8 Automatisiertes Fahren

8.1 Automatisierte PKWs

Synonyme

Automatisiertes Fahrzeug (AV - Automated Vehicle), gemeinsam genutzte automatisierte Fahrzeuge (SAVs - Shared Automated Vehicles), privat genutzte automatisierte Fahrzeuge (PAV)

Definition

Das Potenzial von automatisierten Autos ist groß - für die Gesellschaft, für die Sicherheit und für den Wirtschaftsstandort Europa. Für die Gesellschaft liegt die Chance darin, ältere oder behinderte Menschen besser zu integrieren und den Menschen die Möglichkeit zu geben, die Zeit während der Fahrt produktiv oder zur Erholung zu nutzen. Automatisierte Taxis oder Busse können so kostengünstig fahren, dass auch ländliche Gebiete besser erschlossen werden können. Der Verkehr läuft reibungsloser und Güter können rationeller und umweltfreundlicher transportiert werden. Je nach Automatisierungsgrad könnte auch die Zahl der Unfälle weiter reduziert werden, denn 90 % aller Unfälle sind auf menschliches Versagen zurückzuführen. Dieser Prozess wird jedoch lange dauern, denn konventionelle und automatisierte Fahrzeuge werden noch viele Jahre im Mischverkehr unterwegs sein. Ausfälle von technischen Systemen oder Fehleinschätzungen von Verkehrssituationen müssen vermieden werden, daher ist die Entwicklung der besten Technologie für automatisiertes Fahren immens wichtig. Laut Umfragen in Deutschland glauben derzeit jedoch 45 % der Autofahrer:innen nicht an die Zuverlässigkeit der Fahrzeugtechnik oder haben Angst vor Hackern (Rudschies & Kroher, 2020).

Die Automatisierungsgrade werden derzeit in 5 Stufen eingeteilt (Paulsen, 2018):

Erste Stufe: Assistiertes Fahren
Einzelne Assistenzsysteme unterstützen bei bestimmten Fahraufgaben. Assistiertes Fahren ist bereits heute in vielen Autos Realität (automatische adaptive Geschwindigkeitsregelung und automatischer Spurhalteassistent).

Zweite Stufe: Teilautomatisiertes Fahren
Beim teilautomatisierten Fahren kann das Auto/LKW einige Aufgaben zeitweise selbst erledigen - ohne menschliches Zutun. Dazu werden verschiedene Einzelsysteme miteinander kombiniert - in diesem Fall der automatische Abstandsregeltempomat mit dem Notbrems- und Spurhalteassistenten. Weitere Funktionen der Stufe 2 (Überholassistent, automatisches Einparken)

Dritte Stufe: hochautomatisiertes Fahren
Hochautomatisierte Pkw/LKW (Stufe 3) können bestimmte Fahraufgaben automatisiert und ohne menschliches Eingreifen ausführen, allerdings nur für einen begrenzten Zeitraum und unter geeigneten, vom Hersteller festgelegten Bedingungen. Autos der Stufe 3 werden wahrscheinlich zuerst auf Autobahnen unterwegs sein: Dort gibt es keinen Gegenverkehr, die Fahrbahnmarkierungen sind in der Regel in Ordnung, und die Straßen werden kontinuierlich als digitale Karten aufgezeichnet. Seit 2017 gibt es auch in Deutschland einen gesetzlichen Rahmen für Level-3-Autos: Sobald Fahrer:innen das Auto in den hochautomatisierten Modus versetzen, dürfen sie die Aufmerksamkeit vom Straßenverkehr abwenden. Das bedeutet, dass die Fahrer:innen die Zeitung lesen darf. Wenn das System jedoch ein Problem erkennt und ein Signal sendet, muss sofort das Steuer übernommen werden.

Vierte Stufe: Vollautomatisiertes Fahren
In den Entwicklungsabteilungen der großen Autokonzerne, aber auch bei Apple, Google oder Uber, arbeiten Ingenieure und Informatiker mit Hochdruck an der Vollautomatisierung des Autos, also an Stufe 4 auf dem Weg zum vollautomatisierten Fahren. In dieser Stufe übernehmen die technischen Systeme alle Fahraufgaben automatisch, und das Auto kann auch längere Strecken ohne Eingreifen zurücklegen. Bislang gibt es jedoch noch keinen rechtlichen Rahmen für vollautomatisierte Fahrzeuge.

Fünfte Stufe: Autonomes Fahren
Die fünfte Stufe ist die letzte Stufe des automatisierten Fahrens. Das Auto wird nun vollständig vom System gesteuert und führt alle notwendigen Aufgaben automatisch aus. Selbst komplexe Situationen - wie das Überqueren einer Kreuzung, das Durchfahren eines Kreisverkehrs oder das richtige Verhalten an einem Zebrastreifen - können vom autonomen Auto bewältigt werden.

