Autonome Fahrsysteme (ADS) ermöglichen es unbemannten Bodenfahrzeugen (UGVs) und Roboterplattformen, ihre Umgebung wahrzunehmen, Entscheidungen zu treffen und die Fahrzeugbewegung ohne ständige menschliche Eingriffe zu steuern. Diese Systeme integrieren Sensorik, Bordcomputer und Entscheidungslogik, um den Betrieb in Umgebungen zu unterstützen, in denen die Kommunikation eingeschränkt, umstritten oder nicht verfügbar ist.
Auf dieser Seite werden Anbieter und Integratoren von Lösungen für das autonome Fahren vorgestellt, die in den Bereichen Verteidigung, öffentliche Sicherheit und Industrie für Konvoi-Einsätze, Streckenfreigabe, Logistik und Ferninspektion eingesetzt werden.
Lesen Sie den Technologieübersicht
Wenn Sie entwerfen, bauen oder liefern Autonome Fahrsysteme, Erstellen Sie ein Profil, um Ihre Kompetenzen zu präsentieren und mit Besuchern in Kontakt zu treten, die einen konkreten Bedarf an Ihren Lösungen haben.
Autonome Fahrsysteme (ADS) sind kritische Intelligenzlösungen, die es unbemannten Bodenfahrzeugen (UGVs) und Roboterplattformen ermöglichen, ohne ständige menschliche Eingriffe wahrzunehmen, zu denken und zu handeln. Diese Systeme sind von grundlegender Bedeutung für die operative Belastbarkeit in Umgebungen, in denen die Kommunikation unzureichend, umstritten oder nicht verfügbar ist. Durch die Integration von Sensorik, Hochleistungsberechnungen und komplexer Entscheidungslogik direkt in die Plattform verwandeln autonome Fahrlösungen ein Fahrzeug von einem ferngesteuerten Werkzeug in einen einsatzfähigen Partner.
Erweiterte Fahrerassistenzsysteme (Advanced Driver Assistance Systems, ADAS) beziehen sich auf spezielle Funktionen, die den menschlichen Fahrer unterstützen sollen. Im Zusammenhang mit unbemannten Systemen sind dies beispielsweise Kollisionswarnungen, Spurhalteassistenten oder automatische Notbremsungen. Die Intelligenz ist reaktiv und auf bestimmte Sicherheits- oder Effizienzfunktionen beschränkt.
Im Gegensatz dazu ist ein autonomes Fahrsystem ein umfassenderes Hardware- und Softwarepaket, das in der Lage ist, die gesamte dynamische Fahraufgabe dauerhaft auszuführen. Im Gegensatz zu ADAS, das den Fahrer unterstützt, ist ein ADS so konzipiert, dass es den Menschen bei der Steuerung, Beschleunigung und Überwachung der Umgebung ersetzt.
CoreX, das autonome Fahrsystem von SteerAI
Der Einsatz von Lösungen für das autonome Fahren verändert die Art und Weise, wie hochwertige Güter in verschiedenen anspruchsvollen Sektoren genutzt werden.
Im Bergbau, im Baugewerbe und in der Landwirtschaft übernehmen autonome Fahrzeuge sich wiederholende oder präzise Aufgaben wie den Transport und die Planierung. In diesen Umgebungen gibt es oft Staub und unebenes Gelände, die Autonomie besonders wertvoll machen. In der Logistik und im Lagerwesen unterstützen autonome Bodenfahrzeuge (AGVs) den kontinuierlichen Betrieb und verringern gleichzeitig die Abhängigkeit von menschlicher Arbeitskraft, wobei der Schwerpunkt auf genauer Navigation und sicherer Interaktion mit dem Personal liegt.
Organisationen der öffentlichen Sicherheit nutzen autonome Mobilität, um das Risiko für das Personal zu verringern. Strafverfolgungsbehörden und Sprengstoffentschärfungsteams (EOD) setzen diese Systeme ein, um Sensoren in hochgefährlichen Szenarien zu positionieren. Bei der Katastrophenhilfe ermöglicht autonomes Fahren das Durchqueren von Trümmern und die Lieferung von Hilfsgütern, wenn die Infrastruktur stark beschädigt ist.
