Auf jeder Fahrzeugmesse gibt es inzwischen einen Stand, an dem versprochen wird, dass Edge Computing autonomes Fahren innerhalb der nächsten Produktzyklen unvermeidlich machen wird. Sensordaten werden lokal verarbeitet; die Latenz sinkt auf Millisekunden; das Fahrzeug trifft Entscheidungen in Sekundenbruchteilen. Das klingt überzeugend ... doch die zugrunde liegende Technologie ist noch nicht so weit. Für Flottenmanager, die eine Zukunft mit autonomen Fahrzeugen sehen, kann die Lücke zwischen dem tatsächlichen Technologie-Stack und unseren Erwartungen daran entmutigend wirken.

Was Edge Computing lösen soll

Ein selbstfahrendes System muss Kamera-, Radar- und Lidar-Datenströme in Echtzeit verarbeiten, sie mit einer aktuellen Karte abgleichen und schnell genug eine Fahrentscheidung treffen, damit sie bei Autobahngeschwindigkeit noch relevant ist. Diese Datenmenge an einen Cloud-Server zu senden und auf eine Antwort zu warten, führt zu Verzögerungen, die kein Sicherheitssystem tolerieren kann. Edge Computing verlagert die Verarbeitung direkt in das Fahrzeug, sodass Entscheidungen dort getroffen werden, wo sich auch die Sensoren befinden.

Hier sind Beispiele für jede Ebene, von der höchsten bis zur geringsten tolerierbaren Latenz.

Cloud (Sekunden bis Stunden tolerierbarer Verzögerung)

• Training und Verfeinerung der Fahrmodelle anhand von Daten, die aus dem gesamten Fuhrpark zusammengeführt werden
• Aktualisierung und Verteilung von HD-Karten
• Over-the-Air-Updates für Software und Firmware
• Flottenanalysen, beispielsweise die Aggregation von Telematik- und ADAS-Ereignisdaten für Berichte über Beinaheunfälle
• Routenplanung und Verkehrsprognosen für eine Region
• Zentren für Fernunterstützung, in denen ein Mensch einem festgefahrenen Fahrzeug hilft

Straßenrand (Dutzende Millisekunden, von vielen Fahrzeugen gemeinsam genutzt)

• Straßenrandgeräte an Kreuzungen, die die Ampelschaltungen an sich nähernde Fahrzeuge übermitteln
• Warnungen vor Baustellen und Gefahren, die Fahrzeuge vor einem Unfall oder einer Fahrbahnsperrung erreichen
• Kameras und Lidar-Systeme an Kreuzungen, die Informationen über Fußgänger oder Querverkehr bereitstellen, die die eigenen Sensoren eines Fahrzeugs nicht erkennen können
• Multi-Access-Edge-Computing-Server an 5G-Mobilfunkstandorten zur lokalen Koordination
• Koordination von Platooning und Einfädelvorgängen zwischen Fahrzeugen in der Nähe

Im Fahrzeug (einstellige Millisekunden, keine Verbindung erforderlich)

• Sensorfusion, die Kamera-, Radar- und Lidar-Daten zu einem Gesamtbild zusammenführt
• Erkennung und Klassifizierung von Objekten, darunter Fußgänger, Radfahrer und andere Fahrzeuge
• Entscheidungen für automatische Notbremsungen und Kollisionsvermeidung
• Spurhalteassistent und adaptive Geschwindigkeitsregelung
• Fahrerüberwachung auf Müdigkeit und Ablenkung
• Kontinuierliche Lokalisierung und Pfadplanung

Dieser Teil des Versprechens hält stand. Die Probleme beginnen bei den Kosten, die entstehen, wenn man es wirklich gut umsetzen will.

Wo die Hardware noch hinterherhinkt

Sensorfusion – also die Zusammenführung von Daten mehrerer lokaler Sensoren direkt auf dem lokalen Prozessor eines Geräts, um sofortige und präzise Entscheidungen zu treffen, ohne auf einen entfernten Cloud-Server warten zu müssen – benötigt viel Rechenleistung, um in einem Fahrzeug zuverlässig zu funktionieren. Aktuelle Fahrzeugprozessoren haben häufig Schwierigkeiten, diese Leistung bereitzustellen, ohne zu viel Strom zu verbrauchen oder zu viel Wärme zu erzeugen.