Bislang gibt es jedoch keinen rechtlichen Rahmen für automatisierte Fahrzeuge. Deshalb sind die Rechte und Pflichten der Hersteller der Autos/LKWs, der Softwareentwickler und der Versicherungen im automatisierten Betrieb noch völlig unklar. Die ADAC-Experten schlagen statt 5 Stufen nur 3 Betriebsmodi vor (Paulsen, 2018), wobei das Auto uns im Moment noch unterstützt (1. Betriebsmodus), bald selbst fährt (2. Betriebsmodus) und in Zukunft fahrerlos (3. Betriebsmodus). Sie können wie folgt beschrieben werden:

Erster Modus: Unterstütztes Fahren
Fahrer:innen sind immer und zu jeder Zeit für das Fahren verantwortlich. Das Fahrzeug hält so weit wie möglich die Spur, bremst und beschleunigt. Aber: Rückmeldungen sind nicht zwingend erforderlich und ein plötzliches Anhalten ist jederzeit möglich.

Zweiter Modus: Automatisiertes Fahren
Das Fahrzeug fährt nur in dem vom Hersteller festgelegten Anwendungsfall (z. B. Stop-and-Go im Stau) selbst. Fahrer:innen können sich vorübergehend von der Fahraufgabe und der Verkehrssituation abwenden. Eine Nebentätigkeit ist möglich. Fahrer:innen haften nur, wenn sie der Aufforderung zur Übernahme des Fahrzeugs nicht nachgekommen sind.

Dritter Modus: Autonomes Fahren
Fahrer:innen werden zu Beifahrer:innen, oder das Fahrzeug kann ohne Insassen betrieben werden. Der autonome Modus kann auf bestimmte Strecken beschränkt werden. Bediener:innen (nicht die Fahrer:innen) müssen das Fahrzeug ständig überwachen, um auf Betriebsprobleme (platte Reifen usw.) reagieren zu können.
In einer Prognose zur Einführung von Automatisierungsfunktionen in der Pkw-Flotte bis 2050 in Deutschland werden 3 verschiedene Automatisierungsfunktionen betrachtet, die aufeinander aufbauen (Altenburg et al., 2018):

  • Autobahnpilot: Der Autobahnpilot ermöglicht hochautomatisiertes Fahren der Stufe 4 auf allen Autobahnen. Diese Automatisierungsstufe ermöglicht es dem Fahrzeug, sich auf diesem Straßentyp komplett ohne Überwachung oder gar Eingriff der Fahrer:innen zu bewegen. Beim Verlassen der Autobahn übergibt das Fahrzeug die Kontrolle wieder an die menschlichen Fahrer:innen.
  • City-Pilot: Der City Pilot kann nicht nur auf Autobahnen, sondern auch im gesamten städtischen Umfeld bis zu einer Geschwindigkeit von 50 km/h die Kontrolle übernehmen. Auf Landstraßen, die keine bauliche Trennung der Richtungsfahrbahnen aufweisen und die nicht der städtischen Geschwindigkeitsbegrenzung unterliegen, muss die Fahraufgabe von einem Menschen übernommen werden.
  • Tür-zu-Tür-Pilot: Diese weitreichendste Automatisierungsfunktion ermöglicht es den Fahrzeugen, das gesamte Straßennetz im automatisierten Modus ohne Fahrereingriff zu befahren. Auch hier wird die Automatisierung die Stufe 4 umfassen.

González-González et al. (2020) fassen in ihrem Artikel über das Parken in der Zukunft (Vorbereitung europäischer Städte auf das Aufkommen automatisierter Fahrzeuge) die folgenden Ziele für die Stadtplanung zusammen):

