KI in selbstfahrenden Autos: Wie autonome Fahrzeuge 2026 wirklich funktionieren

Selbstfahrende Autos stehen seit über einem Jahrzehnt „kurz vor dem Durchbruch“. Bereits 2015 versprachen mehrere Unternehmen vollautonome Fahrzeuge auf öffentlichen Straßen bis 2020. Heute, im Jahr 2026, ist die Realität komplizierter, als Optimisten oder Skeptiker erwartet hatten. Waymo betreibt in mehreren US-Städten vollkommen fahrerlose Robotaxis, die Millionen bezahlter Fahrten absolvieren – ganz ohne Mensch am Steuer. Cruise, einst der größte Rivale, stellte den Robotaxi-Betrieb nach einem schweren Vorfall und dem Verlust des regulatorischen Vertrauens ein. Teslas Full Self-Driving ist trotz des Namens nach wie vor ein System, das rechtlich einen aufmerksamen Menschen am Steuer vorschreibt. Und der durchschnittliche Neuwagen, der in diesem Jahr verkauft wird, ist mit mehr Fahrerassistenz-KI ausgestattet, als ein Forschungsfahrzeug vor zehn Jahren an Bord hatte.

Die Technologie ist also real, oft wahrhaft beeindruckend und produktiv im Einsatz. Doch „selbstfahrend“ erstreckt sich über ein Spektrum, das vom einfachen Spurhalten bis hin zum komplett fahrerlosen Betrieb reicht – und der Abstand zwischen diesen beiden Enden ist gewaltig. KI in selbstfahrenden Autos zu verstehen bedeutet, dieses Spektrum zu durchdringen: die KI-Systeme hinter jeder einzelnen Stufe sowie die spezifischen Probleme, die echte Autonomie weitaus schwieriger machen, als es von außen wirkt.

So funktioniert es in der Praxis.

Eine kurze Geschichte selbstfahrender Autos

Glauben Sie, autonome Fahrzeuge seien ein Produkt des jüngsten KI-Booms? Dieses Bestreben reicht viel weiter zurück: Bereits in den 1920er-Jahren experimentierten Ingenieure mit funkferngesteuerten Autos, und nach dem Zweiten Weltkrieg gewannen Fahrerassistenzfunktionen rasch an Bedeutung. Das erste Fahrzeug, das sich – in begrenztem Rahmen – wirklich autonom fortbewegen konnte, entwickelte 1977 das japanische Mechanical Engineering Laboratory in Tsukuba. Wir verfolgen dieses Ziel also schon seit fast einem Jahrhundert – behalten Sie das im Hinterkopf, wenn Ihnen jemand diese Technologie als völlig neu verkaufen möchte.

Wo beginnt die moderne Forschungsgeschichte wirklich? In den 1980er-Jahren. Das Navlab der Carnegie Mellon University startete 1984 seine Projekte für teilautonome Fahrzeuge, finanziert von der DARPA. In Europa führten Mercedes-Benz und die Universität der Bundeswehr München ab 1987 das EUREKA-Prometheus-Projekt durch. Die USA investierten 1991 rund 650 Mio. $ in ein National Automated Highway System. Über den Großteil dieses Zeitraums stammten die Mittel vor allem von der DARPA und dem Militär – und die Arbeit schritt so voran, wie es in dieser Art der Forschung üblich ist: kontinuierlich, in kleinen Schritten, mit Verbesserungen bei Sensorik, Steuerung und grundlegender Fahrkompetenz statt durch sprunghafte Durchbrüche.

Wann kam der eigentliche Wendepunkt? Fragen Sie Forscher nach dem entscheidenden Meilenstein, nennen diese fast immer die DARPA Grand Challenge – insbesondere die Ausgabe von 2005. Sie gab dem Fachgebiet einen gewaltigen Schub und brachte viele der Talente hervor, die später die kommerzielle Branche aufbauten. Von da an übernahmen private Unternehmen. Die GM-Tochter Cruise begann 2015 mit Straßentests in Kalifornien. Zwei Jahre später startete Waymo den ersten kommerziellen Robotaxi-Dienst in Phoenix, dicht gefolgt von China. Und danach? Holte die Realität die Branche ein. Cruise stellte den Betrieb 2024 ein, und um 2022 schraubten mehrere große Hersteller – darunter Ford und Volkswagen – ihre Pläne für autonome Fahrzeuge aufgrund erheblicher Zweifel an der Wirtschaftlichkeit zurück.

Beachten Sie das Muster, das sich durch all diese Phasen zieht: Fast auf jeder Stufe ging echter technischer Fortschritt mit optimistischen Vorhersagen über die volle Autonomie einher, die dann nicht rechtzeitig Realität wurden. Diese Kluft – zwischen dem, was versprochen wird, und dem, was tatsächlich geliefert wird – zieht sich wie ein roter Faden durch das gesamte Feld. Und es ist schlicht die wertvollste Erkenntnis, die Sie im Kopf behalten sollten, wann immer Sie die nächste große Ankündigung über selbstfahrende Autos lesen.

Was „selbstfahrend“ wirklich bedeutet – die SAE-Level

Die meisten oberflächlichen Berichte über selbstfahrende Autos machen von Anfang an einen Fehler: Sie behandeln „selbstfahrend“ als eine einzige Eigenschaft, die ein Fahrzeug entweder hat oder nicht. In der Realität nutzt die Industrie ein sechsstufiges Modell von SAE International. Und diese Stufen sind entscheidend, denn sie machen den Unterschied zwischen einem Auto aus, das Sie beim Fahren unterstützt, und einem, das wirklich selbst fährt.

1. Level 0 – keine Automatisierung. Das Fahrzeug tut nichts von allein. Die Verantwortung liegt vollständig beim Menschen. Dies betrifft die meisten Fahrzeuge über den Großteil der Automobilgeschichte.
2. Level 1 – Fahrerassistenz. Das Auto unterstützt bei genau einer Funktion gleichzeitig: ein Abstandsregeltempomat zur Geschwindigkeitssteuerung oder ein Spurführungsassistent zum Lenken, aber nie beides zusammen. Der Mensch fährt nach wie vor komplett selbst.
3. Level 2 – Teilautomatisierung. Das Fahrzeug regelt Geschwindigkeit und Lenkung gleichzeitig, allerdings unter ständiger Aufsicht. Tesla Autopilot, GM Super Cruise und Ford BlueCruise fallen alle in diese Kategorie. Das ist die Stufe, die die meisten Menschen meinen, wenn sie von „selbstfahrend“ sprechen – und jene, die für die meiste Verwirrung sorgt: Rechtlich bleibt der Mensch zu jedem Zeitpunkt für das Fahren verantwortlich. Das Auto assistiert lediglich, es fährt nicht.
4. Level 3 – bedingte Automatisierung. Das Auto fährt unter bestimmten, eng gesteckten Bedingungen tatsächlich selbst, und der Mensch darf seine Aufmerksamkeit abwenden, bis das Fahrzeug zur Übernahme auffordert. Der Mercedes Drive Pilot war das erste für Endverbraucher zertifizierte System auf diesem Niveau. Die Übergabe – wenn das Fahrzeug eine unaufmerksame Person auffordert, unvermittelt wieder einzugreifen – ist der heikle und oft diskutierte Punkt.
5. Level 4 – hohe Automatisierung. Das Auto fährt vollständig autonom, ohne dass ein Mensch eingreifen muss – allerdings nur innerhalb eines festgelegten Einsatzbereichs (beispielsweise einem per Geofencing begrenzten Stadtgebiet). Hier bewegt sich Waymo. Innerhalb seines Bediengebiets fährt tatsächlich niemand. Außerhalb dieses Bereichs ist das Fahrzeug gar nicht im Einsatz.
6. Level 5 – volle Automatisierung. Das Fahrzeug fährt überall dort selbstständig, wo auch ein Mensch fahren könnte – unter allen Bedingungen, ohne Einschränkungen und ohne dass ein Lenkrad erforderlich wäre. Das existiert bislang nicht. Trotz eines Jahrzehnts voller Prognosen ist kein Hersteller auch nur annähernd so weit, dies auf die Straße zu bringen.

