Intelligente Autos retten noch immer nicht Fußgänger

Im Jahr 2024 wurden 7.080 Fußgänger getötet und mehr als 71.000 verletzt auf amerikanischen Straßen. Die Zahl der getöteten Radfahrer erreichte ihren höchsten Stand seit mindestens 1980. Die Gesamtzahl der Verkehrstoten sank unter 40.000, zum ersten Mal seit 2020. Doch fast alle Fortschritte profitierten den Insassen von Fahrzeugen. Fußgänger und Radfahrer sterben immer noch in nahezu historischen Zahlen.

Diese Lücke ist die Geschichte. Fahrerassistenzsysteme haben die Zahl der Todesfälle von Insassen in den letzten zehn Jahren messbar reduziert. Sie haben jedoch nicht das gleiche für verletzliche Verkehrsteilnehmer erreicht, und der Grund liegt in der Sichtlinie, nicht im Fahrverhalten. Ein auf dem Fahrzeug montierter Sensor ist durch die Geometrie des Fahrgestells eingeschränkt. Die Orte, an denen Fußgänger und Radfahrer am meisten gefährdet sind, sind genau die Orte, an denen die Onboardsensoren strukturell am schwächsten sind. Verdeckte Kreuzungen. Mittlere Querungen. Blinde Ecken. Schulzonen, in denen ein Kind zwischen geparkten Autos tritt. Diese Einschränkung gilt gleichermaßen für einen menschlichen Fahrer, der durch die Windschutzscheibe schaut, ein automatisches Bremssystem, das ein vorwärts gerichtetes Radar liest, und jedes zukünftige autonome System, das wir auf einem Fahrzeug installieren.

Für den größten Teil des letzten Jahrzehnts war die gesamte Konversation über vernetzte Fahrzeuge, autonome Mobilität und urbane Robotik eine Vehicle-to-Everything-(V2X)-Konversation. Die Idee ist, dass das Fahrzeug mit anderen Fahrzeugen, mit Straßenausrüstung, mit den Handys von Fußgängern und mit dem Netzwerk kommuniziert. Größere Sensorsuiten, bessere Modelle, mehr Onboard-Rechenleistung, mehr Redundanz – all dies konzentriert sich auf das Fahrzeug selbst. Diese Ausrichtung hat echte Fortschritte gebracht. Sie hat jedoch auch eine Decke für das, was die fahrzeugzentrierte Wahrnehmung für Fußgänger und Radfahrer tun kann, auferlegt.

Die nächste Phase dieser Arbeit hat eine andere Form. Nennen wir es Infrastructure-to-Everything (I2X). Die Kreuzung, die Straße und die umgebende Infrastruktur nehmen wahr und prognostizieren im Namen dessen, was sich durch sie bewegt. I2X ist die schwierigere Hälfte des Problems. Es ist auch der Ort, an dem der Sicherheitsfall endlich abgeschlossen wird.

V2X hat eine Sicherheitsdecke, und wir stoßen jetzt dagegen

Der fahrzeugzentrierte Ansatz war für Investoren, Automobilhersteller und Aufsichtsbehörden auf eine Weise lesbar, die die Infrastruktur nicht war. Der Fortschritt kann anhand von Sensoren, Modellparametern und Unterbrechungsraten gemessen werden. Er passt ordentlich in eine Präsentation. Der V2X-Stack hat sich entsprechend entwickelt. Zellulare V2X-Standards sind real, Straßeneinheiten sind in Dutzenden von Korridoren eingesetzt, und große Automobil- und Technologieunternehmen investieren ernsthaftes Kapital in kooperative Wahrnehmungsplattformen.

Dieses Kapital hat echte Gewinne produziert, wiederum vor allem für die Insassen von Fahrzeugen. Es hat die Lücke für verletzliche Verkehrsteilnehmer nicht geschlossen, und die Forschungsgemeinschaft ist zunehmend klar darüber, warum. Eine aktuelle empirische Studie zu V2X-kooperativen Wahrnehmungssystemen identifiziert sechs wiederkehrende Fehlermuster in Einzelagenten-Autonomesystemen, die meisten davon wurzeln in der gleichen Einschränkung: Ein Fahrzeug kann nicht über seine Sichtlinie hinaus wahrnehmen. Verdeckungen, nicht in Sichtlinie liegende Kreuzungen, Wetterverschlechterung, Randfälle, die nicht im Trainingsdatensatz erschienen. Separate Forschung, die sich auf die Sicherheit von Fußgängern und Radfahrern konzentriert, kommt aus einer anderen Perspektive zu dem gleichen Schluss: Die Lokalisierung von Fußgängern und Radfahrern ist der Ausfallmodus, den Fahrzeugsensoren strukturell schlecht lösen können.

