Bis zu 99 % nutzlose Daten: Warum Testfahrten fürs autonome Fahren am Ziel vorbeigehen
Fußgänger, die plötzlich auf die Straße treten, oder dichter Regen: Genau solche Szenen braucht die Entwicklung autonomer Fahrzeuge – doch Testfahrten liefern vor allem Routineverkehr. Karlsruher Forscher stellen jetzt einen Datensatz frei, der die kritischen Momente sammelt.
Beim Automatisierten Fahren stoßen viele Systeme auf kritische Verkehrssituationen. Ein frei verfügbarer Datensatz soll nun viele Herstellern in dieser Hinsicht unterstützen.
Foto: Smarterpix/uflypro
Ein Fußgänger tritt hinter einem Lieferwagen auf die Straße, ein Gegenstand liegt auf der Fahrbahn oder dichter Regen schwächt Kameras und Laserscanner. Solche Situationen sind für automatisierte Fahrzeuge besonders kritisch. Auf gewöhnlichen Erprobungsfahrten treten sie aber nur selten auf.
Das FZI Forschungszentrum Informatik in Karlsruhe hat deshalb den Datensatz FZI-AURA veröffentlicht. Er enthält zeitlich synchronisierte Daten von Kameras, Light Detection and Ranging (LiDAR) und Radar aus realen Verkehrssituationen in Süddeutschland. Hinzu kommen Informationen über Straßenart, Wetter und Fahrzeugbewegung. Insgesamt umfasst der Bestand 2473 jeweils rund 20 s lange Szenen mit einer Gesamtdauer von mehr als 13 Stunden. Aufgezeichnet wurden sie mit acht Rundumsichtkameras, bis zu zwölf LiDAR-Sensoren und bis zu drei Radarsensoren. Nach Angaben des FZI enthält FZI-AURA mehr als 4,1 Mio. dreidimensionale Objektmarkierungen und rund 30 Mrd. semantisch klassifizierte LiDAR-Messpunkte.
Vollständig abrufbar ist der Datensatz noch nicht. Derzeit stehen 1081 der angekündigten 2473 Szenen bereit. Die übrigen sollen schrittweise folgen. Das bislang veröffentlichte Material hat komprimiert einen Umfang von etwa 2,8 TB.
Inhaltsverzeichnis
Messfahrten erzeugen viele überflüssige Daten
Sensoren moderner Versuchsfahrzeuge produzieren in kurzer Zeit mehrere Terabyte an Bild- und Messdaten. Der größte Teil zeigt allerdings normalen Verkehr: freie Fahrbahnen, bekannte Fahrzeugtypen und Situationen, die in ähnlicher Form bereits häufig aufgezeichnet wurden.
Im Forschungsprojekt „just better DATA“, kurz jbDATA, wurde deshalb ein sogenannter Smart Data Loop entwickelt. Algorithmen sollen bereits im Fahrzeug erkennen, welche Szenen für die Entwicklung und Überprüfung automatisierter Fahrfunktionen relevant sind. Die Sensordaten werden auf einer fahrzeugnahen Edge-Plattform vorverarbeitet und vorsortiert. Nur aussagekräftige Sequenzen müssen anschließend gespeichert und an ein Rechenzentrum übertragen werden.
Nach Einschätzung des Projektkonsortiums können bei einer üblichen Erprobungsfahrt bis zu 99 % der aufgezeichneten Daten für die jeweilige Entwicklungsaufgabe ohne zusätzlichen Nutzen sein. Die intelligente Auswahl soll Speicherbedarf und Verarbeitungskosten senken. Zugleich hilft sie, sogenannte Corner Cases zu finden: seltene Ereignisse, die für die Sicherheit eines automatisierten Fahrzeugs entscheidend sein können. Der bereits vorhandene Datenbestand wird dafür auf Lücken untersucht. Fehlen bestimmte Wetterlagen, Straßenarten oder Verkehrssituationen, lassen sich daraus Anforderungen für neue Messfahrten ableiten. Schwer erfassbare Fälle können zusätzlich mit synthetisch erzeugten Daten abgebildet werden.
Zwölf LiDAR-Sensoren erfassen die Umgebung
Als Versuchsträger diente der CoCar NextGen des FZI, ein Audi A6 Avant Plug-in-Hybrid. Das Fahrzeug trägt acht Kameras, bis zu drei Radarsensoren und bis zu zwölf LiDAR-Sensoren unterschiedlicher Bauart. Dazu gehören sechs klassische rotierende Laserscanner und sechs Frequency-Modulated-Continuous-Wave-LiDAR-Systeme (FMCW-LiDAR). Letztere können neben der Entfernung auch die Relativgeschwindigkeit eines Objekts erfassen.