Diesen Punkt sollten Sie sich einprägen, bevor Sie irgendetwas anderes über diese Technologie lesen: Fast alles, was Endverbrauchern als „selbstfahrend“ verkauft wird, entspricht Level 2 – hier sind Sie nach wie vor selbst am Steuer. Wirklich fahrerloser Betrieb (Level 4) existiert nur innerhalb sorgfältig kartierter und per Geofencing eingegrenzter Gebiete. Und Level 5, die Science-Fiction-Vision, bei der ein Auto völlig ohne menschliche Aufmerksamkeit überallhin fährt, steht keineswegs vor der Tür. Sobald diese Unterscheidung klar ist, ergeben die vielen verwirrenden Schlagzeilen über autonome Fahrzeuge plötzlich deutlich mehr Sinn.

Welche Rolle spielt KI in autonomen Fahrzeugen?

Um zu verstehen, warum KI hier eine so entscheidende Rolle spielt, lohnt ein Blick auf die Vorgängertechnologien. Über lange Zeit stützte sich die Fahrzeugautomatisierung auf regelbasierte Systeme – explizite, von Hand programmierte Logik nach dem Muster „Wenn das passiert, tue jenes“. Regelbasierte Systeme haben echte Vorzüge: Sie sind vorhersehbar und es lässt sich exakt nachvollziehen, warum sie eine bestimmte Entscheidung getroffen haben, was für Sicherheit und Fehlerbehebung von enormer Bedeutung ist.

Doch regelbasierte Systeme stoßen beim Autofahren an eine fatale Grenze: Sie können mit Situationen nicht umgehen, die ihre Entwickler nicht vorhergesehen haben. Und der Straßenverkehr steckt voller unvorhersehbarer Situationen. Die reale Welt bietet eine unendliche Vielfalt, und ein System, das lediglich vorgegebene Regeln abarbeitet, versagt in dem Moment, in dem die Realität diesen Rahmen verlässt. Für ein Umfeld, das so dynamisch und unberechenbar ist wie der öffentliche Straßenverkehr, ist genau das die denkbar schlechteste Eigenschaft.

Hier verändert KI die Spielregeln. Machine-Learning-Algorithmen, Computer Vision und Predictive Analytics ermöglichen es den Modellen, aus Daten zu lernen, anstatt sich ausschließlich auf manuell programmierte Regeln zu stützen, und sich an Szenarien anzupassen, die von ihren Entwicklern nie explizit vorgesehen wurden. Anstatt zu versuchen, für jede erdenkliche Situation eine Regel zu schreiben, trainieren Ingenieure Modelle anhand gewaltiger Mengen an Fahrdaten, damit diese auf neue Situationen generalisieren. Das Ergebnis ist ein System, das ein weitaus breiteres Spektrum realer Szenarien bewältigen kann, als es jeder regelbasierte Ansatz je vermocht hätte.

Hier gibt es jedoch einen Haken, und es ist derselbe Haken, der die gesamte Branche begleitet: Weil die wirklich schwierigen Situationen – die sogenannten Edge Cases – im Einzelfall selten auftreten, benötigen die Modelle astronomische Datenmengen, um ihren Umgang damit zu erlernen. In der Industrie ist von Milliarden real gefahrener Kilometer die Rede – einer der Hauptgründe, warum synthetische Daten und Simulationen so unverzichtbar geworden sind. Es lässt sich nicht darauf warten, jedem seltenen Ereignis auf realen Straßen zufällig zu begegnen; stattdessen werden diese Szenarien synthetisch erzeugt. In modernen Fahrzeugen übernimmt KI letztlich drei Kernaufgaben: Sie erfasst die Umgebung des Autos, trifft vorausschauende Fahrentscheidungen und steuert die physischen Fahrzeugsysteme. Alles Weitere baut auf diesen drei Grundfunktionen auf.

Wie KI ein Auto tatsächlich steuert – die zentrale Pipeline

Jedem autonomen System, von der Level-2-Assistenz bis zum Level-4-Robotaxi, liegt derselbe grundlegende Regelkreis zugrunde, der viele Male pro Sekunde durchlaufen wird: die Umgebung wahrnehmen, die nächsten Ereignisse vorhersagen, eine Reaktion planen und diese ausführen. Jede dieser Phasen stützt sich auf unterschiedliche KI-Verfahren und jede bringt ihre ganz eigenen komplexen Herausforderungen mit sich.

Wahrnehmung – wie das Auto sieht

In der Wahrnehmungsphase baut das Fahrzeug ein Modell seiner Umwelt auf – und diese Phase ist am stärksten von Computer Vision und Deep Learning abhängig. Das Auto erfasst Rohdaten über eine Reihe von Sensoren: Kameras für detailreiche visuelle Informationen, Radar für Geschwindigkeit und Distanz bei jeder Wetterlage, Lidar für präzise 3D-Formen und Ultraschall für den Nahbereich. Diese Daten werden zu einem einheitlichen, kohärenten Umgebungsmodell fusioniert. Tiefe neuronale Netze übernehmen dabei die Hauptarbeit: Sie erkennen, dass diese Pixelgruppe ein Fußgänger ist, jene ein Radfahrer, jene Form ein stehender Lkw und diese Markierungen die Fahrspur darstellen. Es ist exakt dieselbe Kategorie von Projekten in der Computer Vision und KI-Entwicklung, die visuelle Erkennung weit über Fahrzeuge hinaus antreibt.

Genau hier, in der Wahrnehmung, verläuft die große philosophische Trennlinie der Branche. Tesla setzt auf einen Vision-First-Ansatz mit dem Argument: Wenn Menschen mit zwei Augen fahren, sollten Kameras gepaart mit ausreichender Intelligenz neuronaler Netze genügen – Lidar sei lediglich eine teure Krücke. Waymo und der Großteil der Robotaxi-Entwickler gehen den umgekehrten Weg: Sie betrachten die präzise 3D-Erfassung per Lidar als unverzichtbar für den Sicherheitsnachweis, zumindest solange, bis reine Kamerasysteme ihre Zuverlässigkeit bewiesen haben. Beide Ansätze haben echte Fahrzeuge auf die Straße gebracht. Welcher Ansatz der „richtige“ ist, entscheidet sich derzeit noch im realen Straßenverkehr.

Lokalisierung und Kartierung – wie das Auto weiß, wo es ist

Zu wissen, was sich um das Fahrzeug herum befindet, ist nur die halbe Miete: Das Auto muss auch seine exakte Position kennen, oft auf wenige Zentimeter genau. GPS allein ist dafür bei Weitem nicht präzise genug. Autonome Systeme kombinieren GPS daher mit vorab erstellten hochauflösenden Karten (HD-Karten) sowie mit SLAM (Simultaneous Localization and Mapping). Dieses Verfahren gleicht die aktuellen Sensordaten mit einer bekannten Karte ab, um die genaue Position zu ermitteln. Das ist einer der Gründe, warum Level-4-Robotaxis an geofenced Bereiche gebunden sind: Sie stützen sich auf detaillierte HD-Karten ihres Einsatzgebiets, deren Erstellung und kontinuierliche Pflege mit erheblichem Aufwand verbunden sind.