Im Verteidigungsbereich dienen autonome Fahrsysteme als Multiplikator der Streitkräfte. Autonome Konvoioperationen reduzieren die menschliche Belastung bei der logistischen Versorgung, während ISR- und Routenräumungsmissionen von Fahrzeugen profitieren, die ihre Routen auf der Grundlage erkannter Gefahren anpassen können.
Die Industrie bezieht sich im Allgemeinen auf die SAE-Levels (J3016), um die Fähigkeiten zu kategorisieren. Bei UGVs werden diese Levels jedoch oft auf bestimmte, für den Einsatz definierte Bereiche angewandt:
Autonome Fahrsysteme sind in der Regel um vier miteinander verknüpfte Funktionsbereiche herum aufgebaut.
Die Wahrnehmung ist die Grundlage des autonomen Fahrens. Das System muss Geländemerkmale, Hindernisse und andere Akteure in Echtzeit erkennen. Moderne KI für autonomes Fahren muss eine semantische Segmentierung vornehmen, d.h. zwischen einem befahrbaren Busch und einem festen Felsen unterscheiden oder einen befreundeten Soldaten von einem Zivilisten unterscheiden können.
GNSS ist zwar ein Standardwerkzeug, aber es ist eine Schwachstelle. Professionelle Systeme nutzen oft die simultane Lokalisierung und Kartierung (SLAM) und die geländerelevante Navigation. In Umgebungen, in denen kein GNSS verfügbar ist, verlässt sich das System auf Trägheitsnavigation und visuelle Odometrie, um eine präzise Posenschätzung zu erhalten.
Dies ist das Gehirn des selbstfahrenden Systems. Die globale Planung legt die Gesamtroute fest, während die lokale Planung auf unmittelbare Hindernisse reagiert. Die Logik der Entscheidungsfindung steuert Verhaltensweisen wie Ausweichen, Umleiten oder Anhalten unter Verwendung probabilistischer Ansätze.
Steuerungsschnittstellen verbinden den autonomen Stack mit Lenkung, Bremsen und Antrieb über Drive-by-Wire-Architekturen. Fail-Safe- und Fallback-Modi sorgen dafür, dass das Fahrzeug sicher anhalten oder die Kontrolle an einen Bediener zurückgeben kann, wenn die Autonomie beeinträchtigt ist.
Ein einzelner Sensor reicht für Umgebungen mit hohem Gefahrenpotenzial nicht aus. Für maximale Zuverlässigkeit ist eine Strategie zur Sensorfusion erforderlich:
Mit dem Übergang zum autonomen Fahren durch KI hat sich die Rechenlast von der traditionellen regelbasierten Logik auf neuronale Netzwerke verlagert.
UGVs benötigen eine immense Verarbeitungsleistung an Bord, um Sensordaten mit hoher Bandbreite zu verarbeiten. Dies erfordert in der Regel eine heterogene Computerarchitektur:
Maschinelles Lernen spielt eine zentrale Rolle bei der Wahrnehmung und Klassifizierung. In sicherheitskritischen Systemen werden die Ergebnisse der KI jedoch häufig durch eine regelbasierte Logik eingeschränkt, um ein vorhersehbares Verhalten und einen reibungslosen Abbau bei einem Systemfehler zu gewährleisten.
Die nächste Generation der automatisierten Fahrsysteme liegt in der kollaborativen Autonomie und dem Edge-Learning. Die Industrie bewegt sich weg von isolierten Plattformen hin zu Schwarmverhalten und Mensch-Maschine-Teaming (HMT), bei dem das Fahrzeug die Bedürfnisse des menschlichen Fahrers antizipiert. Mit zunehmender Verbreitung werden Regulierungs- und Sicherheitsrahmen zunehmend Einfluss darauf haben, wie diese autonomen, unbemannten Fahrzeuge zertifiziert und in Multidomäneneinsätzen eingesetzt werden.
Suche nach Unternehmen & Produkten
Abonnieren Sie den wöchentlichen eBrief
Die neuesten technischen Entwicklungen direkt in deinen Posteingang - schließe dich Tausenden von Ingenieurinnen und Ingenieuren an, die diesen Newsletter erhalten.
