Das Testauto kann Verkehrsteilnehmer berücksichtigen, die seine eigenen Sensoren noch nicht erfassen. Ein Münchner Forschungsteam verbindet dafür das Fahrzeug mit zusätzlichen Beobachtungspunkten an der Straße. Aus den Messungen entsteht innerhalb von weniger als 100 Millisekunden ein gemeinsames Umgebungsbild. Der entscheidende Fortschritt liegt nicht in einer Kamera mit größerer Reichweite.
Ein Lieferwagen am Fahrbahnrand kann den Blick auf einen Fußgänger vollständig versperren. An einer Straßenecke verschwindet ein Radfahrer hinter einer Hauswand, obwohl seine Fahrbahn gleich die des Autos kreuzt. In solchen Situationen hilft auch eine besonders scharfe Kamera wenig, solange zwischen Objektiv und Verkehrsteilnehmer ein undurchsichtiges Hindernis steht. Das Testauto setzt deshalb an einer anderen Stelle an: Es soll nicht ausschließlich auf das angewiesen sein, was unmittelbar von seiner eigenen Position aus sichtbar ist. Für automatisiertes Fahren ist diese Unterscheidung grundlegend. Ein Hindernis zu erkennen, sobald es vor der Motorhaube auftaucht, ist etwas anderes, als seine Bewegung bereits vorher einschätzen zu können. Entscheidend sind dafür nicht nur zusätzliche Messwerte, sondern deren zuverlässige Einordnung in dieselbe Verkehrssituation. Ein Auto muss wissen, ob mehrere Beobachtungen tatsächlich denselben Menschen beschreiben und wie aktuell diese Informationen noch sind.
Die Technische Universität München stellte am 12. Oktober 2026 ein gemeinsam mit der BMW Group entwickeltes Verfahren vor, das genau diese Aufgabe übernimmt. Kameras, Radar und Lidar liefern Informationen aus dem Fahrzeug und aus der Straßeninfrastruktur. Ein Erprobungsort liegt an einer Kreuzung in Garching-Hochbrück. Dort entsteht kein isoliertes Bild aus der Perspektive des Fahrers, sondern eine gemeinsame Beschreibung des Verkehrsraums. Der Ansatz verbindet damit zwei bislang oft getrennt betrachtete Aufgaben: das Fahrzeug selbst ausreichend genau zu verorten und die übrigen Verkehrsteilnehmer in dessen Umgebung zu verfolgen. Erst wenn beides zusammenpasst, lassen sich aus einem erkannten Objekt sinnvolle Schlussfolgerungen für die eigene Fahrt ziehen. Die Zusammenarbeit mit einem Autohersteller ermöglicht dabei die Umsetzung in einem realen Versuchsfahrzeug, ersetzt aber noch keine umfassende Prüfung für den späteren Straßenverkehr.
Das Prinzip beruht auf unterschiedlichen Blickwinkeln. Ein Sensor an einer Ampel oder Schilderbrücke kann einen Bereich erfassen, der für das Auto gerade hinter einem anderen Fahrzeug liegt. Umgekehrt trägt das Auto Informationen aus Bereichen bei, die ein fest montierter Sensor nicht ausreichend überblickt. Die Software führt diese Beobachtungen zu einem digitalen Umgebungsmodell zusammen. Dabei werden nicht einfach mehrere Kamerabilder nebeneinandergelegt. Die verschiedenen Messungen müssen denselben Orten und Objekten zugeordnet werden, damit etwa ein Radfahrer nicht versehentlich als zwei Personen erscheint. Ebenso wichtig ist die zeitliche Abstimmung: Eine ältere Beobachtung darf nicht ohne Weiteres als gegenwärtige Position gelten. Der zusätzliche Blick entsteht also durch Kooperation zwischen Messstellen. Er ist kein Blick durch Metall oder Mauerwerk. Auch das vernetzte System benötigt mindestens eine brauchbare Beobachtung des zuvor verdeckten Bereichs, damit daraus belastbare Informationen entstehen können.