Vorhersage – wie das Auto andere Verkehrsteilnehmer antizipiert

Dies ist wohl der schwierigste Teil des Fahrens – für Maschinen ebenso wie für Menschen. Es reicht nicht aus zu wissen, wo sich ein Fußgänger befindet; das Auto muss einschätzen, ob dieser im nächsten Moment vom Bordstein auf die Straße tritt. Es muss vorhersehen, ob das Fahrzeug auf der Nachbarspur nur leicht abdriftet oder die Spur wechseln will, ob der Radfahrer seine Linie hält oder ob die Person am Steuer an einer Kreuzung Vorfahrt gewährt oder plötzlich anfährt. Die Absichten jedes einzelnen Akteurs im Straßenverkehr vorherzusagen – jeweils mit eigenen Zielen und eigener Unberechenbarkeit –, ist ein enorm komplexes Problem. Genau hierauf konzentriert sich derzeit ein Großteil der verbleibenden Entwicklungsarbeit im Bereich des autonomen Fahrens.

Planung – wie das Auto entscheidet, was zu tun ist

Sobald das Fahrzeug die Verkehrsszene erfasst und die wahrscheinliche Weiterentwicklung vorausberechnet hat, muss es entscheiden, wie es konkret reagiert: welche Trajektorie gewählt wird, wann beschleunigt oder Vorfahrt gewährt werden muss, wie ein ungeschütztes Linksabbiegen oder das Einfädeln in dichten Verkehr gelingt. Diese Planungsebene verknüpft Pfadplanung mit Verhaltensentscheidungen und setzt zunehmend auf Reinforcement Learning sowie Imitation Learning. Dabei wird die Fahrstrategie entweder durch Trial-and-Error in Simulationen oder durch das Lernen aus riesigen Mengen aufgezeichneter menschlicher Fahrten optimiert. Es sind die unzähligen Sonderfälle – informelle Verständigungen und mehrdeutige Situationen, die kein Regelwerk vollständig abdecken kann –, die die Planung so anspruchsvoll machen.

Steuerung – wie das Auto Befehle umsetzt

Die letzte Phase ist die ausgereifteste und verhältnismäßig einfachste: die Übersetzung des Plans in physische Steuerbefehle für Lenkung, Gaspedal und Bremsen. Eine Entscheidung („sanft auf die linke Spur wechseln“) in präzise Stellsignale für die Aktuatoren umzusetzen, ist etablierte Regelungstechnik. Sobald ein Fahrzeug zuverlässig wahrnimmt, vorhersagt und plant, ist die Steuerung selten der Engpass.

Die Technologie hinter selbstfahrenden Autos

Neben dem Regelkreis von der Wahrnehmung bis zur Steuerung hängt ein funktionierendes autonomes Fahrzeug von mehreren eigenständigen Technologiesystemen ab, für die jeweils eigene Ingenieursdisziplinen entstanden sind. Sie zu verstehen vervollständigt das Bild davon, was in diesen Fahrzeugen tatsächlich steckt.

Navigation und Kartierung

Navigation bedeutet im Grunde nur, mithilfe von Karten eine Route vom Start zum Ziel zu planen – doch das Spannende daran ist: Verschiedene Systeme verfolgen nahezu gegensätzliche Ansätze. Einige Systeme begnügen sich mit rudimentären Karten – welche Straßen sich kreuzen, welche Einbahnstraßen oder Schnellstraßen sind – und verlassen sich bei allem anderen auf die Echtzeit-Wahrnehmung. Andere verlangen extrem detaillierte Karten bis hin zu einzelnen Fahrspuren, Verkehrszeichen und Baustellen, zentimetergenau erfasst. Erkennen Sie den Zielkonflikt? Detaillierte Karten ermöglichen ein höheres Maß an Autonomie, sind jedoch teuer in der Erstellung und – was oft übersehen wird – sehr aufwendig aktuell zu halten, sobald sich die Umwelt verändert. Bei einfacheren Karten hingegen sind weniger Aktualisierungen und weniger Geofencing erforderlich. Genau diesen Ansatz verfolgte das CSAIL des MIT mit einem System namens MapLite, das Landstraßen allein mit GPS und Basiskarten befährt – gezielt entwickelt, um der mühsamen Pflege manuell annotierter 3D-Karten zu entgehen.

Sensoren und Sensorfusion

Die Sensorik ist das Fenster des Fahrzeugs zur Außenwelt. Typischerweise kombiniert sie Kameras, Lidar, Radar und Ultraschall, ergänzt durch GPS und inertiale Messeinheiten. Warum kommen so viele Systeme gleichzeitig zum Einsatz? Weil jedes System Stärken besitzt, wo andere Schwächen zeigen. Radar blickt durch ein nächtliches Schneegestöber, das eine Kamera oder Lidar komplett blenden würde – liefert allerdings eine geringere Präzision. Kameras liefern detailreiche Farben und Texturen, stoßen jedoch bei schlechten Lichtverhältnissen schnell an ihre Grenzen. Lidar erfasst hochpräzise 3D-Geometrien, war historisch jedoch sehr kostspielig. Wie bringt ein Fahrzeug all das zusammen? Durch Sensorfusion: Die Sensorsignale werden zusammengeführt, gleichen sich gegenseitig ab und schließen die toten Winkel der einzelnen Sensoren. Genau an diesem Punkt entbrennt die größte technische Kontroverse der Branche: Tesla setzt ausschließlich auf Kameras – acht Kameras ohne Lidar –, während Waymo und die meisten anderen Lidar als zentralen Baustein beibehalten und auf sinkende Kosten verweisen.

Pfadplanung

Die Pfadplanung ermittelt die konkrete Abfolge von Fahrmanövern, mit denen ein Fahrzeug von seiner aktuellen Position an das Ziel gelangt. Die Verfahren reichen von graphenbasierten Suchverfahren, die sich für komplexere Entscheidungen wie Überholmanöver eignen, bis hin zu optimierungsbasierten Methoden, die strikte Bedingungen zur Kollisionsvermeidung durchsetzen. Unter der Haube ermöglichen Ansätze wie Belegungsgitter (Occupancy Grid Mapping) und Fahrkorridor-Algorithmen dem Fahrzeug, den befahrbaren Freiraum zwischen Fahrspuren und Begrenzungen zu erkennen und einzuhalten. Dies ist die Ebene, die eine allgemeine Absicht in eine konkrete, kollisionsfreie Trajektorie übersetzt.

Fahrerüberwachung

Bei jedem System unterhalb der vollen Autonomie ist die Überwachung des Menschen genauso wichtig wie die der Straße. Fahrerüberwachungssysteme analysieren Aufmerksamkeit und Wachsamkeit über Verfahren wie Eye-Tracking und fordern ein Drehmoment am Lenkrad, um sicherzustellen, dass die Hände wirklich am Steuer sind. Es geht darum, die gefährliche Kluft zwischen einem Fahrer, der das Fahrzeug rein formell überwacht, und einem, der innerlich bereits abgeschaltet hat, rechtzeitig zu erkennen – eine Lücke, die bei Level 3 besonders kritisch wird, wenn der Mensch kurzfristig wieder die Steuerung übernehmen muss.

Konnektivität und Over-the-Air-Updates

Immer häufiger kommunizieren diese Fahrzeuge – untereinander, mit der Infrastruktur am Straßenrand und mit dem Hersteller. Diese Vernetzung bringt konkrete Vorteile: Fahrzeuge können Informationen über den Verkehr und Hindernisse austauschen. Zudem lässt sich Software Over-the-Air aktualisieren, sodass Fehlerbehebungen und neue Funktionen aufgespielt werden, ohne dass jemand eine Werkstatt ansteuern muss. Selbst Rückrufaktionen können Hersteller auf diesem Weg abwickeln – Maßnahmen, die früher einen Besuch beim Händler erforderten. Die Kehrseite: Die umfassende Konnektivität eröffnet echte Sicherheitsrisiken. Genau deshalb haben Organisationen wie die UNECE klare Vorgaben für das Management von Software-Updates festgelegt. Auf den Punkt gebracht: Vernetzung ist ein echter Hebel für die Leistungsfähigkeit dieser Fahrzeuge – und gleichzeitig der Hauptgrund dafür, dass Cybersicherheit kein nachträglicher Gedanke mehr ist, sondern von Beginn an mitkonstruiert werden muss.