Die LiDAR-Sensoren erzeugen dreidimensionale Punktwolken. Damit eine künstliche Intelligenz (KI) diese Daten nutzen kann, werden einzelne Messpunkte Klassen wie Straße, Fahrzeug, Fußgänger oder Vegetation zugeordnet. Zusätzlich markieren sogenannte 3D Bounding Boxes die Position und räumliche Ausdehnung erkannter Objekte. Die Punktwolken liegen sowohl in ihrer ursprünglichen als auch in einer bewegungskompensierten Form vor. Das ist deshalb wichtig, weil ein rotierender LiDAR-Sensor seine Umgebung nicht in einem einzigen Augenblick erfasst. Während eines Umlaufs bewegt sich das Messfahrzeug weiter – ohne rechnerische Korrektur könnten Objekte dadurch verzerrt erscheinen.
Mercedes setzt auf Wayves Fahr-KI
Wie wichtig Daten und lernende Systeme im Wettbewerb werden, zeigt eine neue Kooperation von Mercedes-Benz und dem britischen KI-Unternehmen Wayve. Die Unternehmen wollen Wayves Technik innerhalb der kommenden zwei Jahre in mindestens ein Mercedes-Modell integrieren. Geplant ist zunächst ein überwachtes Assistenzsystem nach Level 2 für automatisierte Fahrten von Punkt zu Punkt, auch im Stadtverkehr. Der Mensch bleibt verantwortlich, muss das Verkehrsgeschehen beobachten und jederzeit eingreifen können. Von einem vollständig autonom fahrenden Mercedes kann deshalb noch keine Rede sein.
Wayve verfolgt einen datengetriebenen End-to-End-Ansatz. Dabei wird nicht jeder einzelne Verarbeitungsschritt von der Objekterkennung bis zur Lenkbewegung separat programmiert. Stattdessen lernt ein zusammenhängendes KI-Modell, Sensordaten in Fahrentscheidungen zu übersetzen. Das System soll sich auf unterschiedliche Fahrzeugplattformen und neue Städte übertragen lassen, ohne jede Strecke zuvor vollständig mit hochauflösenden Karten abzubilden.
Ob diese Generalisierung im Serienbetrieb zuverlässig funktioniert, muss sich noch zeigen. Gerade solche KI-Systeme benötigen nicht nur große Datenmengen, sondern vor allem seltene, schwierige und regional unterschiedliche Verkehrssituationen. Eine direkte Nutzung des FZI-Datensatzes durch Wayve ist bislang nicht bekannt. Beide Meldungen zeigen aber zwei Seiten derselben Entwicklung: Fahr-KI wird nur so gut und überprüfbar wie ihre Datenbasis.
Mercedes hatte sich bereits im Februar 2026 an einer Finanzierungsrunde von Wayve beteiligt. Das Unternehmen sammelte dabei 1,2 Mrd. US-$ ein. Einschließlich zusätzlicher, an Meilensteine gebundener Zusagen des US-Fahrdienstvermittlers Uber sind es 1,5 Mrd. US-$. Zu den Geldgebern gehören außerdem Nissan, Stellantis, Nvidia und Microsoft. Wayve arbeitet somit nicht exklusiv für Mercedes.
Offene Daten auch für Unternehmen
FZI-AURA steht unter der Lizenz Creative Commons Attribution-ShareAlike 4.0 (CC BY-SA 4.0). Das bedeutet, dass sie neben der wissenschaftlichen auch die kommerzielle Nutzung erlaubt. Die Quelle muss jedoch genannt werden; bearbeitete und weitergegebene Fassungen unterliegen grundsätzlich wieder denselben Lizenzbedingungen. Für Straßen- und Wetterinformationen aus externen Quellen gelten zusätzliche Vorgaben.
„Forschungsdaten entfalten ihren Wert vor allem dann, wenn sie über mehrere Projekte hinweg genutzt werden können“, erklärt FZI-Projektleiter Philip Schörner in der Pressemitteilung vom 22. September 2026. Die Lizenz soll deshalb den Übergang von der Forschung in industrielle Anwendungen erleichtern.
FZI-AURA ist zugleich Teil eines größeren Datenbestands. Im Projekt jbDATA sammelten auch der Entwicklungsdienstleister AVL Deutschland und der Datenerfassungsspezialist b-plus Sensordaten mit eigenen Versuchsfahrzeugen. Die unterschiedlichen Datenpakete werden über den herstellerunabhängigen Standard ASAM OpenLABEL beschrieben. Hinzu kommen 10.000 synthetisch erzeugte Verkehrsbilder von Aumovio, unter anderem für Regen, Schnee, Dunkelheit und Tunnelfahrten.
Das von Juli 2023 bis Juni 2026 laufende Projekt hatte ein Gesamtvolumen von 14,4 Mio. €. Davon entfielen 8,6 Mio. € auf öffentliche Förderung. Initiiert wurde es aus der Leitinitiative autonomes und vernetztes Fahren des Verbands der Automobilindustrie (VDA).
Entscheidend ist damit nicht mehr allein, wie viele Kilometer ein Messfahrzeug zurücklegt. Besonders wertvoll sind jene wenigen Sekunden, in denen der Verkehr anders verläuft als erwartet – und in denen sich zeigt, ob eine Fahr-KI mit dem Unerwarteten umgehen kann.
Ein Beitrag von:
