Automatisiertes Fahren

Computer greifen zum Steuer
  • Uwe Clausen
  • Matthias Klingner IVI

Zusammenfassung

Digitale Vernetzung und autonome Fahrfunktionen markieren ein neues faszinierendes Kapitel der Erfolgsgeschichte des Automobilbaus, die bereits weit über ein Jahrhundert währt. So wird sich mit leistungsfähiger Umfelderkennung, sehr genauen Ortungs- und latenzarmen Kommunikationstechnologien die Fahrzeug- und Verkehrssicherheit in beträchtlichem Ausmaß erhöhen. Eine präzise vollautomatische Fahrzeugpositionierung autonom fahrender Elektromobile schafft die Voraussetzung, innovative Hochstromladetechnologien im Unterbodenbereich einzuführen. Wenn künftig autonome bzw. hochautomatisierte Fahrzeuge mit intelligenten Verkehrssteuerungen Informationen austauschen, kann dies zu einer deutlich effizienteren Nutzung bestehender Verkehrsinfrastrukturen und erheblichen Reduktionen verkehrsbedingter Schadstoffemissionen führen. Drei Beispiele, die unterstreichen, welche enorme Bedeutung Elektromobilität in Verbindung mit autonomen Fahrfunktionen für die Entwicklung einer wirklich nachhaltigen Mobilität hat. Dabei ist das Spektrum der zu lösenden wissenschaftlich-technischen Herausforderungen außerordentlich breit. Zahlreiche Fraunhofer-Institute sind an diesem volkswirtschaftlich bedeutenden Entwicklungsprozess beteiligt und bringen nicht allein Fachkompetenzen auf höchstem wissenschaftlich-technischen Niveau ein, sondern auch praktische Erfahrung in der industriellen Umsetzung von Hochtechnologien. Auf einige der aktuellen Forschungsthemen wird im Folgenden eingegangen. Sie beinhalten unter anderem autonome Fahrfunktionen in komplexen Verkehrssituationen, kooperative Fahrmanöver in Fahrzeugschwärmen, latenzarme Kommunikation, digitale Karten und genaue Lokalisierung, Funktions- und Manipulationssicherheit fahrerloser Fahrzeuge, digitale Vernetzung und Datensouveränität in intelligenten Verkehrssystemen, Reichweitenverlängerung und Schnellladefähigkeit von autonomen Elektrofahrzeugen bis hin zu neuem Fahrzeugdesign, modularem Fahrzeugaufbau und skalierbarer Funktionalität. Auch wenn der Automobilbereich im Mittelpunkt der Betrachtung steht, lohnt sich der Blick auf interessante Fraunhofer-Entwicklungen bei autonomen Transportsystemen der Logistik, fahrerlosen mobilen Arbeitsmaschinen im Bereich der Landtechnik, autonomer Schienenfahrzeugtechnik und unbemannten Schiffen und Unterwasserfahrzeugen.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Quellen und Literatur