Mehr LiDAR hilft. Mehr Radar hilft. Bessere Modelle helfen. Keines davon ändert die zugrunde liegende Geometrie. Ein auf dem Fahrzeug montierter Sensor wird immer von Sichtlinien-Einschränkungen begrenzt, und die Sichtlinie wird schlechter, je dichter die Stadt ist. Die Orte, an denen wir Autonomie am sichersten benötigen, sind genau die Orte, an denen die fahrzeugzentrierte Wahrnehmung strukturell am schwächsten ist.

I2X kehrt die Polarität um

Infrastructure-to-Everything beginnt mit einer anderen Prämisse. Die Straße, die Kreuzung, die Straße und die umgebende Infrastruktur sind nicht passive Oberflächen, die darauf warten, wahrgenommen zu werden. Sie werden zu aktiven Intelligenzschichten, die wahrnehmen, interpretieren und Bedingungen nach außen übertragen. Ein Fahrzeug, das eine verdeckte Kreuzung nähert, muss nicht selbst um die Ecke schauen. Die Ecke schaut für es. Ein Lieferroboter, der auf einem Gehweg arbeitet, muss nicht vorhersagen, dass ein Fußgänger hinter einem geparkten Lastwagen steht. Der Straßenlaternenmast weiß bereits, dass der Fußgänger dort ist.

Dies ist die Seite des Problems, an der wir bei Surge arbeiten. Unsere Einrichtungen sind LiDAR-Edge-Perceptions-Knoten, die an bestehender städtischer Infrastruktur montiert sind: Straßenlaternen, Signal Köpfe und Dächer. Keine Kameras, keine Bilder und keine persönlich identifizierbaren Daten, die zum Zeitpunkt der Wahrnehmung erfasst werden. Wir nennen die Positionierung “Anonym durch Physik”, weil LiDAR Bewegung und Geometrie erfasst, nicht Gesichter, Nummernschilder oder Identität. Die Ausgabe ist ein Echtzeit-Stream von Ort, Geschwindigkeit und Traektorie. Dieser Stream ist nützlich für einen Stadtverkehrsingenieur, ein autonomes Fahrzeug-Stack, einen Logistik-Router und einen Sicherheitsforscher, alles auf einmal von einem einzigen Sensor-Fußabdruck.

Zwei Design-Entscheidungen sind wichtig für den Sicherheitsfall. Die erste ist, dass die Infrastrukturwahrnehmung standardmäßig mehrere Mieter hat. Ein auf dem Fahrzeug montierter Sensorsatz ist punkt-zu-punkt und dient einem Kunden gleichzeitig. Ein LiDAR-Knoten auf einem Straßenlaternenmast dient jedem Fahrzeug, jedem Drohnen und jeder Fußgängersicherheitsanwendung, die die Daten benötigt, gleichzeitig. Die Ökonomie sieht mehr wie ein Funkturm aus als wie ein Ölbohrloch. Die zweite ist, dass die Abdeckung auf Korridorebene wichtiger ist als die Abdeckung auf Kreuzungsebene. Isolierte Knoten sind nützlich. Vernetzte Korridore sind verteidigbar, weil die Sicherheit von Fußgängern, die Schulung autonomer Fahrzeuge und die Notfallreaktion alle von Kontinuität abhängen, nicht von Momentaufnahmen.

Echtzeitwahrnehmung ist der Boden. Prognose ist die Decke.

Die tiefere Chance liegt nicht in der Echtzeit-Schicht. Echtzeitwahrnehmung löst die offensichtlichen Sicherheitsfälle, und das allein ist wertvoll. Die tiefere Entsperrung kommt, wenn KI-Modelle auf kontinuierlichen Infrastruktur-Daten über Monate und Jahre trainieren, anstatt auf episodischen Momentaufnahmen, die Fahrzeuge erfassen.

