MARK T
Automatisiertes Fahren – Evolution statt Revolution
© rinspeed
AUTOR
Das automatisierte Fahren hat das Potenzial, die Industrie, wie wir sie kennen, komplett zu verändern. Aber diese Veränderung wird nicht revolutionär, sondern evolutionär erfolgen. Roland Berger Strategy Consultants zeigt, wie Hersteller und Zulieferer den Prozess und ihre Position in den sich ändernden Wertschöpfungs-
Dr. Wolfgang Bernhart ist Senior Partner im Bereich Automotive bei der Roland Berger Strategy Consultants GmbH in Stuttgart.
ketten aktiv beeinflussen können – sofern sie jetzt agieren.
AUSGANGSLAGE
Die Verfügbarkeit neuer Technologien, der absehbare Nutzen für die Gesellschaft als Ganzes und wirtschaftliche Interessen machen automatisiertes Fahren zu einem der Hauptinnovationsfelder der Automobilindustrie. Viele Fahrzeughersteller und große Zulieferer haben bereits in den letzten Jahren automatisierte Fahrzeuge als funktionale Prototypen und Testfahrzeuge entwickelt und erprobt. Die zu erwartenden gesellschaftlichen Vorteile, wie eine
12
Verringerung der Unfallzahl, weniger Staus und eine Reduktion der CO2-Emissionen, machen selbstfahrende Fahrzeuge zu einer attraktiven Vision. Trotzdem ist eine schnelle Einführung derzeit nicht in Sicht. Denn neben den technischen sind auch rechtlichethische und emotionale (mit Unsicherheit und Ängsten verbundene) Hürden zu überwinden [1]. Die meisten „traditionellen“ Automobilhersteller gehen daher von der in BILD 1 dargestellten schrittweisen Einführung [2] des automatisierten Fahrens aus:
– Conditional Automation, bei der das Fahrzeug alle Fahraufgaben übernimmt (ab circa 2016 bis 2018), der Fahrer aber immer noch als „Fallback“-Option im Fehlerfall zur Verfügung stehen muss – High Automation, bei der spezifische Fahrsituationen ohne jede menschliche Intervention ausgeführt werden (ab circa 2020 bis 2025, zuerst in „LowSpeed“-Situationen, zum Beispiel Valet Parking) und das Fahrzeug daher eigenständig und ohne Zutun des Fahrers in einen sicheren Zustand zurückkommen muss (sogenannte „Fail-Operational“-Eigenschaften) – Full Automation, bei der alle Fahrsituationen abgedeckt werden und, zumindest theoretisch, auf das Lenkrad verzichtet werden kann (wahrscheinlich deutlich nach 2025). Um den Fahrer zu ersetzen, müssen alle wesentlichen Wahrnehmungs- und Entscheidungsfunktionen des Menschen durch technische Systeme ersetzt werden, BILD 2. Die notwendigen Basistechnologien sind bereits heute verfügbar. Für die Realisierung von hochautomatisierten Fahrfunktionen auf dem erforder-
UMFELDMODELLIERUNG UND BEWEGUNGSPLANUNG
lichen Sicherheitsniveau ASIL-D sind jedoch weitere Fortschritte in den folgenden vier Bereichen erforderlich.
