Ich erkläre Ihnen, wie ein Auto denkt, wenn es selbst fährt.

Ein Fußgänger, der sich den Straßenmarkierungen nähert, ein Fahrrad, das plötzlich die Richtung ändert, ein Auto, das im letzten Moment einbiegt. Für einen Fahrer sind das alltägliche Situationen, mit denen er oft in wenigen Augenblicken konfrontiert wird. Für ein Fahrassistenzsystem hingegen stellen sie eine Reihe von Problemen dar, die mithilfe von Kameras, Sensoren, Berechnungen und künstlicher Intelligenz gelöst werden müssen. Doch wie kann ein Auto interpretieren, was um es herum geschieht, und entscheiden, welche Manöver es ausführen soll?

Um das zu verstehen, habe ich Dong Li, CTO von QCraft, einem chinesischen Unternehmen, das sich auf die Entwicklung fortschrittlicher Fahrassistenzsysteme für Serienautos spezialisiert hat, interviewt. Im Mittelpunkt unseres Gesprächs stand QPilot PRO, eine Technologie, die dazu dient, den Fahrer sowohl in der Stadt als auch auf der Autobahn zu unterstützen – auch dann, wenn das Verkehrsgeschehen komplizierte Situationen mit sich bringt.

Li hat mir erzählt, wie das System funktioniert, welche Strategien es verwendet, um die Bewegungen anderer Straßenbenutzer vorherzusagen, und was passiert, wenn es auf eine Situation stößt, die es nicht mit ausreichender Sicherheit interpretieren kann.

Kameras, Sensoren und künstliche Intelligenz: Wie entscheidet das Auto?

QPilot PRO gehört zur Familie der Assistenzfahrsysteme von QCraft, zu der auch die Versionen AIR und MAX gehören. Es ist dafür konzipiert, dem Auto bei der Fortbewegung in der Stadt und auf der Autobahn zu helfen, dank der Funktion Navigation on Autopilot (NOA). Seine Rechenleistung liegt zwischen 100 und 200 TOPS – eine Einheit, die angibt, wie viele mathematische Operationen es pro Sekunde ausführen kann.

QPilot PRO gehört zur Familie der Assistenzfahrsysteme von QCraft.

Bild: QCraft

Das System verwendet 11 Kameras, die von einem LiDAR-Sensor unterstützt werden, um die Umgebung in drei Dimensionen wiederzugeben. Die Kameras erkennen Autos, Fußgänger, Verkehrsampeln und Fahrspuren, während der LiDAR dabei hilft, die Position und Form von Hindernissen zu bestimmen. Durch die Kombination dieser Daten versucht künstliche Intelligenz herauszufinden, wohin das Auto fahren kann und wie sich die anderen Straßenbenutzer bewegen.

Der nächste Schritt besteht darin, zu entscheiden, wie reagiert werden soll. „Unsere Hauptinnovation besteht darin, Sicherheitsanforderungen in den gesamten Prozess einzubeziehen – von der Modellbildung bis zur Auswahl der Bahn“, erklärte mir Dong Li, CTO von QCraft, im Interview. Das System kombiniert die Straßeninterpretation und die Ereignisvorhersage mit von Menschen definierten Sicherheitsregeln, um die Entscheidungen besser steuerbar zu machen.

Zur Bewältigung verschiedener Situationen verwendet QCraft außerdem Weltmodelle, die das Funktionieren der physischen Welt simulieren, sowie Reinforcement Learning – eine Technik, die künstlicher Intelligenz dabei hilft, durch Lernen ihre Entscheidungen zu verbessern.