Die KI-Technologien, die dies ermöglichen

Mehrere unterschiedliche KI-Methoden greifen ineinander, um autonomes Fahren zu ermöglichen – und dieses Zusammenspiel verändert sich derzeit auf bemerkenswerte Weise.

Tiefe neuronale Netze und Computer Vision bilden das Rückgrat der Wahrnehmung. Die Fähigkeit, Objekte, Fahrspuren, Verkehrszeichen und Gefahren anhand von Sensordaten zuverlässig zu erkennen, hat moderne Autonomie überhaupt erst möglich gemacht – und sie basiert auf denselben Fortschritten im Deep Learning, die das Machine Learning im vergangenen Jahrzehnt über sämtliche Bereiche hinweg transformiert haben.

Algorithmen zur Sensorfusion vereinen die Stärken von Kameras, Radar, Lidar und Ultraschall zu einem verlässlichen Umgebungsmodell. Jeder Sensortyp weist Schwachstellen auf: Kameras haben bei schlechten Lichtverhältnissen Schwierigkeiten, Radar liefert grobe Daten, Lidar ist teuer und anfällig für Witterungseinflüsse. Über die Sensorfusion gleicht das System die Defizite einzelner Sensoren gezielt aus.

Reinforcement Learning und Imitation Learning prägen zunehmend die Fahrstrategie – also die eigentliche Entscheidungsfindung darüber, wie sich das Fahrzeug verhalten soll. Statt für jede erdenkliche Situation feste Regeln manuell zu programmieren, trainieren Ingenieure die Systeme darauf, angemessenes Fahrverhalten aus Erfahrung zu lernen – sei es durch Simulationen oder anhand aufgezeichneter menschlicher Fahrten.

Der Schritt hin zu neuronalen End-to-End-Netzen ist die bedeutendste neuere Architekturänderung. Der traditionelle Ansatz kettete separate Module für Wahrnehmung, Vorhersage und Planung aneinander. Neuere Systeme, darunter Teslas FSD-v12-Neuentwicklung und der Ansatz von Unternehmen wie Wayve, verlagern immer mehr Teile der Pipeline in ein einziges großes neuronales Netz, das lernt, Sensoreingaben direkter in Fahrentscheidungen zu übersetzen. Das ist eine deutliche Wette auf erlerntes Verhalten gegenüber manuell formulierten Regeln.

Simulationen und synthetische Daten ermöglichen es, diese Systeme sicher zu trainieren. Es wäre unmöglich – und gefährlich –, jede seltene Situation auf realen Straßen zu testen. Deshalb fahren Unternehmen Milliarden virtueller Meilen in Simulationen und erzeugen gezielt ungewöhnliche Edge Cases (ein Sofa mitten auf der Autobahn, ein Passant im Kostüm), denen ein Fahrzeug im realen Verkehr vielleicht einmal im Jahrzehnt begegnet, die es aber dennoch fehlerfrei bewältigen muss.

Edge-KI und Onboard-Rechenleistung sind das unscheinbare, aber unverzichtbare Fundament darunter. Die gesamte Datenverarbeitung muss in Echtzeit im Fahrzeug erfolgen – ohne Zeitverzögerung durch entfernte Server. Deshalb haben autonome Fahrzeuge im Grunde einen kleinen Supercomputer an Bord, und deshalb ist effiziente On-Device-KI für die Autonomie genauso entscheidend wie die Algorithmen selbst.

Was 2026 tatsächlich im Einsatz ist

Abseits aller Marketingversprechen: Hier sehen Sie, wo die Technologie wirklich steht und wer tatsächlich was bewegt.

Den Anfang macht Waymo, der klare Vorreiter bei Level 4. Fahrerlose Robotaxis in mehreren US-Städten, Millionen zahlender Fahrgäste, niemand auf dem Fahrersitz – und das Unternehmen hat Sicherheitsdaten veröffentlicht, die belegen, dass seine Fahrzeuge auf derselben Strecke deutlich weniger Unfälle mit Verletzten verursachen als menschliche Fahrer. Wenn Sie einen Beweis suchen, dass fahrerloses Fahren innerhalb einer kartierten Zone funktioniert: Das ist er.

Ein Blick nach China: Apollo Go von Baidu betreibt eine der weltweit größten Robotaxi-Flotten über mehrere Städte hinweg – in einem Umfang, der US-Programme einholt oder übertrifft. Die Regulierungsbehörden haben großflächige Tests ermöglicht, und die Ergebnisse sprechen für sich.

Und wie steht es um Tesla? FSD ist mit weitem Abstand das meistverbreitete Fahrerassistenzsystem und in Millionen von Kundenfahrzeugen im Einsatz. Doch ein entscheidender Punkt muss klar sein: Es handelt sich nach wie vor um Level 2, und Sie müssen dauerhaft aufmerksam bleiben. Was Tesla durch all diese Fahrzeuge gewinnt, ist ein Datenschatz, an den kein Konkurrent herankommt und auf dessen Basis das Unternehmen höhere Autonomiestufen anpeilt. Wie nah man dem Ziel wirklich ist? Das gehört zu den am heftigsten diskutierten Fragen der gesamten Branche.

Haben Sie schon von einem Fahrzeug gehört, bei dem Sie den Blick legal von der Straße abwenden dürfen? Das ist der Mercedes Drive Pilot – eines der ersten Level-3-Systeme mit Zulassung für Endkunden. Es erlaubt echtes Fahren ohne Hände am Lenkrad und ohne Blick auf die Straße, allerdings nur innerhalb enger Grenzen (auf bestimmten Autobahnen und bis zu einer vorgegebenen Geschwindigkeit). Das Einsatzfeld ist zwar begrenzt, aber der Meilenstein ist real: An diesem Punkt übernimmt der Hersteller – und nicht mehr Sie – die Haftung, solange das System aktiv ist.

Zoox, eine Tochtergesellschaft von Amazon, geht einen eigenen Weg. Statt ein herkömmliches Fahrzeug nachzurüsten, hat das Unternehmen ein Robotaxi ganz ohne Lenkrad entwickelt, das von Grund auf für autonome Fahrten konzipiert wurde und schrittweise für den öffentlichen Fahrgastbetrieb vorbereitet wird. Die Wette dahinter: Ein Fahrzeug, das von Tag eins an auf Autonomie ausgelegt ist, ist jedem Modell überlegen, das nachträglich von einem Pkw für menschliche Fahrer abgeleitet wurde.

Und dann ist da Cruise – der Fall, den heute jeder in dieser Branche als Warnung anführt. Mit der Rückendeckung von GM war das Unternehmen einst ein Spitzenreiter. Was geschah? Ein schwerer Unfall mit einer Fußgängerin und ein mangelhafter Umgang mit den Aufsichtsbehörden haben die Glaubwürdigkeit nachhaltig zerstört. Die Lehre daraus betrifft weniger die Technologie an sich: Vertrauen – sowohl in der Öffentlichkeit als auch bei den Regulierern – ist zerbrechlich. Wer es einmal verliert, riskiert das Aus für das gesamte Vorhaben, ganz gleich, wie ausgereift das Engineering auch sein mag.

Ein Aspekt, der oft übersehen wird: Autonome Lkw könnten kurzfristig das vielversprechendste Marktsegment überhaupt sein. Aurora und Kodiak haben sich auf den Autobahnverkehr spezialisiert, und es spricht vieles dafür, dass der Fernverkehr auf Autobahnen schon vor den städtischen Robotaxis die kommerzielle Reife erreicht – die Bedingungen sind weitaus berechenbarer als im Innenstadtverkehr, und das wirtschaftliche Potenzial ist enorm.

