Die Entwicklung von vollständig autonomen Fahrzeugen ist eine der grössten technologischen Herausforderungen unserer Zeit. Ein besonders kniffliges Problem ist die sichere Navigation in schwierigen Lichtverhältnissen. Elon Musk, CEO von Tesla, hat kürzlich öffentlich gemacht, dass Teslas Robotaxis Schwierigkeiten mit der Sichterkennung bei Nacht haben.
Das Problem liegt im Sensorkonzept von Tesla. Das Unternehmen vertraut primär auf Kameras und Bildverarbeitung, während es andere Sensortechnologien wie Lidar bewusst nicht nutzt. Dies ist eine bewusste Designentscheidung, die auf der Annahme basiert, dass reine Computer-Vision-Systeme ausreichen sollten. Allerdings zeigt sich in der Praxis, dass Kameras bei schlechten Lichtverhältnissen an ihre Grenzen stossen.
Musk hat ausgedrückt, dass er sich Sorgen macht, dass Robotaxis Katzen oder andere kleine Objekte übersehen könnten, wenn diese nachts auf der Strasse sind. Dies unterstreicht eine grundlegende Herausforderung: autonome Fahrzeuge müssen alle möglichen Szenarien sicher meistern, nicht nur die häufigen Fälle.
Die geplante Lösung besteht darin, dass verbesserte KI-Modelle diese Wahrnehmungslücken kompensieren sollen. Die Idee ist, dass Algorithmen lernen können, aus unvollständigen oder mehrdeutigen Sensordaten kluge Entscheidungen zu treffen. Dies ist theoretisch möglich, erfordert aber umfangreiche Training und Validation.
Für IT-Fachleute und KMU-Entscheidungsträger ist dies ein Lehrbeispiel für die Grenzen von Einzellösungen. Während Computer Vision enorm leistungsstark ist, zeigen sich in der Praxis Szenarien, in denen redundante Sensorsysteme notwendig sind. Dies hat Implikationen für andere Bereiche der Automatisierung und KI-Integration in Unternehmenskontexten. Es unterstreicht die Wichtigkeit von umfassender Testung und der Akzeptanz von Systemlimits, bevor Technologien in kritische Anwendungen deployed werden.