Der Moment der autonomen Lastkraftwagen
Raquel Urtasun, die ehemalige AI-Professorin aus Toronto, die das autonome Lastkraftwagen-Startup Waabi gründete, neigt nicht zu Hype. Ihre Karriere umfasst Jahre grundlegender maschineller Lernforschung, Führungsaufgaben in Ubers Advanced Technologies Group und jetzt der Aufbau eines der technisch ehrgeizigsten selbstfahrenden Lastkraftwagen-Programme der Welt. Wenn sie sagt, dass Level-4-autonome Lastkraftwagen auf kommerzielle Machbarkeit hinarbeiten, trägt die Aussage ein Gewicht, das spekulativere Behauptungen im Bereich der autonomen Fahrzeuge nicht haben.
In einem ausführlichen Interview mit IEEE Spectrum beschrieb Urtasun Waabis technischen Ansatz, ihren Fortschritt in Richtung kommerzielle Bereitstellung und ihre Sicht darauf, wie generative KI den Zeitplan für die Erreichung der Art robuster, verallgemeinerbarer Autonomie grundlegend verändert hat, die den Fernverkehr zu einer praktikablen Anwendung für vollständig autonome Technologie macht. Ihr Argument ist nicht, dass das Problem einfach geworden ist, sondern dass sich die verfügbaren Werkzeuge zu seiner Lösung dramatisch verbessert haben.
Level-4-Autonomie — die Fähigkeit, alle Fahrtaufgaben innerhalb einer definierten Betriebsdesignbereich ohne menschliche Eingriffe zu bewältigen — ist die Grenze, die Demonstrationstechnologie von Geschäftsprodukten trennt. Für Lastkraftwagen-Anwendungen ist der relevante Bereich hauptsächlich das Autobahnfahren auf definierten Strecken, eine erheblich mehr eingeschränkte Umgebung als die komplexen städtischen Einstellungen, die Autonomie-Programme für Personenkraftwagen jahrelang herausgefordert haben.
Der Vorteil generativer KI
Urtasuns Kernargument ist, dass generative KI-Ansätze zum autonomen Fahren — die große Modelle verwenden, die auf riesigen Mengen von Fahrdaten trainiert werden, um verallgemeinerbare Fahrverhalten zu erlernen, anstatt explizite Regeln zu kodieren — qualitative Verbesserungen in der Robustheit autonomer Systeme auf Weise erbracht haben, die frühere Ansätze zu erreichen hatten Schwierigkeiten. Die gleichen Skalierungsdynamiken, die GPT-4 und seine Nachfolger hervorgebracht haben, werden nun auf das Fahrtproblem angewendet, mit vergleichbaren Sprüngen in den Fähigkeiten.
Waabis Architektur konzentriert sich auf das, was das Unternehmen ein generatives Weltmodell nennt — eine erlernte Simulationsumgebung, die realistische Fahrszenarios generieren kann, einschließlich seltener und gefährlicher Grenzfälle, die in der realen Datenerfassung zu gefährlich oder zu teuer wären zu begegnen und zu registrieren. Diese Simulationsfähigkeit behebt einen der grundlegendsten Engpässe in der Entwicklung autonomer Fahrzeuge: die Notwendigkeit von Trainingsdaten, die die vollständige Verteilung von Situationen abdecken, auf die das System bei der Bereitstellung treffen könnte, einschließlich Ereignisse mit geringer Wahrscheinlichkeit, die überproportionale Sicherheitsimplikationen haben.
Die Fähigkeit, erlernte Simulation zum Stresstesting autonomer Systeme gegen eine praktisch unbegrenzte Vielfalt generierter Szenarien zu nutzen, bedeutet, dass Waabi und ähnlich strukturierte Programme viel mehr der Tail-Risk-Verteilung abdecken können als Programme, die auf aufgezeichnete Daten aus der realen Welt angewiesen sind. Für Sicherheitszertifizierung und behördliche Genehmigung ist dies nicht nur ein Entwicklungseffizienzvorteils — es ist ein grundlegend anderer Ansatz, um zu demonstrieren, dass ein System für die Bereitstellung bereit ist.
Warum Lastkraftwagen vor Personenkraftwagen
Die autonome Fahrzeugindustrie hat sich in gewisser Weise um die Frage gedreht, welche Anwendung priorisiert werden soll. Die frühe Begeisterung konzentrierte sich auf Passagier-Robotaxis in städtischen Umgebungen, doch die Komplexität des Stadtfahrens — Fußgänger, Radfahrer, Bauzonen, mehrdeutige Verkehrssituationen — hat sich als resistenter gegen Automatisierung erwiesen als viele prognostiziert hatten. Der Fernverkehr mit Lastkraftwagen stellt ein anderes Problemfeld dar: hauptsächlich Autobahnfahren, vorhersehbare Routen, Geschäftsbetreiber, die geschult werden können, um die Technologie zu verwalten, und Wirtschaft, die Automatisierung stark begünstigt.