  • Ziel 1 - Förderung von sozialer Gerechtigkeit und Inklusivität (Sicherung der sozialen Grundwerte der Stadt).
  • Ziel 2 - Verringerung des Mobilitätsbedarfs (Verhinderung der Zersiedelung der Landschaft, der nicht nachhaltigen Nutzung von Flächen und Ressourcen und der Zunahme des Verkehrs von Einpersonenfahrzeugen).
  • Ziel 3 - Förderung der aktiven Mobilität (Gehen und Radfahren sind für eine gesunde Gesellschaft von entscheidender Bedeutung und werden durch die Bereitstellung von Haus-zu-Haus-Diensten beeinträchtigt).
  • Ziel 4 - Förderung eines qualitativ hochwertigen multimodalen öffentlichen Verkehrssystems (um der Substitution des öffentlichen Verkehrs durch individuelle PAVs oder SAVs und damit der Zunahme von Fahrzeugen auf den Straßen und dem damit verbundenen Energie- und Flächenverbrauch entgegenzuwirken).
  • Ziel 5 - Verringerung der Zahl der zirkulierenden Fahrzeuge (z. B. durch die Freigabe großer Flächen innerhalb der Stadt, die in neue attraktive, hochwertige und lebenswerte Gebiete umgewandelt werden).
  • Ziel 6 - Mehr öffentlicher, hochwertiger städtischer Raum für die Bürger:innen (Gewährleistung integrativer öffentlicher Räume, Renaturierung städtischer Gebiete, Verbesserung der Einrichtungen und ihrer Zugänglichkeit, Steigerung der Attraktivität des Stadtzentrums gegenüber der Peripherie und Vermeidung von Segregation)
  • Ziel 7 - Nachverdichtung, Regeneration und Erneuerung von Kerngebieten (Die Freigabe großer Parkflächen könnte die kulturelle Identität fördern. Die Schaffung von mehr Rad- und Fußwegen, Grünflächen und notwendigen städtischen Einrichtungen würde ebenfalls zu diesen Zielen beitragen).
  • Ziel 8 - Vermeidung von VMT-Wachstum und Zersiedelung (Zersiedelung wird aufgrund ihres hohen Flächen- und Ressourcenverbrauchs als eines der ineffizientesten und nicht nachhaltigen Stadtentwicklungsmuster beschrieben).
  • Ziel 9 - Sicherheit (Die Übergangszeit für die Einführung von AV könnte durch verschiedene Arten von Maßnahmen unterstützt werden, z. B. durch die Reduzierung des Bedarfs an Mobilität und zirkulierenden Fahrzeugen).

Für den AV-Einführungsprozess in der Stadtplanung schlagen González-González et al. (2020) die folgenden 3 Strategien vor:

“Sicherer und gemeinsamer Übergang” zielt darauf ab, eine sichere Koexistenz zwischen AVs und anderen Mobilitätsoptionen (d.h. konventionellen Fahrzeugen, Fußgänger:innen und Radfahrer:innen) während der Implementierungsphase zu gewährleisten und die Annahme von SAVs gegenüber PAVs zu fördern, hauptsächlich durch regulatorische Maßnahmen im Zusammenhang mit Zugangs- und Parkbeschränkungen und Fahrbahnabgrenzungen.

“Gemeinsame und aktive Mobilität” zielt auf die Förderung eines qualitativ hochwertigen und nachhaltigen öffentlichen Verkehrs und die Abkehr von individualistischen Mobilitätsformen durch infrastrukturbezogene Maßnahmen wie die Verbesserung des öffentlichen Verkehrsangebots, mehr Verbindungen zu wichtigen attraktiven Knotenpunkten, marktbezogene Maßnahmen wie Anreize für Unternehmen, höhere Gebühren für Einwegfahrzeuge und ordnungspolitische Maßnahmen wie die Verlagerung von Arbeitsplätzen.

“Urban reclaiming” zielt darauf ab, das Gefüge neuer städtischer Gebiete zu verbessern, indem der städtische Raum neu definiert wird mit dem Ziel, Straßenraum und Parkplätze wiederzuverwenden, z. B. durch ordnungspolitische Maßnahmen (z. B. Neuzuweisung von Parkplätzen, Reduzierung von Fahrspuren) und die Bereitstellung neuer öffentlicher Einrichtungen, hochwertiger öffentlicher Grünflächen, Sport- oder Kulturbereiche. Gleichzeitig wird mit dem dritten Weg versucht, die Zersiedelung der Landschaft durch regulatorische oder marktorientierte Maßnahmen wie Mindestdichte-Standards oder kilometerabhängige Steuern zu verhindern.

Wichtige Interessensgruppen

  • Betroffene: Bürger:innen, Autofahrer:innen, Radfahrer:innen, Nutzer:innen und Fahrer:innen öffentlicher Verkehrsmittel, Fußgänger:innen
  • Verantwortliche: Nationale Regierungen, Stadtverwaltungen, Automobilhersteller

Aktueller Stand der Wissenschaft und Forschung

Das Hauptaugenmerk der Forschung liegt derzeit auf Sicherheit, sozialer Akzeptanz und externen Effekten. Ein Großteil der laufenden Forschungsarbeiten zu Sicherheit und Effizienz wird als Privatbesitz der Automobilhersteller betrachtet.