Auf sogenannten „tiefen“ neuronalen Netzen („deep learning“) basierende Verfahren der Mustererkennung erscheinen aktuell als der erfolgversprechendste Weg, um komplexe Verkehrsszenen richtig zu interpretieren, das heißt unter anderem das Verhalten anderer Verkehrsteilnehmer zu erkennen und vorherzusehen [3]. Dabei ist denkbar, entsprechende Systeme in umgerüsteten Serienfahrzeugen „mitlaufen“ zu lassen, neue, unbekannte Szenen online im Backend weiter zu verarbeiten und das so weiterentwickelte neuronale Netz „over-the-air“ in den Fahrzeugen zu aktualisieren [4]. Als Resultat dieser Pfadplanung steht eine Ziel-Bewegungstrajektorie zur Verfügung – unter der Voraussetzung, dass von der Gesellschaft akzeptierte Entscheidungsregeln in kritischen Situationen vorliegen (wie beispielsweise: „Soll bei einem physikalisch unvermeidbaren Unfall das Fahrzeug in den entgegenkommenden Schulbus fahren oder auf den belebten Gehweg ausweichen?“). Diese sind heute
UMFELDWAHRNEHMUNG UND FAHRZEUGLOK ALISIERUNG
Ohne menschliche Vorgaben zu Längsund Querdynamik müssen systemseitig zuverlässige Daten zur genauen Fahrzeugposition (im Zentimeterbereich) und zur Fahrzeugumgebung bereitgestellt und in geeigneter Form abgebildet werden. Dies umfasst neben geometrisch-physikalischen Informationen, wie zum Beispiel zur exakten Straßenbreite und zum Zustand, unter anderem Informationen zu anderen Verkehrsteilnehmern und zu (temporären) Verkehrsregelungen. Die entsprechende Sensorik (Kameras, Radar, Lidar etc.) steht grundsätzlich zur Verfügung, Handlungsbedarf besteht jedoch in der Verbesserung des Kosten-Leistungsverhältnisses dieser Technologien. Der Zugriff auf hochauflösende, hochaktuelle und lernende Karten wird zusätzlich notwendig, um redundante und interpretationsfreie Informationen zur Pfad- und Bewegungsplanung bereitzustellen.
~2013 ~2014 ~2015 ~2016 ~2017 ~2018 ~2019 ~2020
Fahren
Spurwechselassistent
~2025
Stauassistent
Spurhalteassistent
>>2025
Automatisiertes Fahren in der Stadt
Kreuzungsassistent
Autobahn-Pilot1)
Baustellenassistent2)
Autobahn-Chauffeur1) Vollautomatisiertes System
Parken
Parkassistent – nur Lenkung
Valet-Park-Assistent
Vollautomatisiertes Valet Parking (v2)
„Parken mittels App“
Notfall
Notabschaltung Ausweichassistent Vorausschauendes Notbremsen und vorausschauender Fußgängerschutz
Conditional Automation
High Automation Full Automation
1) Autobahn-Pilot = Autobahn-Chauffeur + höherer Automatisierungsanteil 2) Getestet – Datum des Serienstarts noch nicht angekündigt
BILD 1 Roadmap ausgewählter Funktionen des automatisierten Fahrens April 2015
Fahrerassistenzsysteme
13
MARK T Automatisch
Manuell
noch nicht vorhanden und erfordern einen breiten, möglicherweise nach Kulturkreis unterschiedlichen Konsens. Die Bewegungsplanung kann dann im nächsten Schritt den gewünschten Pfad in Vorgabewerte an die unterlagerte, fahrzeugspezifische Aktuatorik und Fahrregelsysteme umwandeln. ADAPTIVE MENSCH-MASCHINESCHNITTSTELLE
Entscheidend für die Akzeptanz automatisierter Systeme wird die Auslegung der Mensch-Maschine-Schnittstelle sein. Um das notwendige Kundenvertrauen in die Technologie zu erreichen, sind drei Felder von besonderer Bedeutung: – „erwartungskonformes“ Fahrverhalten des Fahrzeugs: Aktion/Reaktion (beschleunigen, verzögern, lenken, etc.) und entsprechende Parameter – Kontrollübergabe zum beziehungsweise -übernahme vom Fahrer – Fahrer-„Monitoring“ und Sicherstellung eines adäquaten Aufmerksamkeitsniveaus. E /E-ARCHITEKTUR, VALIDIERUNG UND FREIGABE
Im Vergleich zur Kommunikation über Bussysteme ermöglicht eine Intra-Prozessor-Kommunikation zum einen die Verarbeitung größter Datenmengen, die auch bei einer Vorverarbeitung durch intelligente Sensorsysteme anfallen, und zum anderen eine höhere Sicherheit (unter anderem gegenüber Angriffen von außen) und Geschwindigkeit. Das kann zu einer Zentralisierung der entsprechenden Systemkomponenten in einer redundant ausgelegten zentralen Steuerungseinheit führen, die über IP-Protokoll mit Aktuatorik und (intelligenter) Sensorik sowie der Cloud (Karte, Infrastruktur) kommuniziert. Verschiedene OEM und Zulieferer haben entsprechende Ansätze zur Realisierung einer solchen „Fail-Operational“-Architektur vorgestellt [5], [6], [7], [8], [9], zum Teil angelehnt an Standards wie ROS und Autosar. Der Übergang zu einer zentralisierten Architektur ist jedoch auch mit wirtschaftlichen Herausforderungen verbunden, zum Beispiel hinsichtlich der Austauschbarkeit mit bestehenden Modulen oder Skalierbarkeit über Modelle und Segmente hinweg.