Und abseits des Trubels um Robotaxis? Level-2-Assistenzsysteme sind längst allgegenwärtig. Abstandsregeltempomat, automatischer Notbremsassistent, Spurhalteassistent, Totwinkel-Überwachung – solche Systeme gehören heute in fast jeder Preisklasse zur Serienausstattung. Sehr wahrscheinlich sind auch Sie bereits mit echter KI-Unterstützung unterwegs, ganz gleich, ob Sie es so nennen würden oder nicht.

KI in Robotaxis

Robotaxis sind das sichtbarste Gesicht des autonomen Fahrens, und die Mitfahrt hat sich in Städten wie San Francisco, Phoenix und Peking von einer Kuriosität zum Alltag gewandelt. Während sich viele Robotaxi-Programme noch in der Testphase befinden, sind einige bereits in den regulären öffentlichen Fahrbetrieb übergegangen: Einwohner von Wuhan und Peking nutzen Apollo Go von Baidu nach offizieller Zulassung durch die Behörden bereits als tägliches Verkehrsmittel, während das Unternehmen seine Flotte zügig ausbaut.

Technisch gesehen ist ein Robotaxi die praktische Umsetzung aller oben genannten Technologien in einem funktionierenden Dienst. Kameras und Sensoren ermöglichen es der bordeigenen KI, eine vollständige 360-Grad-Ansicht der Fahrzeugumgebung zu rekonstruieren. Die fahrzeugeigene Recheneinheit plant anschließend die Route, verhindert Kollisionen, antizipiert das Verhalten anderer Verkehrsteilnehmer und steuert das Fahrzeug sicher durch den Stadtverkehr – vollkommen ohne Fahrer. Der Unterschied zwischen einem Robotaxi und einem herkömmlichen Fahrerassistenzsystem liegt nicht nur in den Fähigkeiten: Im Robotaxi gibt es keinen menschlichen Rückfallschutz mehr im Fahrzeug, was die Anforderungen an die Zuverlässigkeit enorm in die Höhe schraubt.

Die Rechenarchitekturen unterscheiden sich: Einige Unternehmen haben eigene Engines für neuronale Netze entwickelt, um die Intelligenz ihrer Robotaxis zu steuern; andere setzen auf KI-Plattformen von Drittanbietern, wobei NVIDIA ein führender Ausrüster für die durchgängige Rechenleistung ist, die Sensor- und Kameradaten in Fahrentscheidungen überführt. Eine interessante Neuerung der jüngsten Zeit ist der Einzug generativer KI in das Fahrgasterlebnis: Zentrale Rechenplattformen, die generative Modelle und Sprachverarbeitung unterstützen, verleihen Robotaxis zunehmend dialogfähige Rollen. Sie können mit Fahrgästen sprechen, Empfehlungen in Echtzeit geben und während der Fahrt Hilfestellung leisten. Das Fahrzeug fährt Sie nicht mehr nur ans Ziel – es tauscht sich zunehmend mit Ihnen über die Fahrt aus.

KI im autonomen öffentlichen Nahverkehr

Während Taxis für Schlagzeilen sorgen, findet ein großer Teil der praxisrelevanten Arbeit im öffentlichen Nahverkehr statt. Hier bewährt sich KI bereits seit Jahren im Hintergrund – lange bevor Fahrzeuge autonom fuhren –, indem sie das Verkehrsmanagement optimiert, Routen verbessert und Fahrpläne präzisiert. Neu ist, dass die Fahrzeuge nun selbst das Steuer übernehmen. Die Technologie steht zwar noch am Anfang, doch im Nahverkehr dürfte sie sich als Erstes in großem Maßstab etablieren: Ein Campus-Rundkurs, ein Flughafenshuttle oder eine feste Innenstadtlinie stellen ein weit beherrschbareres Szenario dar als ein Pkw im freien Straßenverkehr.

Der Robobus ist dafür das beste Beispiel. Solche Busse sind mit eigenen Sensor- und Kamerasystemen ausgestattet, während die bordeigene KI den gesamten Ablauf steuert: Sie navigiert, fährt Haltestellen präzise an, behält den Energieverbrauch im Blick und reagiert auf die Umgebung. Ergänzt um Vehicle-to-Everything-Kommunikation kann sich eine ganze Flotte koordinieren und das Umfeld noch intelligenter erfassen. Genau hier liegt aktuell der ideale Einsatzbereich für autonome Systeme: in einer kontrollierten, exakt kartierten und sensorisch dicht erschlossenen Umgebung. Eine Buslinie, die immer wieder dieselbe Strecke abfährt, lässt sich schlichtweg leichter automatisieren als das unberechenbare Geschehen eines Pkw in einer fremden Stadt.

WeRide und Pix Moving sind zwei Anbieter, die hier bereits reale Lösungen auf die Straße bringen und nicht nur testen. Neben Tests auf öffentlichen Straßen in ausgewiesenen Zonen Pekings betreibt WeRide etwa einen Robobus im Resorts World Sentosa in Singapur – auf einer festen Strecke mit echten Fahrgästen, die regelmäßig ein- und aussteigen. Das sind zweifellos noch begrenzte Einsätze. Doch sie zeichnen ein überzeugendes Zukunftsbild: Autonome Shuttles übernehmen definierte Nahverkehrsrouten schon Jahre bevor ein universell autonomer Privatwagen in Ihrer Einfahrt parkt.

Vorteile von KI in autonomen Fahrzeugen

Den realen Herausforderungen stehen erhebliche Vorteile autonomer Fahrzeuge gegenüber. Sie erklären, warum trotz mancher Rückschläge weiterhin so viel Kapital und Talent in diesen Bereich fließt.

Verbesserte Verkehrssicherheit

Das wichtigste Einzelargument für autonome Fahrzeuge ist die Sicherheit. Menschliches Versagen – Übermüdung, Ablenkung, Alkoholeinfluss oder schlichte Unaufmerksamkeit – ist für die überwiegende Mehrheit der Verkehrsunfälle verantwortlich. Ein KI-System wird nicht müde, schaut nicht aufs Smartphone und setzt sich nicht alkoholisiert ans Steuer. Dank adaptiver Fähigkeiten, lückenloser optischer Aufmerksamkeit und präziser Abstandserfassung können autonome Systeme viele jener Gefahrensituationen im Ansatz verhindern, die durch menschliche Fehler entstehen. Das ist der Vorteil, der bei voller Realisierung am schwersten wiegt.

Mehr Mobilität und besserer Zugang

Autonome Fahrzeuge könnten die Mobilität für Menschen revolutionieren, die nicht selbst fahren können – darunter ältere Personen, Menschen mit Behinderungen oder Menschen mit gesundheitlichen Einschränkungen. Über Spracherkennung oder eine einfache App könnte ein selbstfahrendes Fahrzeug diese Fahrgäste sicher ans Ziel bringen und ihnen eine Unabhängigkeit zurückgeben, die das heutige Verkehrssystem oft verwehrt. Geteilte Robotaxis könnten On-Demand-Mobilität zudem erschwinglicher machen als heute.

Weniger Staus und geringere Emissionen

KI kann Fahrzeuge dynamisch umleiten, um Staus zu vermeiden, und sie steuert Beschleunigung sowie Bremsvorgänge deutlich gleichmäßiger und effizienter als die meisten menschlichen Fahrer. Das senkt Kraftstoffverbrauch und Emissionen. Im größeren Maßstab könnten koordinierte autonome Fahrzeuge den Stop-and-Go-Verkehr entschärfen, der immense Mengen an Zeit und Treibstoff verschlingt – mit spürbaren Vorteilen für die Umwelt durch die Effizienzgewinne.