Die Wirtschaft des autonomen Lastkraftwagentransports ist auf Weise attraktiv, wie sich die Wirtschaft autonomer Robotaxis schwer fassbar erwiesen hat. Ein menschlicher Lastkraftwagen-Fahrer heute kommt mit beträchtlichen Löhnen aus, ist durch Vorschriften für Arbeitszeiten auf etwa 11 Fahrstunden pro Tag beschränkt und sieht sich einer Branche mit anhaltender struktureller Knappheit an qualifizierten Fahrern gegenüber. Ein autonomer Lastkraftwagen kann kontinuierlich über lange Strecken mit nur menschlicher Aufsicht an Terminalendpunkten betrieben werden, was möglicherweise die Einheitsökonomie des Güterkraftverkehrs transformiert.
Waabis Geschäftsmodell ist um ein Hub-zu-Hub-Paradigma aufgebaut, in dem autonome Lastkraftwagen auf definierten Autobahnstrecken zwischen großen Logistikzentren operieren, wobei menschliche Fahrer die letzte Meile-Abhol- und Liefervorgänge an jedem Ende durchführen. Diese Architektur hält das autonome Segment innerhalb des Autobahnbetriebsdesignbereichs, in dem die Level-4-Fähigkeit heute erreichbar ist, während sie menschliche Fahrer dort einsetzt, wo deren Urteilsvermögen und Flexibilität wirklich benötigt werden.
Sicherheitsbilanz und Regulatorischer Fortschritt
Urtasun sprach die Sicherheitsbilanz von Waabis Testprogramm an und merkte an, dass das Unternehmen beträchtliche Autobahn-Kilometer ohne sicherheitskritische Ausfallzeiten gesammelt hat — eine Metrik, die die Branche nutzt, um zu verfolgen, wie oft menschliche Aufsicht erforderlich ist, um unsichere Situationen zu verhindern. Sie war vorsichtig darin, Perfektion zu behaupten, bemerkte stattdessen, dass die Frage ist, ob das autonome System auf den spezifischen Betriebsbereich und die bedienungsstandardisierten Streckentypen sicherer ist als die menschliche Grundlinie, ein Vergleich, den sie bereits für Waabis System auf seinen getesteten Strecken argumentiert für vorteilhaft hält.
Das regulatorische Engagement hat sich parallel mit der technischen Entwicklung vorangetrieben. Mehrere US-Staaten haben Rahmen für kommerzielle autonome Lastkraftwagen-Operationen entwickelt, und die FMCSA entwickelt bundesweite Leitlinien für automatisierte Fahrsysteme in Nutzfahrzeugen. Der regulatorische Zeitplan ist in den letzten Jahren im Allgemeinen dem Technologiezeitplan voraus, was bedeutet, dass der Hauptbegrenzungsfaktor für die kommerzielle Bereitstellung nun technologische Bereitschaft statt behördlicher Genehmigung ist.
Das Unternehmen kündigte kommerzielle Partnerschaften mit Logistikanbietern an, die sich verpflichtet haben, Waabis Technologie einzusetzen, sobald sie die vollständige kommerzielle Zertifizierung erreicht. Diese Partnerschaften bieten sowohl Einnahmevisibilität als auch echte Betriebsdaten, die in die kontinuierliche Systemverbesserung zurückfließen — ein tugendhafter Kreislauf, den Urtasun als wesentlich für die Erreichung der für weit verbreitete kommerzielle Bereitstellung erforderlichen Leistung ansieht.
Was Erfolg Aussieht
Der Erfolg beim autonomen Level-4-Lastkraftwagentransport bedeutet etwas Spezifisches und Messbares: Lastkraftwagen, die auf definierten Strecken ohne menschliche Aufsicht, in kommerziellem Maßstab, über längere Zeiträume ohne Sicherheitsvorfälle, die dem autonomen System zuzurechnen sind, betrieben werden. Urtasuns Ansicht ist, dass dieser Schwellenwert für Autobahnnutzungen in naher Zukunft erreichbar ist und dass die interessantere Frage ist, wie schnell er erweitert werden kann, um einen größeren Teil des Güterkraftverkehrsnetzes abzudecken, wenn die Technologie und ihre Betriebsinfrastruktur reifen.
Die Implikationen gehen weit über die Lastkraftwagen-Branche hinaus. Der kommerzielle Erfolg beim autonomen Fernverkehr mit Lastkraftwagen würde die generative KI-Methode zum Fahren in großem Maßstab validieren, Regelungsrahmen für autonome Nutzfahrzeuge umfassender informieren und operative und finanzielle Vorlagen für die Erweiterung der Level-4-Autonomie in angrenzende Bereiche schaffen. Für eine Branche, die über ein Jahrzehnt transformativ autonome Verkehrsmittel verspricht, würde echte kommerzielle Bereitstellung in erheblichem Maßstab einen echten Wendepunkt darstellen.
Dieser Artikel basiert auf Berichten des IEEE Spectrum. Originalaufsatz lesen.
Originally published on spectrum.ieee.org
