Der Moment der autonomen Lastkraftwagen

Raquel Urtasun, die ehemalige KI-Professorin aus Toronto, die das autonome Lastkraftwagen-Startup Waabi gründete, neigt nicht zur Übertreibung. Ihre Karriere erstreckt sich über Jahre grundlegender Machine-Learning-Forschung, der Leitung der Advanced Technologies Group von Uber und nun des Aufbaus eines der technisch ehrgeizigsten selbstfahrenden Lastkraftwagenprogram weltweit. Wenn sie sagt, dass Level-4-Autonome Lastkraftwagen der kommerziellen Reife nahekommen, trägt diese Aussage ein Gewicht, das spekulativere Behauptungen im Bereich autonomer Fahrzeuge nicht haben.

In einem ausführlichen Interview mit IEEE Spectrum erläuterte Urtasun Waabis technischen Ansatz, seinen Fortschritt zur kommerziellen Bereitstellung und ihre Ansicht darüber, wie generative KI die Zeitleiste für die Erreichung der Art robuster, verallgemeinerbarer Autonomie, die Fernverkehr zu einer praktikablen Anwendung für vollständig selbstfahrende Technologie macht, grundlegend verändert hat. Ihr Argument ist nicht, dass das Problem leicht geworden ist, sondern dass sich die verfügbaren Werkzeuge zu seiner Lösung dramatisch verbessert haben.

Level-4-Autonomie — die Fähigkeit, alle Fahraufgaben innerhalb einer definierten operativen Designdomäne ohne menschliche Eingriffe zu bewältigen — ist die Schwelle, die Demonstrationstechnologie von kommerziellen Produkten trennt. Für Lastkraftwagenverkehr ist die relevante Domäne hauptsächlich das Fahren auf Autobahnen auf definierten Strecken, eine wesentlich eingeschränktere Umgebung als die komplexen städtischen Umgebungen, die autonome Fahrzeugprogramme für Fahrzeuge seit Jahren herausgefordert haben.

Der generative KI-Vorteil

Urtasuns Kernargument ist, dass generative KI-Ansätze zum selbstfahrenden — die große, auf riesigen Mengen von Fahrdaten trainierte Modelle verwenden, um verallgemeinerbare Fahrverhalten zu erlernen, anstatt explizite Regeln zu kodieren — qualitative Verbesserungen in der Robustheit autonomer Systeme auf Wegen erzeugt haben, die frühere Ansätze kaum erreichen konnten. Die gleichen Skalierungsdynamiken, die GPT-4 und seine Nachfolger hervorbrachten, werden jetzt auf das Fahrzeugtproblem angewendet, mit vergleichbaren Leistungsveränderungen in der Fähigkeit.

Waabis Architektur konzentriert sich auf das, was das Unternehmen ein generatives Weltmodell nennt — eine erlernte Simulationsumgebung, die realistische Fahrsituationen erzeugen kann, einschließlich seltener und gefährlicher Fälle, die zu gefährlich oder teuer wären, in realen Datenerfassungen zu begegnen und zu verzeichnen. Diese Simulationsfähigkeit behebt einen der grundlegendsten Engpässe in der Entwicklung autonomer Fahrzeuge: die Notwendigkeit von Trainingsdaten, die die vollständige Verteilung von Situationen abdecken, denen das System bei der Bereitstellung begegnen könnte, einschließlich seltener Ereignisse mit überproportionalen Sicherheitsauswirkungen.

Die Möglichkeit, erlernte Simulation zum Stresstest autonomer Systeme gegen eine praktisch unbegrenzte Vielfalt erzeugter Szenarien zu nutzen, bedeutet, dass Waabi und ähnlich konzipierte Programme ein viel größeres Spektrum der Tail-Risk-Verteilung abdecken können als Programme, die auf aufgezeichnete reale Daten angewiesen sind. Für Sicherheitszertifizierung und behördliche Genehmigung ist dies nicht nur ein Entwicklungseffizienzvorteil — es ist ein grundlegend anderer Ansatz, um zu zeigen, dass ein System bereit für die Bereitstellung ist.

Warum Lastkraftwagen vor Personenkraftwagen

Die autonome Fahrzeugindustrie hat in gewisser Weise einen vollständigen Kreis bei der Frage durchgemacht, welche Anwendung Priorität haben sollte. Früher Enthusiasmus konzentrierte sich auf Roboter-Taxis für Passagiere in städtischen Umgebungen, aber die Komplexität des Stadtverkehrs — Fußgänger, Radfahrer, Baustellen, mehrdeutige Verkehrssituationen — hat sich als schwerer zu automatisieren erwiesen, als viele projiziert hatten. Fernverkehr mit Lastkraftwagen stellt ein anderes Problembereich dar: hauptsächlich Autobahnfahren, vorhersehbare Strecken, kommerzielle Betreiber, die geschult werden können, um die Technologie zu verwalten, und wirtschaftliche Vorteile, die Automatisierung stark begünstigen.