Intelligenteres Verkehrsmanagement

Fahrzeuge mit V2X-Technologie können untereinander sowie mit der Infrastruktur kommunizieren, um ein gemeinsames Bild der Verkehrslage aufzubauen. Diese Informationen fließen direkt in die Routenplanung und Stauvermeidung ein. So entstehen Verkehrssysteme, die sich weitaus flexibler steuern lassen, als es feste Ampelphasen und menschliche Schätzungen heute erlauben. Dieser Vorteil verstärkt sich, je mehr Fahrzeuge daran teilnehmen.

Die Hürden, die volle Autonomie weiterhin erschweren

Wenn Level 4 heute bereits funktioniert – warum ist die Technologie dann noch nicht überall im Einsatz? Weil die Lücke zwischen „funktioniert in einer kartierten, abgegrenzten Stadt unter Aufsicht“ und „funktioniert überall dort, wo ein Mensch fahren kann“ voller harter, weitgehend ungelöster Probleme steckt.

Der Long Tail der Edge Cases. Ein Fahrzeug bewältigt die üblichen 99 % der Fahrsituationen verhältnismäßig souverän. Es ist das seltene 1 % – die unendliche Vielfalt bizarrer Ausnahmesituationen –, das extrem anspruchsvoll ist: ein plötzlich aufspringendes Reh, ein Verkehrspolizist mit widersprüchlichen Handzeichen, eine Matratze, die von der Ladefläche fällt, eine überflutete Unterführung. Es gibt praktisch unendlich viele seltene Szenarien, und ein wahrhaft autonomes Fahrzeug muss nahezu jedes davon sicher meistern. Diesen Long Tail abzudecken, bleibt die zentrale Herausforderung der gesamten Branche.

Widrige Witterungsbedingungen. Starker Regen, Schnee, Nebel und Blendlicht beeinträchtigen genau die Sensoren, auf die sich autonome Systeme stützen. Lidar stößt bei starkem Niederschlag an Grenzen, Kameras kämpfen mit Dunkelheit und Blendung, und Schnee verdeckt Fahrbahnmarkierungen sowie Orientierungspunkte. Zuverlässige Autonomie bei jedem Wetter ist ungleich schwieriger als bei Sonnenschein – ein wesentlicher Grund dafür, warum viele Pilotprojekte in trockenen, sonnigen Regionen starteten.

Unberechenbare Menschen. Der unberechenbarste Faktor im Straßenverkehr sind andere Menschen: Passanten, die unvermittelt die Straße überqueren, aggressive Autofahrer, Radfahrer, die Stoppschilder ignorieren, oder der subtile Blickkontakt und Gesten, über die Menschen im Alltag die Vorfahrt aushandeln. Maschinen lernen erst allmählich, diese improvisierte soziale Choreografie des Verkehrs zu deuten – und der Mensch bleibt schlichtweg unberechenbar.

Das Übergabeproblem. Der Kompromiss bei Level 3 ist genau deshalb heikel, weil ein abgelenkter Mensch plötzlich die Steuerung wieder übernehmen soll – oft mit einer Vorwarnzeit von nur wenigen Sekunden. Wer eine Stunde lang einen Film geschaut hat, ist kaum in der Lage, blitzschnell auf eine Notsituation zu reagieren. Diesen Übergang wirklich sicher zu gestalten, ist ein komplexes Problem der Mensch-Maschine-Interaktion und keineswegs nur eine rein technische Frage.

Verifikation und Validierung. Wie lässt sich tatsächlich nachweisen, dass ein autonomes System sicher genug für den realen Einsatz ist? Man kann unmöglich jede denkbare Situation im Vorfeld testen. Der statistische Nachweis, dass ein System über das gesamte Spektrum möglicher Verkehrsszenarien hinweg sicherer fährt als ein Mensch, ist ein ungelöstes methodisches Problem. Regulierungsbehörden und Unternehmen ringen nach wie vor darum, was „sicher genug“ in messbaren Zahlen überhaupt bedeutet.

Ethik und Haftung. Wenn ein autonomes Fahrzeug in einen Unfall verwickelt ist: Wer haftet dann – der Hersteller, der Softwareentwickler oder der Fahrzeughalter? Der rechtliche Rahmen hinkt dieser Entwicklung noch hinterher. Und die wirklich schwierigen ethischen Grenzfälle werfen – so selten sie sein mögen – Fragen auf, für die es keine rein technischen Antworten gibt.

Kosten im großen Maßstab. Die Sensoren und die Rechenleistung, die ein Robotaxi ermöglichen, waren bisher teuer. Die Kosten für Lidar, Kameras und Onboard-Supercomputer so weit zu senken, dass Level-4-Fähigkeiten in Serie in einem erschwinglichen Pkw für Endverbraucher realisierbar sind, bleibt eine ganz eigene, erhebliche Herausforderung – auch wenn die Preise von Jahr zu Jahr fallen.

Keines dieser Probleme ist zwingend unlösbar. Doch in ihrer Gesamtheit erklären sie, warum die ehrliche Antwort auf die Frage „Wann fahren Autos überall autonom?“ lautet: „Später, als die Optimisten immer wieder versprechen.“

Sicherheit: Die reale Bilanz der Zwischenfälle

Ein ehrlicher Blick auf die Sicherheit beim autonomen Fahren muss neben den positiven Statistiken auch die Zwischenfälle berücksichtigen. Denn zur Geschichte autonomer Fahrzeuge gehören reale Kollisionen und tödliche Unfälle, die sowohl die Technologie als auch die regulatorischen Rahmenbedingungen maßgeblich geprägt haben.

Einige dieser Meilensteine sind ernüchternd zu lesen. Der erste bekannte Todesfall in einem autonom fahrenden Auto ereignete sich Anfang 2016, als ein Tesla mit aktiviertem Autopilot vor einem Sattelzug, der einen taghell erleuchteten Highway überquerte, nicht bremste. Tesla betonte, dass dies der erste bekannte tödliche Unfall mit dem Autopilot bei mehr als 130 Millionen Meilen im Autopilot-Betrieb gewesen sei. Eine spätere Untersuchung des National Transportation Safety Board ergab zudem, dass die Unfallrate bei Tesla-Fahrzeugen nach Einführung des Autopiloten tatsächlich sank. Nichts davon ändert etwas daran, dass ein Mensch starb und dieser Todesfall die Grenzen der Technologie unübersehbar machte. Zwei Jahre später, im März 2018, gab es den ersten durch ein selbstfahrendes Auto getöteten Fußgänger: Eine Frau, die eine Straße in Arizona überquerte, wurde von einem Testfahrzeug der Uber Advanced Technologies Group erfasst. Zwar saß eine Sicherheitsfahrerin am Steuer, doch der Abschlussbericht des NTSB stellte fest, dass sie abgelenkt war. Doch damit nicht genug: Die Behörde rügte eine „unzureichende Sicherheitskultur“ bei Uber und forderte die Aufsichtsbehörden auf einzugreifen, bevor automatisierte Testfahrzeuge wieder auf öffentliche Straßen zurückkehren durften.

Das Muster in den Unfalldaten ist aufschlussreich. Die US-Behörde National Highway Traffic Safety Administration verpflichtete Unternehmen für autonome Fahrzeuge 2021 erstmals zu Unfallberichten. Die gemeldeten Zahlen gehen mittlerweile in die Tausende von Vorfällen – sowohl bei vollautomatisierten Systemen als auch bei Fahrerassistenzsystemen. Auf Tesla-Fahrzeuge, die mit Abstand am weitesten verbreitet sind, entfällt dabei der Großteil. Mehrere der schwersten Fälle, darunter tödliche Unfälle mit Fords Hands-free-System BlueCruise, weisen ein gemeinsames, aufschlussreiches Muster auf: Ein teilautomatisiertes System traf auf einen Menschen, der ihm zu sehr vertraute und unaufmerksam wurde. Diese Kombination – leistungsfähige, aber begrenzte Automatisierung gepaart mit einem unaufmerksamen Menschen – ist eines der gefährlichsten Fehlerszenarien des gesamten Fachgebiets und der Hauptgrund, warum das Übergabeproblem bei Level 3 so ernst genommen wird.

