Ein autonomes Auto ist auf eine präzise Fahrzeuglokalisierung angewiesen. Doch gerade in dicht bebauten Städten kann GPS unzuverlässig werden oder zeitweise ganz ausfallen. Forscher haben nun ein Navigationsverfahren getestet, das bekannte Straßenverläufe, zurückgelegte Distanzen und einzelne Landmarken kombiniert. Auf der untersuchten Strecke blieb die Position dadurch auch ohne laufende Satellitenaktualisierung auf wenige Meter genau bestimmbar.
Für Menschen reicht beim Autofahren meist eine grobe Vorstellung davon, auf welcher Straße sie sich befinden. Eine autonome Navigation braucht deutlich präzisere Informationen. Das Fahrzeug muss kontinuierlich wissen, welche Position es auf einer digitalen Karte einnimmt, damit Fahrspur, Abzweigungen, Kreuzungen und geplante Bewegungen miteinander übereinstimmen. Häufig liefert ein Global Navigation Satellite System, kurz GNSS, dafür die globale Position. GPS ist das bekannteste dieser Satellitensysteme. In Straßenschluchten zwischen hohen Gebäuden entsteht jedoch ein grundsätzliches Problem. Signale können abgeschattet, reflektiert oder verzögert eintreffen. Dadurch kann eine berechnete Position springen oder langsam von der tatsächlichen Lage abweichen. Genau an diesem Punkt setzt ein Team um Sagar Dasgupta und Mizanur Rahman von der University of Alabama an. Statt den Satellitenempfang einfach durch immer mehr Sensorik zu ersetzen, nutzt das Verfahren zusätzliche Informationen, die bei einer bekannten Route ohnehin vorhanden sind.
Die Grundidee wirkt zunächst überraschend einfach. Ein Auto, dessen vorgesehener Straßenverlauf bekannt ist, kann sich nicht beliebig in alle Richtungen bewegen. Seine mögliche Position wird durch die Route stark eingeschränkt. Das System berechnet deshalb fortlaufend, welche Strecke das Fahrzeug seit dem vorherigen Zeitschritt zurückgelegt hat und verschiebt seine Position entsprechend entlang der bekannten Straße. Einzelne Landmarken dienen anschließend als feste Korrekturpunkte. Die im Fachjournal veröffentlichte Studie zur Fahrzeuglokalisierung vergleicht dafür zwei Verfahren zur Schätzung der zurückgelegten Distanz, einen Kalman-Filter und ein neuronales LSTM-Modell. Beide Varianten erreichten auf der vollständigen Teststrecke eine vergleichbare Genauigkeit. Entscheidend war weniger das einzelne Rechenverfahren als die Kombination aus GIS, Straßenbindung und Landmarken.
Das Kernproblem sogenannter Koppelnavigation ist das Aufsummieren kleiner Fehler. Wenn ein System aus Geschwindigkeit, Beschleunigung oder anderen Bewegungsdaten immer wieder die nächste Position berechnet, geht jede kleine Messabweichung in den folgenden Schritt ein. Über längere Zeit kann daraus ein großer Positionsfehler entstehen. Im Experiment lag der mittlere Fehler einer unbeschränkten Koppelnavigation bei 32,63 Metern. Bereits die Beschränkung auf die bekannte Straßenroute verringerte ihn auf 22,06 Meter. Landmarkenkorrekturen allein reduzierten den Wert auf 6,05 Meter. Erst die Kombination beider Informationsquellen brachte den Fehler auf rund 3,45 Meter. Der Kalman-Filter erreichte bei der Schätzung einzelner Wegschritte einen mittleren absoluten Fehler von 0,0148 Metern, während das LSTM-Modell auf 0,0213 Meter kam. Für die vollständige Kartenposition waren beide Verfahren mit 3,45 beziehungsweise 3,41 Metern nahezu gleichauf. Genau diese stufenweise Verbesserung zeigt, welche Teile des Systems tatsächlich den größten Beitrag leisten.
Landmarken übernehmen in diesem Konzept eine ähnliche Funktion wie markante Orientierungspunkte für einen Menschen. Das können eindeutig einem Ort zuordenbare Ereignisse entlang einer bekannten Route sein. Sobald ein solcher Punkt erkannt und richtig zugeordnet wird, lässt sich der bis dahin angesammelte Positionsfehler korrigieren. Die Forscher testeten deshalb auch, was passiert, wenn ein Landmarkenereignis zeitlich verschoben oder falsch zugeordnet wird. Das Ergebnis zeigt, dass nicht nur das Vorhandensein solcher Punkte entscheidend ist. Ihre korrekte Identifikation und der richtige Zeitpunkt der Korrektur bestimmen wesentlich die Qualität der Fahrzeuglokalisierung. Die Forschungsgruppe arbeitet im Umfeld des National Center for Transportation Cybersecurity and Resiliency. Ein TraCR-Projekt zur zuverlässigen autonomen Fahrzeugnavigation untersucht ausdrücklich, wie Positionierungssysteme auch bei gestörten oder angegriffenen Satellitendiensten stabil bleiben können. Damit bekommt ein technisches Alltagsproblem zugleich eine Sicherheitsdimension.