Die Wirtschaftlichkeit autonomer Lastkraftwagen ist auf Weise überzeugend, dass die Wirtschaftlichkeit von Robotaxis schwer erreichbar ist. Ein menschlicher Lastkraftwagenfahrer verdient heute beträchtliche Löhne, ist auf Service-Stunden auf etwa 11 Fahrstunden pro Tag begrenzt und sieht sich einer Branche mit anhaltenden strukturellen Mangel an qualifizierten Fahrern ausgesetzt. Ein autonomer Lastkraftwagen kann kontinuierlich über Fernverkehrsstrecken mit menschlicher Überwachung nur an den Terminal-Endpunkten betrieben werden, möglicherweise transformierende Einheitsökonomik des Frachtverkehrs.

Waabis Geschäftsmodell ist um ein Hub-to-Hub-Paradigma aufgebaut, in dem autonome Lastkraftwagen auf definierten Autobahnkorridoren zwischen großen Logistik-Hubs betrieben werden, wobei menschliche Fahrer die Abholung und Zustellung der letzten Meile an jedem Ende bewältigen. Diese Architektur hält das autonome Segment innerhalb der operativen Designdomäne der Autobahn, wo Level-4-Fähigkeit heute erreichbar ist, während menschliche Fahrer dort eingesetzt werden, wo ihr Urteil und ihre Flexibilität wirklich nötig sind.

Sicherheitsbilanz und behördlicher Fortschritt

Urtasun sprach die Sicherheitsbilanz von Waabis Testprogramm an und bemerkte, dass das Unternehmen beträchtliche Autobahnmeilen ohne sicherheitskritische Abschaltungen angesammelt hat — eine Metrik, die die Industrie verwendet, um zu verfolgen, wie oft menschliche Überwachung erforderlich ist, um unsichere Situationen zu verhindern. Sie war vorsichtig, nicht Perfektion zu beanspruchen, sondern merkte stattdessen an, dass die Frage ist, ob das autonome System sicherer ist als die menschliche Baseline für die spezifischen betrieblichen Designdomäne und Streckentypen, die bedient werden, ein Vergleich, den sie argumentiert, ist bereits für Waabis System auf seinen getesteten Korridoren günstig.

Die behördliche Zusammenarbeit hat parallel zur technischen Entwicklung fortgeschritten. Mehrere US-Staaten haben Rahmenwerke für kommerzielle autonome Lastkraftwagenoperationen entwickelt, und die FMCSA hat Bundesrichtlinien für automatisierte Fahrsysteme in Handelskraftwagen entwickelt. Der behördliche Zeitplan ist in den letzten Jahren generell dem Technologiezeitplan voraus gelaufen, was bedeutet, dass der primäre Gatingfaktor für kommerzielle Bereitstellung jetzt technische Reife anstelle von behördlicher Genehmigung ist.

Das Unternehmen hat kommerzielle Partnerschaften mit Logistikbetreibern angekündigt, die sich verpflichtet haben, Waabis Technologie bereitzustellen, sobald sie vollständige kommerzielle Zertifizierung erreicht. Diese Partnerschaften bieten sowohl Umsatzsichtbarkeit als auch reale operationale Daten, die in fortlaufende Systemverbesserungen fließen — ein tugendhafte Kreislauf, den Urtasun für wesentlich hält, um die erforderliche Leistung für breite kommerzielle Bereitstellung zu erreichen.

Was Erfolg bedeutet

Erfolg bei autonomen Level-4-Lastkraftwagenverkehr bedeutet etwas Spezifisches und Messbares: Lastkraftwagen, die auf definierten Strecken ohne menschliche Überwachung, in kommerziellen Ausmaßstäben, für längere Zeiträume ohne Sicherheitsvorfälle des autonomen Systems betrieben werden. Urtasuns Ansicht ist, dass dieser Schwellenwert für Autobahnverkehrsanwendungen kurzfristig erreichbar ist, und dass die interessantere Frage ist, wie schnell es erweitert werden kann, um einen größeren Anteil des Frachtnetzes zu decken, wie die Technologie und ihre betriebliche Infrastruktur reifen.

Die Auswirkungen gehen weit über die Lastkraftwagenbranche hinaus. Kommerzieller Erfolg bei autonomem Fernverkehr mit Lastkraftwagen würde den generativen KI-Ansatz zum Fahren im großen Maßstab validieren, Rahmenwerke für autonome Handelsfahrzeuge breiter informieren, und operative und finanzielle Vorlagen zum Erweitern von Level-4-Autonomie zu benachbarten Domänen schaffen. Für eine Industrie, die transformative autonome Transportationen über ein Jahrzehnt versprochen hat, würde echte kommerzielle Bereitstellung bei bedeutsamen Ausmaßstäben einen echten Wendepunkt darstellen.

Dieser Artikel basiert auf Berichterstattung von IEEE Spectrum. Lesen Sie den ursprünglichen Artikel.