Wir möchten deutlich machen, was dies aussagt und was nicht. Es bedeutet nicht, dass die Technologie in der Gesamtbetrachtung unsicher ist. Es zeigt vielmehr, dass das Sicherheitsbild uneinheitlich ist und weiterhin geschrieben wird – und dass jeder, der Ihnen vermitteln will, selbstfahrende Autos seien bereits fehlerfrei oder außergewöhnlich tödlich, eine weitaus komplexere Realität vereinfacht, um ein Argument zu machen.

Fährt KI tatsächlich sicherer als ein Mensch?

Das ist wahrscheinlich die Frage, die Sie am meisten interessiert – hier ist deshalb eine ehrliche Antwort statt eines Marketingversprechens. Wo verlässliche Daten vorliegen, sind sie vorsichtig ermutigend, mit Betonung auf vorsichtig. Waymo hat Zahlen veröffentlicht, die belegen, dass die eigenen Fahrzeuge auf vergleichbaren Strecken in deutlich weniger Unfälle mit Personenschäden verwickelt sind als menschliche Fahrer. Unabhängige Analysten, die diese Angaben geprüft haben, bestätigen diese Tendenz weitgehend. Und hier benotet Waymo nicht bloß die eigenen Hausaufgaben – Regulierungsbehörden wie die NHTSA verfolgen diese Vorfälle genau und veröffentlichen ihre Erkenntnisse.

Doch was bedeutet „sicherer“ hier eigentlich? Genau hier sind Einschränkungen nötig. Bislang bedeutet es: sicherer innerhalb eines definierten Einsatzbereichs – in den kartierten, per Geofencing abgegrenzten Gebieten bei meist gutem Wetter, in denen diese Autos fahren – nicht jedoch sicherer überall und unter jeder Bedingung. Eine große Metaanalyse in Nature Communications von 2024 wertete Tausende von Unfalldatensätzen beider Seiten aus und kam zu dem Schluss, dass autonome Fahrzeuge in den meisten Situationen sicherer sind und eindeutig sicherer für Fußgänger. Sind sie also schlicht besser? Nicht ganz – dieselbe Studie zeigte echte Schwachstellen auf: Autonome Autos verunglückten in der Morgen- und Abenddämmerung häufiger und bewältigten manche Übergänge bei schlechten Lichtverhältnissen schlechter als Menschen. Beide Seiten fair zu vergleichen, ist zudem ausgesprochen schwierig, weil die gefahrenen Kilometer nicht gleichartig sind und Vorfälle von jedem anders gezählt werden. Hinzu kommt der psychologische Aspekt: Wir messen Maschinen an höheren Standards als Menschen, und das zu Recht – ein einziger Unfall eines autonomen Fahrzeugs erregt weit mehr Aufmerksamkeit als die Tausenden menschlichen Unfälle, die täglich passieren. Institutionen wie das Stanford’s Institute for Human-Centered AI haben sowohl die echten Fortschritte als auch die noch bestehenden Lücken dargelegt.

Was bedeutet das nun für Sie? Es liefert einen realistischen Maßstab, um diese Systeme zu bewerten. Perfektion war nie das Ziel – kein Fahrer, weder Mensch noch Maschine, erreicht diesen Standard jemals. Der Maßstab lautet vielmehr: eindeutig und nachweisbar sicherer zu sein als ein Mensch. Innerhalb ihrer Einsatzgebiete sieht es so aus, als würden die besten Systeme dieses Ziel erreichen. Was bislang unvollendet bleibt, ist die Ausweitung dieser Bilanz auf jede denkbare Bedingung, überall – und das ist eine weitaus größere Aufgabe. Denn trotz aller Fehler, die wir am Steuer machen: Über die gesamte, unübersichtliche Bandbreite des realen Fahralltags hinweg bleibt der menschliche Fahrer eine überraschend schwer zu übertreffende Vergleichsgröße.

Regulierung autonomer Fahrzeuge

Der Gesetzgeber versucht seit dem ersten Erscheinen autonomer Fahrzeuge auf öffentlichen Straßen mit der Entwicklung Schritt zu halten. Die daraus resultierende Regulierungslandschaft gleicht einem Flickenteppich, der sich von Rechtsraum zu Rechtsraum massiv unterscheidet. Diesen Rahmen zu verstehen ist entscheidend, denn die Regulierung bestimmt, wo und wie schnell die Technologie tatsächlich eingesetzt werden kann.

Die Vereinigten Staaten machten auf Bundesstaatsebene früh den Anfang. Nevada verabschiedete 2011 als weltweit erste Rechtsordnung Gesetze für das autonome Fahren, und viele US-Bundesstaaten folgten seitdem mit eigenen Vorgaben. Das Ergebnis ist ein stark zersplittertes Bild: Was in einem Bundesstaat erlaubt ist, kann im Nachbarstaat bereits eingeschränkt sein. Das Vereinigte Königreich führte 2013 Regelungen für Testfahrten ein, Frankreich folgte 2015. Sogar traditionsreiche internationale Abkommen mussten angepasst werden: Das Genfer Abkommen über den Straßenverkehr, das ursprünglich davon ausging, dass stets ein Mensch die volle Kontrolle über ein Fahrzeug hat, wurde 2016 geändert, um automatisierte Fahrfunktionen zu ermöglichen.

Auf internationaler Ebene begann ein UN-Gremium namens WP.29 über seine Arbeitsgruppe für automatisierte und vernetzte Fahrzeuge 2018 mit der Ausarbeitung konkreter Vorschriften. Diese umfassen Fahrdynamik, Fahrerassistenzsysteme, automatisierte Fahrsysteme und Cybersicherheit. Die SAE-Stufen haben sich in den meisten Rechtsräumen zum de facto einheitlichen Vokabular für diese Regelwerke entwickelt. Das ist auch der Grund, warum die präzise Unterscheidung der Stufen weit über bloße Spitzfindigkeit hinausgeht – sie sind fester Bestandteil der Gesetzgebung. Die General Safety Regulation der Europäischen Union trat 2022 für Neufahrzeuge in Kraft, wobei Japan demselben UNECE-Rahmen folgt, während China ein eigenes Regulierungs- und Datensicherheitsregime für intelligente Fahrzeuge aufgebaut hat.

Zwei zentrale Themen ziehen sich durch all diese Regulierungsvorhaben. Das erste ist die Haftung: Die Rechtsprechung ringt nach wie vor mit der Frage, wer haftet, wenn ein autonomes Fahrzeug einen Schaden verursacht – der Insasse, der Halter, der Hersteller oder das Unternehmen, das das Fahrsystem entwickelt hat. Der selbstlernende Charakter von KI macht diese Frage deutlich komplexer als bei herkömmlichen Produkten. Das zweite Thema ist Ehrlichkeit im Marketing. Regulierungsbehörden in mehreren Ländern gehen inzwischen entschieden gegen Bezeichnungen vor, die die tatsächlichen Fähigkeiten eines Systems übertreiben. Behörden stellen Namen infrage, die volle Autonomie suggerieren, wo lediglich Fahrerassistenz vorliegt, und einige Rechtsordnungen stufen irreführende Werbung für autonome Fahrfunktionen bereits als schweren Verstoß ein. Das Problem der Begrifflichkeiten, mit dem dieser Artikel eingeleitet wurde, stiftet somit nicht nur Verwirrung bei den Verbrauchern – es ist ein aktives regulatorisches Konfliktfeld.