GNSS-Empfänger bestimmen ihre Position aus Signalen mehrerer Satelliten. Dafür ist eine möglichst freie Sicht zum Himmel günstig. Hohe Gebäude verändern diese Bedingungen. Ein Signal kann auf Fassaden reflektiert werden und über einen längeren Weg beim Empfänger ankommen. In Tunneln, Parkhäusern oder stark abgeschatteten Straßen kann der Empfang vollständig abbrechen. Für klassische Navigationsgeräte ist ein kurzzeitiger GPS-Ausfall meist nur lästig, weil das Auto anschließend wieder auf die richtige Straße gesetzt werden kann. Bei einem autonomen Auto gehört die Positionsinformation dagegen zu den Grundlagen der Fahrentscheidung. Deshalb kombinieren moderne Systeme unterschiedliche Sensoren und Karteninformationen. Dass selbstfahrende Systeme bereits auf öffentlichen Straßen große Datenmengen sammeln, zeigt auch eine Auswertung von 50 Millionen fahrerlosen Kilometern. Je mehr Verantwortung die Maschine übernimmt, desto wichtiger wird eine Navigation, die nicht von einer einzigen Informationsquelle abhängt.
Interessant ist auch der Vergleich der beiden Verfahren zur Distanzschätzung. Ein Kalman-Filter ist ein klassisches mathematisches Werkzeug, das Messungen und ein Bewegungsmodell miteinander kombiniert und dabei Unsicherheiten berücksichtigt. Das LSTM gehört dagegen zu neuronalen Netzen, die zeitliche Abfolgen lernen können. Beim einzelnen Wegschritt schnitt der Kalman-Filter in dieser Untersuchung etwas besser ab. Die Differenz war klein, zeigt aber, dass ein komplexeres KI-Modell nicht automatisch die beste Lösung sein muss. Entscheidend ist die gesamte Systemarchitektur. Sobald Kartenbindung und Landmarken hinzukommen, liegen beide Varianten bei der vollständigen Kartenposition fast gleichauf. Für technische Systeme ist das wichtig, weil klassische Filter häufig weniger Rechenleistung benötigen und ihr Verhalten leichter nachvollziehbar ist. Die Forschung zu Sicherheit und Zukunft des autonomen Fahrens hängt deshalb nicht allein an immer leistungsfähigeren KI-Modellen, sondern ebenso an robusten und überprüfbaren Verfahren.
Die Ergebnisse bedeuten nicht, dass autonome Fahrzeuge künftig auf GPS oder andere Umgebungssensoren verzichten können. Untersucht wurde ein Verfahren zur Aufrechterhaltung der Position entlang einer bekannten Route, wenn GNSS-Positionsaktualisierungen fehlen. Ein reales autonomes Fahrzeug muss zusätzlich Fahrspuren, andere Autos, Fußgänger, Verkehrszeichen und unvorhersehbare Hindernisse erkennen. Auch Landmarken können falsch identifiziert werden oder sich verändern. Baustellen, neue Straßenführungen und fehlerhafte Kartendaten bleiben mögliche Fehlerquellen. Die Studie zeigt deshalb vor allem eine zusätzliche Sicherheitsebene. Statt nach einem GPS-Ausfall ausschließlich auf fortlaufende Koppelnavigation zu vertrauen, wird die mögliche Bewegung durch die Straße eingeschränkt und immer wieder an bekannten Punkten korrigiert. Das ist besonders attraktiv, weil dafür keine lückenlose Reihe neuer externer Sender notwendig ist. Das Auto nutzt gewissermaßen das Wissen darüber, wo eine Straße verläuft, um die eigene Positionsschätzung physikalisch plausibel zu halten.
Der neue Ansatz passt zu einem grundlegenden Prinzip sicherheitskritischer Technik: Eine einzelne Informationsquelle sollte nicht allein darüber entscheiden, wo sich ein System befindet. Satellitennavigation ist präzise und global verfügbar, besitzt aber bekannte Schwächen. Inertialsensoren funktionieren ohne externe Signale, sammeln dafür mit der Zeit Fehler an. Kameras und andere Umgebungssensoren liefern lokale Informationen, können jedoch von Wetter, Beleuchtung oder verdeckten Merkmalen beeinflusst werden. Digitale Karten und Landmarken besitzen wiederum den Vorteil, dass sie die Menge möglicher Positionen stark begrenzen. Die neue Studie zeigt, wie wirkungsvoll diese relativ einfachen Randbedingungen sein können. Ein mittlerer Fehler von mehr als 30 Metern schrumpfte durch Route und Landmarken auf wenige Meter. Damit ist die Methode noch keine alleinige Lösung für autonomes Fahren, aber sie macht deutlich, dass robuste Navigation nicht zwingend bedeutet, einen ausgefallenen Sensor eins zu eins zu ersetzen. Oft reicht es, vorhandene Informationen so miteinander zu kombinieren, dass ihre unterschiedlichen Schwächen sich gegenseitig auffangen.
Scientific Reports, GIS and landmark-aided autonomous vehicle localization for navigation continuity in urban corridors; doi:10.1038/s41598-026-70368-x