  1. [1]
    IHS Automotive (2014): Emerging technologies. Autonomous cars - Not if, but whenGoogle Scholar
  2. [2]
    Victoria Transport Institute (2013): Autonomous vehicle implementation predictions. Implications for transport planning. http://orfe.princeton.edu/~alaink/SmartDrivingCars/Reports&Speaches_External/Litman_AutonomousVehicleImplementationPredictions.pdf [letzter Zugriff: 03.07.2017]
  3. [3]
    Strategy& (2014): Connected Car Studie 2014Google Scholar
  4. [4]
    O. Wyman Consulting (2012): Car-IT Trends, Chancen und Herausforderungen für IT- ZuliefererGoogle Scholar
  5. [5]
    Zentrum für europäische Wirtschaftsforschung ZEW, Niedersächsisches Institut für Wirtschaftsforschung (NIW) (2009): Die Bedeutung der Automobilindustrie für die deutsche Volkswirtschaft im europäischen Kontext. Endbericht an das BMWiGoogle Scholar
  6. [6]
    McKinsey (2014): Connected car, automotive value chain unbound. Consumer surveyGoogle Scholar
  7. [7]
    Appinions (2014): Autonomous cars. An industry influence studyGoogle Scholar
  8. [8]
    J.R. Ziehn (2012): Energy-based collision avoidance for autonomous vehicles. Masterarbeit, Leibniz Universität HannoverGoogle Scholar
  9. [9]
    M. Ruf, J.R. Ziehn, B. Rosenhahn, J. Beyerer, D. Willersinn, H. Gotzig (2014): Situation Prediction and Reaction Control (SPARC). In: B. Färber (Hrsg.): 9. Workshop Fahrerassistenzsysteme (FAS), Darmstadt, Uni-DAS e.V., S. 55-66Google Scholar
  10. [10]
    J. Ziegler, P. Bender, T. Dang, and C. Stiller (2014): Trajectory planning for Bertha. A local, continuous method. In: Proceedings of the 2014 IEEE Intelligent Vehicles Symposium (IV), S. 450-457Google Scholar
  11. [11]
    J.R. Ziehn, M. Ruf, B. Rosenhahn, D. Willersinn, J. Beyerer, H. Gotzig (2015): Correspondence between variational methods and hidden Markov models. In: Proceedings of the IEEE Intelligent Vehicles Symposium (IV), S. 380-385Google Scholar
  12. [12]
    M. Ruf, J.R. Ziehn, D. Willersinn, B. Rosenhahn, J. Beyerer, H. Gotzig (2015): Global trajectory optimization on multilane roads. In: Proceedings of the IEEE 18th International Conference on Intelligent Transportation Systems (ITSC), S. 1908-1914Google Scholar
  13. [13]
    J.R. Ziehn, M. Ruf, D. Willersinn, B. Rosenhahn, J. Beyerer, H. Gotzig (2016): A tractable interaction model for trajectory planning in automated driving. In: Proceedings of the IEEE 19th International Conference on Intelligent Transportation Systems (ITSC), S. 1410-1417Google Scholar
  14. [14]
    N. Evestedt, E. Ward, J. Folkesson, D. Axehill (2016): Interaction aware trajectory planning for merge scenarios in congested traffic situations. In: Proceedings of the IEEE 19th International Conference on Intelligent Transportation Systems (ITSC), S. 465-472Google Scholar
  15. [15]
    T. Emter und J. Petereit (2014): Integrated multi-sensor fusion for mapping and localization in outdoor environments for mobile robots. In: Proc. SPIE 9121: Multisensor, Multisource Information Fusion: Architectures, Algorithms, and ApplicationsGoogle Scholar
  16. [16]
    T. Emter, A. Saltoğlu, J. Petereit (2010): Multi-sensor fusion for localization of a mobile robot in outdoor environments. In: ISR/ROBOTIK 2010, Berlin, VDE Verlag, S. 662-667Google Scholar
  17. [17]
    C. Frese, A. Fetzner, C. Frey (2014): Multi-sensor obstacle tracking for safe human-robot interaction. In: ISR/ROBOTIK 2010, Berlin, VDE Verlag, S. 784-791Google Scholar
  18. [18]
    C. Herrmann, T. Müller, D. Willersinn, J. Beyerer (2016): Real-time person detection in low-resolution thermal infrared imagery with MSER and CNNs. In: Proc. SPIE 9987, Electro-Optical and Infrared Systems: Technology and ApplicationsGoogle Scholar
  19. [19]
    J. Uhrig, M. Cordts, U. Franke, T. Brox (2016): Pixel-level encoding and depth layering for instance-level semantic segmentation. 38th German Conference on Pattern Recognition (GCPR), Hannover, 12.-15. SeptemberGoogle Scholar
  20. [20]
    C. Frese und J. Beyerer (2011): Kollisionsvermeidung durch kooperative Fahrmanöver. In: Automobiltechnische Zeitschrift ATZ Elektronik, Jg. 6, Nr. 5, S. 70-75Google Scholar
  21. [21]
    C. Frese (2012): Planung kooperativer Fahrmanöver für kognitive Automobile. Dissertation, Karlsruher Schriften zur Anthropomatik, Bd. 10, KIT Scientific PublishingGoogle Scholar
  22. [22]
    M. Düring, K. Lemmer (2016): Cooperative maneuver planning for cooperative driving. In: IEEE Intelligent Transportation Systems Magazine, Bd. 8, Nr. 3, S. 8-22Google Scholar
  23. [23]
    J. Boudaden, F. Wenninger, A. Klumpp, I. Eisele, C. Kutter (2017): Smart HVAC sensors for smart energy. International Conference and Exhibition on Integration Issues of Miniaturized Systems (SSI), Cork, 8.-9. MärzGoogle Scholar
  24. [24]
  25. [25]
    http://www.edda-bus.de/ [letzter Zugriff: 03.07.2017]
  26. [26]
    F.-P. Schiefelbein, F. Ansorge (2016): Innovative Systemintegration für elektrische Steckverbinder und Anschlusstechnologien. In: Tagungsband GMM-Fb. 84: Elektronische Baugruppen und Leiterplatten (EBL), Berlin, VDE Verlag; F. Ansorge (2016): Steigerung der Systemzuverlässigkeit durch intelligente Schnittstellen und Steckverbinder im Bordnetz. Fachtagung Effizienzsteigerung in der Bordnetzfertigung durch Automatisierung, schlanke Organisation und Industrie-4.0-Ansätze, Nürnberg, 5. OktoberGoogle Scholar
  27. [27]
    G. Brux (2005): Projekt RUBIN. Automatisierung der Nürnberger U-Bahn. Der Eisenbahningenieur, Nr. 11, S. 52-56Google Scholar
  28. [28]
  29. [29]
    A. Schwarte, M. Arpaci (2013): Refurbishment of metro and commuter railways with CBTC to realize driverless systems. In: Signal und Draht, Jg. 105, Nr. 7/8, S. 42-47Google Scholar
  30. [30]
    Verband der Automobilindustrie e.V. (2015): Automatisierung Von Fahrerassistenzsystemen zum automatisierten Fahren; Institute for Mobility Research (2016): Autonomous Driving The Impact of Vehicle Automation on Mobility BehaviourGoogle Scholar
  31. [31]
    http://www.unmanned-ship.org/munin/ [letzter Zugriff: 03.07.2017]
  32. [32]
  33. [33]
    https://arggonauts.de/de/technologie/ [letzter Zugriff: 03.07.2017]

Copyright information

© Springer-Verlag GmbH Deutschland 2018

Authors and Affiliations

  • Uwe Clausen
    • 1
  • Matthias Klingner IVI
    • 2
  1. 1.Fraunhofer-Institut für Materialfluss und Logistik IMLDortmundDeutschland
  2. 2.Fraunhofer-Institut für Verkehrs- und Infrastruktursysteme IVIDresdenDeutschland

Personalised recommendations