Mehrere Einschränkungen verschärfen das Problem speziell für Flottenanwendungen:

• Stromverbrauch von Edge-Prozessoren konkurriert mit allen anderen Verbrauchern im elektrischen System des Fahrzeugs. Bei Elektrofahrzeugen, bei denen jedes Watt für Rechenleistung ein Watt weniger für die Reichweite bedeutet, ist das besonders relevant.
• Das Wärmemanagement verursacht zusätzliche Kosten und Komplexität, mit denen sich die Hersteller noch auseinandersetzen, insbesondere bei Fahrzeugen, die während eines Arbeitstags direkter Sonneneinstrahlung ausgesetzt sind oder über längere Zeit im Leerlauf betrieben werden.
• Konnektivitätsannahmen, auf denen viele „AV-ready“-Systeme basieren, setzen weiterhin regelmäßige Cloud-Updates für Kartenmaterial und die Verfeinerung der Modelle voraus. Das funktioniert in ländlichen Gebieten oder Servicegebieten mit geringer Netzabdeckung, in denen viele Light-Duty- und Serviceflotten unterwegs sind, nicht zuverlässig.
• Die Kosten steigen schneller als die Leistungsfähigkeit. Eine Verdoppelung der Rechenleistung für ein geringfügig komplexeres Fahrszenario verdoppelt nicht einfach den Preis – häufig vervielfacht er sich, da Chips in Automobilqualität Zertifizierungs- und Zuverlässigkeitsanforderungen erfüllen müssen, die für Unterhaltungselektronik nicht gelten.

Was das für Kaufentscheidungen von Flotten bedeutet

• Behandeln Sie „autonomy-ready“ als Marketingaussage, die überprüft werden muss, und nicht als Spezifikation, die einfach als gegeben angesehen werden kann. Fragen Sie, was das System heute tatsächlich kann und was es erst durch ein zukünftiges Software- oder Hardware-Upgrade unterstützen soll. Das sind unterschiedliche Produkte mit unterschiedlichen Auswirkungen auf das Budget.
• Bewerten Sie ADAS-Funktionen nach ihrem heutigen Nutzen. Spurhalteassistent, automatische Notbremsung und adaptive Geschwindigkeitsregelung bieten bereits jetzt einen messbaren Sicherheitswert und hängen nicht von den Fortschritten bei der Rechenleistung ab, die für vollständige Autonomie erforderlich sind. Die Budgetierung für diese Funktionen ist unabhängig davon sinnvoll, wie sich der breitere AV-Markt entwickelt.
• Berücksichtigen Sie Konnektivitätslücken bei jeder Bewertung. Ein System, das auf häufige Cloud-Synchronisierung angewiesen ist, wird sich in einem Fuhrpark mit dicht besiedelten Metropolregionen und ländlichen Servicegebieten unterschiedlich verhalten.

Die Flotten, die von der aktuellen Situation am meisten profitieren, sind diejenigen, die die Rechenleistungsfrage von der Sicherheitsfrage trennen. Edge Computing wird sich weiter verbessern, und die Hardware wird die Lücke zum Marketing irgendwann schließen. Bis dahin ist die vernünftige Kaufentscheidung diejenige, die darauf basiert, was ein Fahrzeug heute nachweislich leisten kann.

Wie autonomes Flottenmanagement aussieht, bevor vollständige Autonomie erreicht ist

Autonomes Flottenmanagement bedeutet bei den heute auf der Straße befindlichen Fahrzeugen größtenteils die Verwaltung eines Fuhrparks mit ADAS-ausgestatteten Fahrzeugen. Die Fahrerschulung sollte vermitteln, was die ADAS-Systeme leisten und was nicht, damit Fahrer Spurhalteassistenten und automatische Bremssysteme als zusätzliche Sicherheitsebene und nicht als Ersatz für Aufmerksamkeit betrachten. Daten aus diesen Systemen geben Betriebsverantwortlichen, sofern eine Flottenmanagementplattform für deren Erfassung eingerichtet ist, frühzeitig Einblick in Muster von Beinaheunfällen, bevor daraus tatsächliche Schadensfälle entstehen.

Auch die Gespräche über Versicherung und Haftung verändern sich, da Versicherer beginnen, Flotten danach zu fragen, welche Fahrerassistenztechnologien installiert sind und wie diese gewartet werden. Wer diese Dokumentation bereits heute vorbereitet, bringt seinen Fuhrpark unabhängig davon in eine gute Position, wie schnell sich die zugrunde liegende Hardware weiterentwickelt.

EMKAY unterstützt Flottenmanager dabei, Entscheidungen über Fahrzeugtechnologien anhand realer betrieblicher Anforderungen zu bewerten. Kontaktieren Sie unser Team unter 630.250.7400 oder info@emkay.com.