Fahrzeugdaten sind von Natur aus spärlich und diskontinuierlich. Ein Auto passiert eine Kreuzung höchstens ein paar Mal am Tag. Es sieht einen Ausschnitt. Ein Infrastrukturknoten beobachtet die gleiche Kreuzung 24 Stunden am Tag, jeden Tag, über Jahre hinweg. Es sieht die vollständige Verteilung. Der gleiche Ort während der Rushhour, Stürme, Bauarbeiten, Ausfälle, Ereignisse und saisonale Verschiebungen. Das ist eine grundlegend andere Art von Trainingsdaten, und sie produziert ein grundlegend anderes Modell.

Wenn diese Daten ansammeln, hört das System auf, reaktiv zu sein, und wird vorhersagbar. Der Gangmuster eines Menschen, der auf die Straße treten wird, ohne zu schauen. Das Verzögerungsprofil eines Fahrzeugs, das ein rotes Licht überfahren wird. Die Konvergenzgeometrie, die einem Beinaheunfall zwischen einem abbiegenden Bus und einem Fahrrad im Fahrradweg vorausgeht. Das sind Vorläufer-Signale. Sie sind statistisch beobachtbar. Sie existieren nicht in Unfallberichten, weil sie keine Unfälle sind. Sie sind Vorläufer-Ereignisse und treten in einer Größenordnung häufiger auf als Unfälle selbst. Unfälle sind statistisch spärlich. Beinaheunfälle sind reichlich. Infrastruktursysteme beobachten die Vorläufer-Verhaltensweisen, die Unfall-Datenbanken nie erfassen. Ein Fahrzeug, das eine Kreuzung passiert, wird sie nie im großen Maßstab sehen. Infrastruktur, die an der Kreuzung lebt, sieht sie ständig.

Das ist die eigentliche Sicherheitsentsperrung. Die Verheißung der vernetzten Mobilität war immer, dass wir vor einem Unfall eingreifen könnten, nicht nach. Onboardsensoren plus reaktive Fahrzeug-zu-jedem-Kommunikation bringen uns teilweise dorthin. Eine vorhersagbare Schicht, die auf kontinuierlichen, multimodalen, infrastruktur-residenten Daten trainiert ist, bringt uns den Rest des Weges. Die gleiche Logik gilt auf der Energie-Seite, wo Unternehmen wie HEVO zeigen, dass vollständig autonome Flotten Infrastruktur benötigen, um sowohl Energie als auch Wahrnehmung zu liefern. Anderer Bereich, gleicher Schluss: Die Welt muss Arbeit leisten, die das Fahrzeug allein nicht tun kann.

Ein Nervensystem für die urbane Umgebung

Wenn man von jeder einzelnen Einrichtung zurücktritt, baut diese Arbeit im Grunde etwas auf, das Städte noch nie wirklich hatten: ein Nervensystem. Städte haben bereits Beton, Stahl, Stromnetze und Glasfaser. Was ihnen fehlt, ist eine Schicht, die in Echtzeit über die physische Umgebung hinweg wahrnimmt, sich erinnert und prognostiziert.

I2X ist diese Schicht. Ein LiDAR-Knoten auf einem Straßenlaternenmast funktioniert wie ein sensorischer Neuron. Edge-Rechenleistung verhält sich wie ein lokaler Reflex, der schnell genug ist, um ohne zentrale Systeme zu handeln. Im Laufe der Zeit baut ein Netz von Knoten institutionelles Gedächtnis auf städtischer Ebene auf: Wie Kreuzungen sich verhalten, wo Beinaheunfälle auftreten, wie Flüsse sich während Stürme, Ausfälle, Bauarbeiten oder Notfälle ändern.

Die Anwendungen folgen natürlich. Eine Fußgängersicherheitswarnung in einer Schulzone ist ein Reflex. Eine Anpassung der Verkehrsampel basierend auf beobachteter Fluss ist eine gelernte Reaktion. Eine vorhersagbare Routenempfehlung für ein Notfahrzeug hängt von beiden ab: Wahrnehmung und Gedächtnis. Logistik, Notfallmanagement, Klimaresilienz und autonome Fahrzeug-Schulung werden alle einfacher, wenn die Stadt ihre eigenen Operationen kontinuierlich beobachten und lernen kann. Der Punkt ist nicht, mehr Kameras oder Dashboards hinzuzufügen. Der Punkt ist, der städtischen Umgebung die Fähigkeit zu geben, die sie immer gefehlt hat: die Fähigkeit, in Echtzeit wahrzunehmen, sich zu erinnern und zu reagieren.