Wie KI im Fahrzeug an den breiteren Tech-Stack anknüpft

Hier ist eine praxisnahe Beobachtung für Unternehmen, die diesen Markt beobachten: Die Entwicklung eines vollständigen Stacks für autonomes Fahren ist einer kleinen Gruppe extrem kapitalstarker Konzerne vorbehalten und für die meisten Organisationen kein realistisches Vorhaben. Doch der Boom autonomer Fahrzeuge treibt die Nachfrage nach einer ganzen Reihe angrenzender KI-Kompetenzen voran, die weitaus mehr Unternehmen erfolgreich aufbauen, einsetzen und für sich nutzen können.

Computer-Vision-Systeme für Objekterkennung, Qualitätsprüfung und visuelle Überwachung kommen in der Fertigung, Logistik, Sicherheit, im Einzelhandel und dutzenden weiteren Bereichen zum Einsatz – basierend auf denselben Kerntechnologien, mit denen Autos sehen lernen. Edge-KI und die IoT-Sensorintegration – also die effiziente Ausführung von KI direkt auf dem Endgerät und die Echtzeitfusion von Sensordaten – sind genau die Fähigkeiten, die vernetzte Produkte und smarte Infrastrukturen zunehmend erfordern. Auch Simulations- und Synthetikdaten-Pipelines, nach demselben Prinzip, mit dem Fahrmodelle trainiert werden, sind überall dort von hohem Wert, wo reale Trainingsdaten rar oder teuer in der Erfassung sind.

Flottenmanagement, Telematik, vorausschauende Wartung (Predictive Maintenance) und die Dateninfrastruktur, auf die mobilitätsnahe Unternehmen angewiesen sind: All das sind Software-Herausforderungen, die im Zeitalter autonomer Fahrzeuge massiv an Bedeutung gewinnen – und all das ist mit einem kompetenten Partner für KI-Entwicklung bestens realisierbar. Die Fahrzeuge selbst beherrschen die Schlagzeilen, doch das umliegende Ökosystem aus Wahrnehmungs-, Sensor- und Datensoftware ist der Bereich, an dem eine weit größere Zahl von Unternehmen tatsächlich partizipieren kann.

Die eigene Arbeit im Bereich Automotive-KI von 22 Software setzt genau in diesem angrenzenden Bereich an – Computer Vision, Machine Learning, Sensor- und IoT-Daten sowie KI-Systeme, die vernetzte und zunehmend automatisierte Fahrzeuge unterstützen, anstatt des gesamten Stacks für autonomes Fahren selbst.

Wohin sich KI in autonomen Fahrzeugen als Nächstes entwickelt

Einige Trends prägen die Entwicklung des autonomen Fahrens in den kommenden Jahren.

End-to-End-Neuronale Netze werden zur dominierenden Architektur. Der Wechsel von manuell konstruierten, modularen Pipelines hin zu großen neuronalen Netzen, die wesentliche Teile der Fahraufgabe direkt erlernen, wird sich voraussichtlich fortsetzen – entlang desselben Pfades, der bereits andere KI-Bereiche grundlegend verändert hat.

Vision-Language-Action-Modelle bringen schlussfolgerndes Denken nach Vorbild von LLMs in den Fahrbetrieb. Ein neuer Forschungszweig überträgt die Argumentations- und Denkfähigkeiten großer Sprachmodelle auf das autonome Fahren. Ziel sind Systeme, die neuartige Situationen besser bewältigen, indem sie flexibel darüber nachdenken, statt sich ausschließlich auf Trainingsmuster zu verlassen.

Robotaxi-Dienste wachsen von Stadt zu Stadt. Der realistische Pfad für die nahe Zukunft ist kein plötzlicher Sprung in die universelle Autonomie, sondern die schrittweise, stetige Erweiterung der per Geofencing definierten Bereiche für Level-4-Fahrzeuge – Stadt für Stadt, jeweils sorgfältig validiert.

Autonome Lkw dürften auf Autobahnen noch vor flächendeckenden städtischen Robotaxis die kommerzielle Reife erreichen – angetrieben durch die vergleichsweise hohe Vorhersehbarkeit des Autobahnverkehrs und die starken wirtschaftlichen Anreize im Fernverkehr.

Die für Automobile entwickelte Wahrnehmungs- und Sensortechnologie verschmilzt zunehmend mit der allgemeinen Robotik. Dieselben Fortschritte bei Umgebungswahrnehmung, Sensorfusion und Echtzeit-Entscheidungsfindung, die autonome Fahrzeuge antreiben, fließen unmittelbar in Lagerroboter, Lieferroboter, Drohnen und humanoide Robotik ein – und machen die Autonomieforschung weit über den Automobilsektor hinaus wertvoll.

Regulatorische Rahmenbedingungen reifen heran – wenn auch ungleichmäßig. Verschiedene Länder und selbst einzelne US-Bundesstaaten verfolgen bei der Zulassung autonomer Fahrzeuge grundverschiedene Ansätze. Dieser regulatorische Flickenteppich wird noch auf Jahre hinaus mitbestimmen, wo die Technologie die schnellsten Fortschritte macht.

Und der Weg zu Level 5 bleibt lang. Das vollautonome Fahrzeug ohne Lenkrad, das überall fahren kann und die öffentliche Fantasie beflügelt hat, liegt möglicherweise noch ein Jahrzehnt oder mehr entfernt – falls es in dieser Form überhaupt je kommt. Die wahrscheinlichere Zukunft auf absehbare Zeit ist ein wachsender Archipel aus Level-4-Zonen sowie immer leistungsfähigere Level-2- und Level-3-Assistenzsysteme, statt eines einzelnen dramatischen Durchbruchs zur vollständigen Autonomie an jedem Ort.

Fazit

KI in selbstfahrenden Autos ist real, wahrhaft beeindruckend und bereits heute im Produktiveinsatz – allerdings nur innerhalb der Grenzen dessen, was sie tatsächlich bewältigen kann. Waymos fahrerlose Robotaxis beweisen, dass Autonomie nach Level 4 innerhalb eines kartierten, per Geofencing definierten Bereichs funktioniert. Millionen von Level-2-Systemen belegen, dass KI-Assistenz das alltägliche Fahren sicherer und einfacher macht. Und die gewaltige Lücke zwischen diesen beiden Realitäten – zusammen mit den anhaltenden Herausforderungen durch seltene Randfälle (Long Tail), widrige Witterung, unberechenbare Menschen und die Sicherheitsvalidierung – erklärt, warum universelle Vollautonomie weiter entfernt ist, als die Schlagzeilen vermuten lassen.

Die Technologie hat den Schritt von der Science-Fiction in die reale Anwendung geschafft – ein beachtlicher Erfolg. Doch „autonomes Fahren“ ist ein Spektrum, kein Ein-Aus-Schalter. Zu verstehen, wo ein bestimmtes System auf diesem Spektrum tatsächlich steht, macht den Unterschied zwischen einer fundierten Einschätzung und übertriebenem Hype aus. Die ehrliche Bilanz für das Jahr 2026 lautet: Autonomes Fahren ist zugleich realer, als Skeptiker wahrhaben wollen, und weniger ausgereift, als Optimisten behaupten.

Für Unternehmen liegt die praktische Chance weniger darin, den eigentlichen Driving-Stack selbst zu entwickeln, sondern vielmehr in den KI-Kompetenzen, die das autonome Zeitalter erfordert: Computer Vision, Edge-KI, IoT- und Sensordaten-Systeme sowie die Software-Infrastruktur rund um vernetzte und automatisierte Fahrzeuge. Wenn Sie an einem Projekt in diesem angrenzenden Bereich arbeiten, nehmen Sie Kontakt mit unserem Team auf. Wir entwickeln praxistaugliche Systeme für KI, Machine Learning und Computer Vision und unterstützen Sie gern dabei zu definieren, was für Ihren Anwendungsfall tatsächlich machbar ist.