1,2 Millionen Menschen sterben jährlich bei Autounfällen, davon 94% durch menschliches Versagen.

Unternehmen die am autonomen Fahren arbeiten glauben dass sie die Sicherheit um den Faktor 10 erhöhen können, d.h. etwa 1 Million Menschen jährlich das Leben retten, denn Software fährt nie unerfahren, abgelenkt, aggressiv, betrunken, oder regelbrechend.

Kommerzielle Robotaxi-Dienste werden u.a. in folgenden Städten angeboten: Los Angeles, San Francisco, Houston, Phoenix, Austin.

38 Unternehmen haben eine Lizenz zum Testen von autonomen Fahrzeugen auf öffentlichen Straßen in Kalifornien.

Google-Waymo arbeitet seit 2010 daran. Seitdem waren sie über 20 Millionen Meilen vollautonom auf öffentlichen Straßen unterwegs, davon 96% in Stadtgebieten.

GM-Cruise folgte 2013 und ist führend im kommerziellen Einsatz von Robotaxis. 8 Milliarden Dollar wurden bereits investiert.

Apple hat die Arbeit am autonomen Fahren kürzlich eingestellt.

Waymo und Cruise setzen einige Hundert Fahrzeuge ein und lassen die Maschine von der Maschine lernen. Dabei setzen sie auf Lidar-Technologie (3D-Laserscanning) zur Objekterkennung.

Tesla verfolgt seit 2014 eine völlig andere Strategie:

• Das Machine Learning Model wird mit Daten der 6 Millionen Tesla-Fahrer trainiert (bzw. von der Untergruppe derer, die Tesla den Download der Daten erlauben).
• Statt auf Laserscanning setzt man auf die 8-9 Kameras der einzelnen Fahrzeuge.
• Tesla hat also deutlich mehr Daten zur Verfügung als Waymo/Cruise.
• Für das Training nutzen sie ein Cluster mit 10.000 NVIDIA H100 GPUs mit einer Hot Cache Tier Kapazität von 200 Petabytes, was um Zehnerpotenzen mehr ist als LLMs wie ChatGPT. Dieses Cluster hat 300 Millionen Dollar gekostet.

Die Phase, die im Maschinenlernen auf das Training mit historischen Daten folgt, heißt Inference. Hier wendet die Software das Gelernte auf neue bzw. Live-Daten an.

Wenn ich Tesla im letzten Earnings Call richtig verstanden habe, können im Inference keine Cloud-Ressourcen genutzt werden. Wenn die Software um den Faktor 10 sicherer als Menschen sein soll, dann müssen Entscheidungen in Millisekunden getroffen werden. Wäre die Hardware 1000 Meilen entfernt, dann wäre die Latenzzeit zu hoch. Man kann also nur Prozessoren nutzen, die sich im Auto befinden. Diese nutzen dann natürlich Energie der Batterie, reduzieren damit die Reichweite und müssen extrem energieeffizient sein.

Es gibt viele Zweifler, aber die gab es bei Automobilen, Elektrizität, Fahrstühlen, dem Internet, und so ziemlich jeder anderen Innovation auch. Bei den ersten Automobilen musste jemand zu Fuß davor laufen und eine rote Fahne schwenken, um jeden vor dem gefährlichen, in Schritttempo fahrenden Vehikel zu warnen. Fahrstühle durften jahrzehntelang nicht ohne Liftboy oder Elevator Girl betreten werden.

Vor 4 Monaten fuhr ich 30 Minuten eine Serpentinenstraße bergab in einem Seat Ateca, ohne ein einziges Mal das Gas oder die Bremse zu benutzen. Der Tempomat mit Abstandshalter funktionierte auch in Kurven ohne Vordermann perfekt. Keine Kurve wurde zu schnell oder zu langsam genommen. Das war natürlich nur Level 1 Automation und im Beitrag reden wir von Level 5, aber aus persönlicher Erfahrung kann ich leider noch nicht über Level 2 bis 5 berichten.

Da ich keinen Beitrag veröffentlichen kann, ohne Bitcoin zu erwähnen: In welcher Währung werden Robotaxis wohl für das (induktive) Laden bezahlen? Wird die Postbank dem Fahrzeug einen Account anlegen? Wohl kaum. Bitcoin ist hier die logische Wahl.

Als weiterführende Literatur empfehle ich Mario Hergers Beitrag:

Was ich nach 26 Fahrten mit einem fahrerlosen Cruise Robotaxi gelernt habe

Auch die Disengagement-Reports liefern aufschlussreiche Daten:

2023 Disengagement Reports aus Kalifornien