14
Entscheidungsfähigkeiten
Maschinelle Lernverfahren
Gedächtnis
Karte, Umfeldmodell
Augen
Sensoren
Bewegungskoordination und Reflexe
Aktuatorik und zugehörige Regelungssysteme
Ohren
Vehicle-to-X-Kommunikation
BILD 2 Ersatz von menschlichen Fähigkeiten durch Technologie
Mit zunehmendem Automatisierungsgrad steigt die Zahl der zu berücksichtigenden Fahrsituationen exponentiell an. Dadurch ergibt sich ein mit herkömmlichen Verfahren nicht mehr wirtschaftlich vertretbarer Validierungsaufwand, der gegenüber einfachen Fahrerassistenzfunktionen um den Faktor 106 bis 107 höher liegen würde. So ist eine Kombination von statistischen Verfahren mit neuen Design- und Freigabeverfahren erforderlich [9]. Ein möglicher Lösungsansatz hierfür kann eine auf standardisierten Topologien und Schnittstellen zwischen den einzelnen funktionalen Bausteinen beruhende Systemarchitektur sein.
Innovationsfelder
Umfeldinterpretation, Pfadund Bewegungsplanung
HMI, Fahrerinteraktion und -überwachung Sensoren inklusive Datenvorverarbeitung
Kartendaten
Die Umsetzung der oben genannten Systemfunktionen erfordert damit aber neue Kompetenzen, TABELLE 1, die heute häufig außerhalb der Automobilindustrie, zum Beispiel in der Robotik oder in der Luft- und Raumfahrt, zu finden sind. MARKT- UND UMSATZERWARTUNG
Die Einführung hoch- beziehungsweise vollautomatisierter Fahrzeuge wird signifikante zusätzliche Umsatz- und Profitmöglichkeiten eröffnen. Der Markt für Hardware-Komponenten wie Kameras, Sensoren, Kommunikationssysteme und zentraler, redundanter Steuerungseinheiten inklusive autarker
Kritische Kompetenzen
Anwendungsfelder
Künstliche neuronale Netze (unsupervised, deep learning, maschinelle Lernverfahren)
Robotik, Verteidigung (UAV)
Spezielle Multiprozessor-Hardware
Mustererkennung, maschinelle Übersetzung (zum Beispiel Google, Baidu)
Frühe, hardwareunabhängige Validierung (Virtual HiL), „Non-statistical Validation“
Telekommunikation/ Halbleiterindustrie
Design selbst-adaptiver Systeme
Suchmaschinen
(3D-)Bildverarbeitung mit künstlichen neuronalen Netzen
Medizintechnik, Verteidigung
Multiprozessor-Hardware für Grafikanwendungen (GPUs)
Videospiele
Umfeldmodellierung
Kartendienste, Robotik
Datenbeschaffung und -auswertung
Standortbezogene Dienste
TABELLE 1 Innovationsfelder, kritische Kompetenzen und deren Anwendung heute
©TRW Automotive 2014
FÜR DIE SICHERHEIT IHRER LIEBEN ZÄHLT JEDER AUGENBLICK
Pre-Crash-Systeme von TRW sammeln Informationen über die Umgebung und bereiten Insassenschutzsysteme auf mögliche Gefahren vor, noch bevor der Fahrer sie bemerkt. Kognitive Sicherheitssysteme von TRW – denn Sicherheit steht jedem zu. FORTSCHRITTLICHES DENKEN VORAUSSCHAUENDES DENKEN UMWELTFREUNDLICHES DENKEN
KOGNITIVE SICHERHEITSSYSTEME http://safety.trw.de April 2015
Fahrerassistenzsysteme
15
MARK T
Markt für zusätzliche Hardware [Mrd. US-Dollar]
CAGR 2015-2030 30-40
39 %
4-5
35 %
6-10
67 %
Markt für Software-Systemfunktionen1) [Mrd. US-Dollar]
10-20 15-20 1-2 2-3 3-4 0,2-0,4
3-4
2015
2020
Sensoren3)
ECU3)
20-25
68 % 4-7
12-15
2025
2030
n.a.