Die beteiligten Sensortypen liefern zudem unterschiedliche Arten von Informationen. Kameras beschreiben das Erscheinungsbild einer Szene, während räumliche Messverfahren ihre Geometrie ergänzen. Daraus muss ein gemeinsames Koordinatensystem entstehen, in dem die Fahrbahn, das eigene Auto und andere Verkehrsteilnehmer zusammenpassen. Bereits eine kleine Verschiebung kann bei eng beieinanderliegenden Fahrspuren einen Unterschied machen. Ein Punkt auf einem Bildschirm ist für die Fahrentscheidung nur dann hilfreich, wenn seine Position ausreichend verlässlich ist. Deshalb umfasst die technische Aufgabe sowohl die Erfassung als auch die Zuordnung und Bewertung der Daten. Die rechnerische Zusammenführung heißt Sensorfusion. Ihr Nutzen ergibt sich nicht automatisch aus einer möglichst großen Zahl angeschlossener Geräte. Mehr Messungen können auch mehr Widersprüche erzeugen. Entscheidend ist, welche Informationen sich gegenseitig bestätigen, welche gerade fehlen und welche wegen erkennbarer Fehler nicht in die gemeinsame Bewertung eingehen sollten.
Nach Angaben des Teams wird das gemeinsame Umgebungsbild innerhalb von weniger als 100 Millisekunden erzeugt und in einem Takt von 100 Millisekunden aktualisiert. Das entspricht zehn Aktualisierungen pro Sekunde. Warum diese Größenordnung relevant ist, zeigt eine einfache Rechnung: Ein Fahrzeug mit 50 Kilometern pro Stunde legt in einer Zehntelsekunde rund 1,4 Meter zurück. Diese Strecke ist kein gemessener Bremsweg des Prototyps, sondern ergibt sich allein aus Geschwindigkeit und Zeit. Sie macht deutlich, weshalb ein räumlich präzises, aber veraltetes Modell problematisch wäre. Aus der kurzen Verarbeitungszeit folgt allerdings nicht, dass das Fahrzeug in derselben Zeit vollständig zum Stillstand kommt. Zwischen Wahrnehmung und sicherem Anhalten liegen weitere Schritte, darunter die Fahrentscheidung, die Reaktion der Fahrzeugtechnik und die eigentliche Verzögerung. Der Messwert beschreibt deshalb die Verarbeitung des Umgebungsbildes und darf nicht als pauschale Reaktionszeit des gesamten Autos verstanden werden.
Zum Forschungsumfeld gehört eine auf arXiv veröffentlichte Arbeit zur kooperativen Lokalisierung, die bereits im Februar 2026 als Preprint erschien. Sie untersucht, wie gemeinsam genutzte Punktwolken die Positionsbestimmung in städtischen Bereichen mit unzuverlässigen GPS-Signalen unterstützen können. Dazu werden Daten aus Fahrzeugen und von Kreuzungen mit einem Verfahren verbunden, das gleichzeitig die Umgebung kartiert und die eigene Position bestimmt. Diese Aufgabe wird als SLAM bezeichnet. Für das Testauto ist der Zusammenhang unmittelbar: Eine präzise Beobachtung von außen nutzt wenig, wenn sie gegenüber der tatsächlichen Fahrzeugposition verschoben eingeordnet wird. Umgekehrt kann die bekannte Geometrie der Umgebung dabei helfen, die Position des Autos zu korrigieren. Die ältere Arbeit behandelt einen Baustein dieser Zusammenarbeit und ist nicht mit einem eigenständigen Nachweis gleichzusetzen, dass das gesamte System bereits unter sämtlichen Straßenbedingungen sicher funktioniert.