Infrastruktur ändert die Ökonomie der Autonomie

Wenn die Intelligenzschicht vom Fahrzeug zur Infrastruktur migriert, ändern sich die Ökonomie der Autonomie und der städtischen Operationen auf drei wichtige Weise.

Erstens hat die Kostenkurve der Onboard-Fahrzeug-Hardware endlich einen Ort, an den sie gehen kann. Heute wird jedes autonome Fahrzeug gebeten, das gesamte Wahrnehmungsproblem und den größten Teil des Sicherheitsproblems auf seinem Fahrgestell zu tragen. Deshalb sieht die Stückliste für ein autonomes Fahrzeug so aus, wie sie aussieht. Wenn die Infrastruktur die Wahrnehmung über die letzten hundert Meter und die Prognose darüber hinaus liefert, wird das Fahrzeug leichter, billiger und einfacher zu zertifizieren. Die gleiche Logik gilt für Drohnen, Gehweg-Roboter und jede andere autonome Form, die auf ihre Einheitsökonomie wartet.

Zweitens erweitert sich der adressierbare Markt für jede einzelne Infrastruktur-Einrichtung dramatisch. Ein LiDAR-Knoten auf einem Straßenlaternenmast, der einem Stadtverkehrs-Team, einem nationalen Logistik-Anbieter, einem autonomen Shuttle-Betreiber, einem Sicherheitsforscher und einem Versicherungs-Unternehmer dient, ist ein grundlegend anderes Asset als ein Sensor, der einem einzigen Mieter dient. Gemeinsame Infrastruktur verdient sich auf eine Weise, die Punktlösungen nicht tun.

Drittens wird die Finanzierungsgeschichte für das institutionelle Kapital, das historisch Häfen, Türme, Glasfaser und Versorgungsbetriebe finanziert hat, lesbar. Zwischen uns bringen wir operative Führung in der Einrichtung vernetzter Infrastruktur und mehr als zwei Jahrzehnte Erfahrung in der Infrastruktur-Projektfinanzierung in Unternehmen wie Integrated Roadways, Black & Veatch und Diode Ventures. Das Muster ist vertraut. Sobald eine Anlageklasse mehrere, vertraglich vereinbarte, langfristige Erträge aus einem einzigen physischen Fußabdruck produziert, sinkt der Kapitalkostensatz, die Laufzeit verlängert sich und der Ausbau beschleicht sich. Das ist der Moment, auf den wir mit intelligenter Infrastruktur zusteuern. Das Kapital hat auf Lesbarkeit gewartet, nicht auf die Technologie.

Die Straße lernt, zurückzudenken

Die harten Unfallzahlen werden nicht wesentlich sinken, bis wir aufhören, das Fahrzeug alle Arbeit tun zu lassen. Das Jahrzehnt der fahrzeugzentrierten Investitionen hat Standards, Einrichtungen und echte Gewinne für die Insassen von Fahrzeugen produziert. Es hat die Lücke für die Menschen, die am meisten den Konsequenzen von Fahrzeugen ausgesetzt sind, die falsch liegen, nicht geschlossen, und der strukturelle Grund liegt in der Geometrie des Problems.

Das nächste Kapitel ist infrastruktur-orientiert. Straßen, die wahrnehmen. Kreuzungen, die prognostizieren. Korridore, die lernen und eingreifen, bevor Unfälle auftreten. Fügen Sie die Energie-Seite später auf dem gleichen physischen Fußabdruck hinzu, und Sie haben die Grundlage für Autonomie als System und nicht als Produkt. Wichtiger noch, Sie haben Infrastruktur, die Städte für alles andere nutzen können, was sie in den letzten zwanzig Jahren zu lösen versucht haben.

V2X hat Fahrzeuge gelehrt, zu sprechen. I2X ist die Stadt, die lernt, zu fühlen, zurückzudenken und dann voranzudenken.