QCraft – so wie künstliche Intelligenz die Straße interpretiert

Bild von: QCraft

So wird versucht, Hindernisse zu erkennen und vorherzusagen, was passieren könnte. Wie Li mir erklärte, sollte das System, wenn ein Ball auf der Straße rollt, berücksichtigen, dass ein Kind darauf zulaufen könnte, um ihn aufzuheben, und daher im Voraus langsamer fahren. Ebenso kann das System, wenn in der Nähe von Fußgängern Wasser ist, die Geschwindigkeit verringern, um zu vermeiden, sie zu bespritzen. Das ist der Unterschied zwischen dem Beobachten dessen, was geschieht, und der Interpretation des Kontexts, um mögliche Folgen vorauszusehen.

Was passiert, wenn das Auto in Schwierigkeiten gerät

Natürlich kann kein System im Voraus auf alle Situationen trainiert werden, die sich im realen Verkehr ereignen können. Deshalb verwendet QCraft großangelegte Simulationen sowie Modelle der physischen Welt, um eine virtuelle Umgebung zu schaffen, in der seltene Szenarien, schwierige Wetterbedingungen und gefährliche Situationen nachgeahmt werden können, die es auf der Straße schwierig machen würde, wiederholt nachzustellen.

Dong Li, CTO von QCraft

Bild von: Motor1 Italia visual (kI-gestützt)

Zu diesen Tests kommen die während der täglichen Nutzung gesammelten Daten hinzu. Laut den von Li veröffentlichten Zahlen haben die QPilot-Lösungen im Jahr 2026 eine Million Installationen in Serienfahrzeugen überschritten. Ende Juli hatten die Autofahrer insgesamt mehr als 4,5 Milliarden Kilometer mit den Assistenzsystemen des Unternehmens zurückgelegt. QCraft gibt außerdem an, dass die Rate ungewollter Aktivierungen der Notbremse unter einer pro 500.000 Kilometern liegt. Dies ist eine vom Unternehmen angegebene Zahl, die zusammen mit den Messbedingungen und verwendeten Kriterien betrachtet werden muss: Allein ermöglicht sie es nämlich nicht, festzustellen, wie sicher ein System in jeder Situation im Vergleich zur menschlichen Fahrweise ist.

Was passiert jedoch, wenn das Auto auf eine Situation stößt, die es nicht zuverlässig genug interpretieren kann?

Laut Li bewertet das System die verfügbaren Informationen, die Straßenbedingungen sowie die Zuverlässigkeit der Sensoren. Wenn die Situation zu viele Unsicherheiten aufweist, kann es ein vorsichtigeres Verhalten annehmen – beispielsweise durch Verlangsamung, Erhöhung des Abstands zum vorausfahrenden Fahrzeug oder Vermeidung eines vorzeitigen Spurwechsels. Wenn die Bedingungen seine Betriebsfähigkeit überschreiten, muss es den Fahrer warnen, damit dieser wieder die Kontrolle übernimmt.

Dies ist ein entscheidender Punkt, denn QPilot PRO gehört zur Kategorie der Fahrerassistenzsysteme von Niveau 2. Der Fahrer muss daher weiterhin die Straße und den Betrieb des Systems im Auge behalten und in der Lage sein, jederzeit einzugreifen. Das Auto kann zwar einige Fahrmanöver übernehmen, doch die Verantwortung für die Kontrolle bleibt beim Menschen.

Zur Eindämmung der mit Ablenkung oder übermäßigem Vertrauen in die Technologie verbundenen Risiken arbeitet QCraft mit Herstellern auch an Systemen zur Fahrerüberwachung. Wenn das System während der aktiven Unterstützung feststellt, dass die Person vom Sitz aufsteht oder länger als fünf Sekunden ohne Sicherheitsgurt sitzt, kann es eine manuelle Kontrolle anfordern und die für ein Eingreifen am Lenkrad erforderliche Drehmomentgrenze erhöhen, wodurch das Risiko verringert wird, dass ein ungewollter Kontakt eine Reaktion auslöst.

