entscheidender Bedeutung, da tagesaktuelle 3D-Karten mit einer
Auflösungsgenauigkeit von 10 cm verwendet werden (Vollmer 2014, S. 64). Mit dieser
präzisen Darstellung lässt sich beispielsweise die Höhe von Ampeln bestimmen
(Experteninterview IT-Branche 2), was laut Aussage von Daimler eines der zentralen
Probleme bei der Durchführung von Testfahrten im urbanen Raum darstellt (Herrtwich
2013). Zudem nutzt Google das Kartenmaterial auch zur Eigenlokalisierung. Im
hochpräzisen und laufend aktualisierten Kartenmaterial sind Landmarken verzeichnet,
an denen sich das Fahrzeug orientiert (Experteninterview Hersteller 1). Hierfür wird das
jeweilige Gebiet, in dem die Google-Fahrzeuge später Fahrten absolvieren sollen, im
Vorfeld mit Kartierungsfahrzeugen abgefahren, die mittels spezieller Kamerasensorik
ein präzises Abbild des Territoriums erstellen. Dieses „Grundgerüst“ der Karte wird
dann im folgenden Testlauf von den einzelnen Fahrzeugen stetig aktualisiert und mit
Echtzeitinformationen über spontan auftretende Hindernisse, Baustellen oder
Verkehrsstaus versorgt, so dass das Prinzip der „lernenden Karte“ mittels Floating Car
Data bei Google bereits Anwendung findet (Experteninterview IT-Branche 2).
Nichtsdestotrotz ist das Google Self-Driving-Car momentan mehr als
Technologiedemonstrator zu klassifizieren, welcher von der technischen Reife eines
Serienfahrzeugs noch einige Entwicklungsschritte entfernt ist (Kotagiri 2014;
Experteninterview Branchenexperte 1). So ist insbesondere der verwendete
Laserscanner, der auf dem Dach des Fahrzeugs montiert ist, bisher weder hinsichtlich
der Robustheit noch hinsichtlich der anfallenden Stückkosten serientauglich. Jedoch
wird auf dem Gebiet der Laserscanner eine zügige technische Weiterentwicklung und
Kostensenkung erwartet, wofür die Kooperation des Zulieferers Valeo mit dem Laser-
Spezialisten Ibeo ein erstes Indiz ist (Experteninterview Zulieferer 2). Weitere
Herausforderungen liegen für Google, ähnlich wie für die Automobilhersteller auch, in
der Entwicklung der Machine-Learning-Algorithmen für die Trajektorieplanung, also in
der Situationsinterpretation, Entscheidungsfindung und Manöverplanung
(Keane 2013, Trimble et al. 2014, S. 73). Dass auch Google an die selben technischen
Grenzen stößt wie die Automobilindustrie, zeigt beispielsweise der Umstand, dass bei
den hochautomatisierten Testfahrten auf Autobahnen keine Spurwechsel zum
Funktionsumfang gehörten und auch die heutige Sensorik im urbanen Raum noch
nicht zwischen leichten und massiven Hindernissen Unterscheiden kann („Plastiktüte
oder verlorene Ladung?“). Auch die Erkennung von Ampelsignalen funktioniert bis
heute nicht uneingeschränkt, sondern weist unter ungünstigen Lichtverhältnissen
Fehlfunktionen auf. Schließlich gibt es auch ganze Szenarien, deren Manöver mit der
aktuellen Sensorik des Self-Driving-Car nicht abbildbar sind 222 (Gomes 2014). Auch die
für „konventionelle“ HAF-Fahrzeuge beschriebenen Einschränkungen durch
umgebende Wetterbedingungen schränken die Funktionsfähigkeit des Google-Cars
ein. So wurde die Technologie bisher nur unter optimalen Witterungsverhältnissen
demonstriert, da das System bei starkem Regen oder schneebedeckter Straße noch
nicht zufriedenstellend funktioniert (Trimble et al. 2014, S.71). Schließlich stellt auch
der hohe Energieverbrauch des Auto-Piloten eine Einschränkung des Fahrzeugs dar. So
verfügt es weder über Klimaanlage noch über eine Heizung, da bei der Umsetzung des
Prototypen in erster Linie auf die Optimierung der automatisierten Fahrfunktion gelegt
wurde, die einen nicht zu vernachlässigenden Energiebedarf besitzt, was in einem
Elektrofahrzeug Einschränkungen an anderer Stelle nach sich zieht (Experteninterview
IT-Branche 3).
222
Ein Beispiel ist das Linksabbiegen an einer größeren Kreuzung in einem Fahrzeugstrom mit durchgängiger
Beschleunigung.
248 | 358 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e. V.
HAF auf Autobahnen – Industriepolitische Schlussfolgerungen