Die zusätzlichen Beobachtungspunkte sollen nicht blind übernommen werden. Das Münchner Team beschreibt, dass beeinträchtigte Sensoren aus dem Gesamtmodell ausgeschlossen werden können, etwa bei Verschmutzung, Verdeckung oder fehlerhafter Ausrichtung. Darin liegt ein wesentlicher Unterschied zwischen bloßer Vernetzung und einer brauchbaren gemeinsamen Wahrnehmung. Eine zusätzliche Kamera erhöht die Sicherheit nicht, wenn ihre Angaben falsch eingeordnet werden. Besonders kritisch wäre ein scheinbar präziser Messwert, dessen Unsicherheit im weiteren Rechenweg verloren geht. Für eine spätere Anwendung ist deshalb zu unterscheiden, ob ein Bereich tatsächlich frei ist oder lediglich nicht zuverlässig beobachtet werden konnte. Beides darf nicht dieselbe Fahrentscheidung auslösen. Die Veröffentlichung der Hochschule beschreibt die Verarbeitung solcher Probleme, liefert jedoch keine allgemeingültige Garantie für jeden möglichen Sensorfehler. Für den praktischen Einsatz müsste nachvollziehbar geprüft werden, wie das Gesamtsystem reagiert, sobald wichtige Informationen fehlen oder sich einzelne Quellen widersprechen.
Ein weiterer Anwendungsfall sind Baustellen. Dort können Fahrspuren versetzt, verengt oder vorübergehend anders geführt werden, während eine gespeicherte Karte noch den vorherigen Zustand beschreibt. Zusätzliche Beobachtungen aus der Infrastruktur könnten helfen, die tatsächlich befahrbaren Bereiche laufend zu ergänzen. Das Testauto würde dann nicht nur ein Hindernis erkennen, sondern auch Informationen darüber erhalten, wie der Verkehrsraum momentan organisiert ist. Diese Unterscheidung ist wichtig: Eine Absperrung allein erklärt noch nicht, welche Ausweichspur gültig ist und wie entgegenkommende Fahrzeuge geführt werden. Allerdings setzt auch dieser Nutzen eine geeignete technische Ausstattung am jeweiligen Ort voraus. Ein erfolgreich instrumentierter Versuchsknoten lässt sich nicht mit einer flächendeckend ausgestatteten Straßenlandschaft gleichsetzen. Der Ansatz zeigt vielmehr, welche zusätzlichen Informationen eine entsprechend ausgerüstete Umgebung bereitstellen könnte. Wie aufwendig deren Aufbau, Wartung und zuverlässiger Betrieb ausfallen, bleibt eine eigene praktische Frage.
Die erweiterte Wahrnehmung löst zunächst ein konkretes technisches Problem und nicht sämtliche Schwierigkeiten automatisierten Fahrens. Neben der Erkennung muss ein Fahrzeug das Verhalten anderer Verkehrsteilnehmer richtig berücksichtigen. Dass sich Menschen gegenüber solchen Fahrzeugen nicht immer unverändert verhalten, zeigen auch Untersuchungen zum Abstand hinter autonomen Autos im realen Verkehr. Eine umfassende Sicherheitsbewertung müsste deshalb mehr erfassen als die Qualität eines digitalen Umgebungsmodells. Für den Münchner Prototyp sind mit der aktuellen Mitteilung weder eine bestimmte Verringerung der Unfallzahlen noch eine allgemeine Freigabe für fahrerlosen Betrieb belegt. Seine Stärke liegt an einer klar umrissenen Stelle: Informationen können aus einer anderen Perspektive zum Fahrzeug gelangen, bevor dessen eigene Sensoren freie Sicht haben. Damit wird die Sichtgrenze des einzelnen Autos verschoben, nicht die Notwendigkeit vorsichtiger und überprüfbarer Fahrentscheidungen aufgehoben.
arXiv, Beyond the Vehicle: Cooperative Localization by Fusing Point Clouds for GPS-Challenged Urban Scenarios; doi:10.48550/arXiv.2602.03908