Waymos Co-CEO hat die bislang deutlichste öffentliche Begründung dafür geliefert, warum Kameras allein ein Auto nicht zur vollen Autonomie bringen. Bei der Startup School von Y Combinator argumentierte Dmitri Dolgov, dass das, was er schwache Erfassung nennt, an eine Leistungsgrenze deutlich unterhalb der Zuverlässigkeit stößt, die ein unbeaufsichtigtes fahrerloses Fahrzeug benötigt — und dass sich diese Lücke nicht mit mehr Trainingsdaten schließen lässt.

Das Argument, und warum es nicht das naheliegende ist

Der intuitive Einwand gegen Lidar lautet, dass Menschen mit zwei Augen und ohne Laserscanner fahren, Kameras also im Prinzip ausreichen müssten. Dolgovs Antwort darauf: Dass es eine menschliche Lösung gibt, verpflichtet einen Ingenieur nicht dazu, deren Architektur zu kopieren. Menschen bringen zudem ein allgemeines Weltmodell mit, über das kein heutiges System verfügt.

Sein Rahmen ist das Problem der Neunen. Ein Fahrsystem von 90 % auf 99 % Zuverlässigkeit zu bringen, ist vergleichsweise einfach; von 99 % auf 99,99 % zu kommen, ist eine Aufgabe anderer Größenordnung — und genau dieser letzte Abschnitt entscheidet darüber, ob man den Fahrer weglassen kann. Ein rein kamerabasierter Stack ergibt seiner Darstellung nach ein hervorragendes Assistenzprodukt, bleibt aber vor der Zahl an Neunen stehen, die ein unbeaufsichtigter Betrieb verlangt.

Die zwei Beispiele, die er mitgebracht hat

Dolgov stützte seine Argumentation auf Situationen, in denen die Kamera überhaupt kein Signal hat, statt auf Abstraktionen. In einem Staubsturm zeigt das Kamerabild fast nichts, während das Lidar hindurchdringt und einen am Straßenrand stehenden Fußgänger auflöst. Und er zeigte ein Waymo-Fahrzeug mit verdeckter Windschutzscheibe, das allein mit Lidar und Radar sicher zum Depot zurückfuhr — ohne jede nutzbare Kamerasicht.

Genau darum geht es bei der Sensorfusion, wie Waymo sie betreibt: nicht darum, dass Lidar bei guten Bedingungen besser sieht als eine Kamera, sondern darum, dass Kameras, Lidar und Radar unterschiedliche Fehlerbilder haben — eine Bedingung, die das eine System blind macht, lässt die anderen weiterarbeiten.

Sensor Liefert Versagt bei
Kameras Hohe Auflösung, Farbe, Text und Signale Dunkelheit, Blendung, Staub, starker Niederschlag
Lidar Direkte 3D-Struktur und Entfernung Kosten, manche spiegelnden Oberflächen
Radar Vorhandensein und Geschwindigkeit von Objekten Geringe Auflösung, begrenzte Klassifizierung

Die Zahlen hinter der Behauptung

Waymo hat mehr als 220 Millionen vollständig autonome Meilen auf öffentlichen Straßen zurückgelegt und ist nach eigenen veröffentlichten Sicherheitszahlen in 94 % weniger Unfälle mit schweren oder tödlichen Verletzungen verwickelt als menschliche Fahrer in denselben Gebieten. TeslAnt hat die unabhängige Einordnung dieser Bilanz in der IIHS-Studie zur Unfallrate von Waymo behandelt.

Tesla ist die Gegenposition, und das weiß jeder, auch wenn Dolgov seine Argumentation über die Architektur führte und nicht über den Namen des Unternehmens. Teslas Wette lautet: Kameras plus ein ausreichend gutes neuronales Netz reichen aus, Lidar ist eine teure Krücke, und Flottengröße schlägt Sensorredundanz. Teslas eigener Robotaxi-Dienst fährt derzeit mit einem Sicherheitsbegleiter auf dem Vordersitz — das ist der praktische Maßstab dafür, wo diese Wette heute steht.

Warum das in Europa wichtig ist

Die europäische Typgenehmigung und die nationalen Zulassungen für den fahrerlosen Betrieb werden gerade jetzt geschrieben, und Aufsichtsbehörden, die ein Waymo-Argument zur Sensorredundanz lesen, bekommen damit einen technischen Maßstab in die Hand, auf den sie verweisen können. Wenn „nur Kameras” zu dem Punkt wird, den eine Genehmigungsbehörde begründet sehen will, prägt das, welche Systeme hier eingesetzt werden können und wann — unabhängig davon, welche Architektur sich am Ende als die richtige erweist.