0,04- 0,1
2015
2020
2025
2030
Redundante Funktionen
1) Umfeldwahrnehmung/-interpretation, Pfad- und Bewegungsplanung, Fahrerüberwachung; 2) 2020-2030; 3) Ohne die Kosten heutiger ADAS-Sensorik und ECU-Package, die zumTeil durch zentrale Master-ECU ersetzt werden
BILD 3 Erwartetes Marktwachstum aus automatisiertem Fahren (nur „On-board“-Systeme)
Energieversorgung wird bis 2030 voraussichtlich um circa 30 bis 40 Mrd. US-Dollar anwachsen, BILD 3. Umfeldwahrnehmung und -interpretation, die darauf basierenden Pfad- und Bewegungsplanung sowie hochauflösende, aktuelle und lernende Karten sind wesentliche Systemkomponenten des automatisierten Fahrens, die weitgehend auf Softwarelösungen basieren und hohe Vorabaufwendungen notwendig machen. Ein Trend zu „natürlichen Monopolen“ ist wie in anderen vergleichbaren Technologiefeldern absehbar. Schätzungen gehen von einem Marktvolumen für solche softwarebasierten Lösungen bis 2030 von 10 bis 20 Mrd. US-Dollar pro Jahr aus, je nach verfolgtem Geschäftsmodell („upfront-payment“, „pay-per-use“, etc.). Diese Abschätzungen basieren auf dem „traditionellen“ Geschäftsmodell der Automobilindustrie, bei dem Umsatz und Profit aus der Entwicklung und Lieferung von Hardwarekomponenten und Software erlöst wird. NEUE GESCHÄFTSMODELLE
Vor dem Hintergrund der Aktivitäten neuer Spieler wie zum Beispiel Google und Uber sind aber auch andere Geschäftsmodelle denkbar, die bei der Definition der eigenen Strategie zu berücksichtigen sind. Zur Veranschaulichung kann ein einfaches Szenario skizziert werden: Der Internetanbieter Google generiert beispielsweise 180 US-Dollar pro Nutzer und Jahr an Umsatz – bei einer durchschnittlichen Online-Zeit von ein bis zwei Stunden pro
16
Tag, je nach Region und Alter des Nutzers. Dem steht eine ähnliche Größenordnung von „unproduktiver“ Zeit, die der Nutzer mit Autofahren verbringt, zur Verfügung. Könnte zum Beispiel 25 bis 30 % dieser Zeit zur Nutzung des Internets „freigemacht“ werden, resultiert allein daraus ein „Wert“ des automatisierten Fahrens von mindestens 300 bis 400 USDollar innerhalb der Fahrzeuglebensdauer. Aus Sicht von Google könnte es daher interessant sein, interessierten Herstellern eine für eigene „Robotaxis“ entwickelte Systemfunktion „Umfeldinterpretation und Pfadplanung“ sowie „Fahrerüberwachung“ kostenfrei zur Verfügung zu stellen. Gleichzeitig könnten die gesammelten Sensorinformationen zum quasi kostenfreien Update der Karte genutzt und weitere Daten, unter anderem vom Fahrer, gesammelt und zusätzlich vermarktet werden. Wenngleich ein solches Szenario vielleicht nicht sehr wahrscheinlich erscheint, wären die Konsequenzen sowohl für Zulieferer („degradiert“ zum Hardwarelieferant) wie für Hersteller (hohe in die Technologie getätigte Investitionen leisten nur noch einen geringen Differenzierungsbeitrag), dramatisch. Aus Sicht der Fahrzeughersteller erscheint es daher sinnvoll, neue Geschäftsmodelle in Betracht zu ziehen, die zum Beispiel die hohen Anschaffungskosten für Erstanwender berücksichtigen, um so die Basis der Nutzer automatisierter Fahrtechnologien rasch zu erweitern und den eigenen Umsatz zu maximieren. Dabei kann der Blick auf die Erfolgsmuster anderer Industrien wie
der Internetkonzerne helfen. Die Preisbildung zum Beispiel kann zunächst nur Margen auf Hardware beinhalten, während die Software über die Nutzung von Fahrer- und Fahrzeugdaten bezahlt oder „pay-per-use“-Mobilitätsleistungen angeboten werden; auch eine Bündelung mit anderen „connected services“ ist denkbar. Gleichzeitig könnten leicht leistungsreduzierte Funktionsumfänge anderen Herstellern per Lizenz angeboten und somit zusätzliche Deckungsbeiträge generiert werden. Zur Vorbereitung auf solche revolutionären Szenarien und zur Suche nach alternativen Geschäftsmodellen, die zum Beispiel Netzwerk- und Monopolisierungseffekte und den Wert von Daten nutzen, ist eine systematische Vorgehensweise notwendig. Ausgehend von den genutzten Hardwarekomponenten sowie den genutzten beziehungsweise erzeugten Daten und Services (Algorithmen, Wissen etc.) können potenzielle Kunden, der für sie generierte Nutzen und denkbare Wertschöpfungspartner identifiziert und das jeweils erzielbare Profitpotenzial abgeschätzt werden. So ist eine proaktive Entwicklung von Geschäftsmodellen möglich, die wertsteigernd wirken und Eintrittsbarrieren für potenziell disruptiv agierende Wettbewerber aufbauen. LITERATURHINWEISE [1] Bernhart, W.; Winterhoff, M. et al.: Autonomous driving – Disruptive innovation that promises to change the automotive industry as we know it. Präsentation, Roland Berger Strategy Consultants; München/Chicago 2014 [2] SAE International Standard J3016, Taxonomy and Definitions for Terms related to On-Road Motor Vehicle Automated Driving Systems, SAE International, 2014 [3] Google Self-Driving Car Project: City Streets (Video), https://www.youtube.com/ watch?v=csvt6JBAwBk, Zugriff vom 29. April 2014 [4] NVIDIA CES 2015 press conference: DRIVE PX Computer Vision (Video), https://www.youtube.com/ watch?v=zsVsUvx8ieo&feature=youtu.be, Zugriff vom 09. Januar 2015 [5] Gentner, H.: Umfeldmodell für hochautomatisiertes Fahren. Vortrag, 5. CTI Fachkonferenz Fahrerassistenzsysteme, München, 2013 [6] Rieth, P.: Fahrerassistenz - Quo Vadis? Vortrag, 5. CTI Fachkonferenz Fahrerassistenzsysteme, München, 2013 [7] Hudi, R.: Technical implementation of piloted driving. Vortrag, FISITA World Automotive Summit, Mainz, 2013 [8] Maier, A.: Die Zukunft der E/E-Architektur im Kraftfahrzeug. Vortrag, 18. Internationaler Fachkongress Automobilelektronik, Ludwigsburg, 2014 [9] Hübner, H.P.: Automatisiertes Fahren – wohin geht die Fahrt? Präsentation Chassis Systems Control, Stuttgart, Robert Bosch GmbH, 2014
ADAS-Projekte schnell und sicher auf die Spur bringen Für die Entwicklung von Fahrerassistenzsystemen bietet Vector eine komplette und durchgängige Lösung in Form von Softwareund Hardware-Tools sowie Embedded-Komponenten: > > > > >
Schnelle Entwicklung von Multisensor-Applikationen mit Datenfusion mehrerer Sensoren Zuverlässige Objektverifikation Schnelle Steuergeräteanbindung zur Erfassung von Sensordaten Rapid-Prototyping (Bypassing) für OEM-spezifische Entwicklung Umfangreiche AUTOSAR-Basissoftware
Entwickeln Sie Fahrerassistenzsysteme schnell und effizient mit den Lösungen von Vector.
www.vector.com/adas Vector Informatik GmbH Stuttgart•Braunschweig•Hamburg•Karlsruhe•München•Regensburg www.vector.com