Auch die Körperhaltung wird überwacht: Wenn der Fahrer sich zurücklehnt und eine liegende Position einnimmt, fordert das System weiterhin die Wiederherstellung einer korrekten Haltung. Bei anhaltender Müdigkeit oder festgestellter Ablenkung kann es vorschlagen, wieder zu fahren, und falls keine Reaktion erfolgt, bis zum sicheren Anhalten innerhalb der Fahrspur bremsen, gemäß den vom System vorgesehenen Strategien.

Trotzdem bleiben Schwierigkeiten bestehen. Sehr starker Regen, Blendung, Hindernisse, die andere Straßenbenutzer verdecken, sowie außergewöhnliche Situationen stellen auch die fortschrittlichsten Technologien weiterhin auf die Probe. Um damit umzugehen, trainiert QCraft seine Modelle auch mit simulierten Bildern von Kameras unter Blendung oder teilweiser Verdunkelung sowie in Szenarien, in denen einige Sensoren nicht richtig funktionieren.

In Systemen, die nicht von Hochauflösungskarten abhängen, werden außerdem während der Schulung falsche kartografische Informationen eingeführt, um die Abhängigkeit von Daten zu verringern, die der Realität nicht entsprechen könnten. Das Unternehmen verwendet zudem Redundanzmodelle, um die Folgen eines möglichen Ausfalls einer Komponente zu mindern.

Dann gibt es noch das Thema der Updates. Die von den Fahrzeugen gesammelten Daten können dazu beitragen, neue Probleme zu identifizieren und spätere Versionen zu verbessern, doch das bedeutet nicht, dass die Autos im Betrieb direkt lernen und ihre Fahrstrategien eigenständig anpassen. Bevor sie verteilt werden, müssen die Updates Überprüfungen durch Simulationen, Szenario-Reproduktionen, Regressionstests und Straßentests bestehen. Die Validierung wird anschließend gemeinsam mit dem Fahrzeughersteller abgeschlossen.

Auch die Anreise nach Europa erfordert spezielle Vorbereitungen. Kreuzungen, Vorrangregeln, Fußgängerüberwege, Verkehrszeichen sowie die Gewohnheiten der Autofahrer unterscheiden sich von Markt zu Markt. QCraft hat bereits städtische und Autobahn-Tests an verschiedenen Orten in Deutschland und Frankreich durchgeführt, doch Li betont, dass es keine pauschale Anzahl an Kilometern gibt, die für jedes Land gilt: Die Ausbildung und Überprüfung hängen von den Unterschieden zwischen den örtlichen Bedingungen und denen ab, mit denen das System bereits vertraut ist.

QCraft: Die Anreise nach Europa erfordert spezielle Vorbereitungen

Bild von: QCraft

Ziel des Unternehmens ist es, diese Technologien auch in Fahrzeugen der günstigeren Preisklasse verfügbar zu machen. QCraft gibt an, bereits Systeme zur unterstützten Stadtnavigation auf Plattformen mit 128 TOPS eingeführt zu haben, und behauptet nach eigenen Angaben, dass QPilot PRO 99 Prozent der alltäglichen Pendler-Szenarien abdeckt. Das System unterstützt zudem mehr als 300 Parkszenarien, einschließlich sehr enger Bereiche sowie des Parkens auf mehreren Ebenen in einer Tiefgarage.

Dies sind Ergebnisse und Ziele, die zeigen, wie sehr sich das assistierte Fahren weiterentwickelt, doch sie beseitigen das zentrale Problem nicht: Die Straße ist eine unvorhersehbare Umgebung, und die Fähigkeit, einen gewöhnlichen Fall zu bewältigen, garantiert nicht, dass man auch außergewöhnliche Situationen meistern kann. Genau hier wird die Reife dieser Technologien gemessen: nicht nur in der Fähigkeit, Entscheidungen zu treffen, wenn alles wie erwartet funktioniert, sondern auch darin, zu erkennen, wann die Informationen nicht ausreichen und wann wieder Platz für menschliches Eingreifen geschaffen werden muss.

Auch lesen