Obwohl vollautomatisierte Fahrzeuge als Mittel zur Verbesserung der Netzkapazität und -zuverlässigkeit, zur Erleichterung der Autonutzung für einen größeren Personenkreis und zur Verringerung von Unfällen angesehen werden, warnen mehrere Forscher:innen davor, dass der Rebound-Effekt darin besteht, dass sie zu einem erheblichen Anstieg der Autonutzung bei gleichzeitigem Rückgang von Fußgänger:innen, Radfahrer:innen und öffentlichen Verkehrsmitteln führen könnten, was die Vorteile der erhöhten Kapazität mehr als aufwiegen und zu einer Zersiedelung der Landschaft führen könnte. May et al. (2020) kommen nach einer Überprüfung der Literatur und einer qualitativen Analyse unter Verwendung von Kausalitätsdiagrammen zu dem Schluss, dass die wichtigsten Auslöser eines solchen Wandels der Marktanteil automatisierter Fahrzeuge - ob privat oder gemeinsam genutzt -, das Ausmaß der Kapazitätserweiterung, die potenzielle Verringerung des Zeitaufwands für Parken und Zugang, die potenzielle Verringerung des Werts der in Fahrzeugen verbrachten Zeit und die Ausweitung der Zahl der Personen, die Auto fahren können, sein werden. Die Ergebnisse zeigen, dass die Einführung automatisierter Fahrzeuge wahrscheinlich negative Auswirkungen auf die Umwelt, die Zugänglichkeit, die Gesundheit, die Zersiedelung der Landschaft und die allgemeine Nachhaltigkeit haben wird. Sie weisen auch darauf hin, dass diese negativen Auswirkungen dadurch gemildert werden können, dass automatisierte Fahrzeuge in den Städten als Gemeinschaftsfahrzeuge und nicht als Privatfahrzeuge bereitgestellt werden. Es scheint jedoch, dass die Gebühr höher sein muss als die, die derzeit von Carsharing-Unternehmen erhoben wird, um diese negativen Auswirkungen wirksam zu vermeiden.

Zhou et al. (2020) untersuchen die Heterogenität der Präferenzen bei der Verkehrsmittelwahl für Carsharing und gemeinsam genutzte automatisierte Fahrzeuge. Sie zeigen, dass der Einsatz von AVs in Carsharing-Systemen derzeit nicht sehr stark erforscht wird, was vor allem auf die Neuartigkeit dieser Technologien zurückzuführen ist. Obwohl das Aufkommen von AVs dazu beitragen könnte, die Akzeptanz von Carsharing zu fördern, indem verschiedene Hindernisse wie Parkplatzmangel und unerwünschte Zugangskosten beseitigt werden. Befürworter:innen argumentieren, dass die Kombination von Carsharing und AVs (Shared Automated Vehicles [SAVs]) den politischen Entscheidungsträger:innenn einzigartige Möglichkeiten bietet, die Ergebnisse für die Gesellschaft positiv zu beeinflussen und zu gestalten, z. B. könnten SAVs sichere und zugängliche Mobilitätsdienste für ältere Menschen, Nicht-Fahrer:innen, Behinderte und Kinder bieten (Howard, 2014; Yang & Coughlin, 2014).

Nordhoff et al. (2020) untersuchten im Rahmen des europäischen L3Pilot-Projekts die öffentliche Akzeptanz teilautomatisierter (SAE Level 3) Personenkraftwagen anhand eines Fragebogens unter 9.118 Fahrer:innen in acht europäischen Ländern. Die Befragten hielten teilautomatisierte Autos für einfach zu bedienen, zogen aber den Kauf eines solchen Fahrzeugs eher nicht in Betracht. Etwas weniger als die Mehrheit konnte sich vorstellen, Aktivitäten abseits der Straße auszuüben, wie z. B. sich mit anderen Fahrer:innen zu unterhalten, im Internet zu surfen, Videos oder Fernsehsendungen anzusehen, die Landschaft zu beobachten oder zu arbeiten. Die positiven Auswirkungen der hedonischen Motivation, des sozialen Einflusses und der Leistungserwartung auf die Verhaltensabsicht, bedingt automatisierte Fahrzeuge zu nutzen, legen nahe, dass die Vorteile bedingt automatisierter Fahrzeuge klar aufgezeigt und von öffentlichen (z. B. Medien, Politik) und privaten Entscheidungsträger:innenn (z. B. Herstellern) über etablierte Kommunikationskanäle und in sozialen Netzwerken gefördert werden müssen. Autohändler könnten als echte Experten für automatisierte Fahrfunktionen geschult werden, um die Stärken und Grenzen der Systeme zu erklären und sie den Kund:innen vorzuführen, z. B. durch das Angebot von Probefahrten. Soziale Netzwerke (sowohl online als auch offline) könnten eine wichtigere Rolle bei der Förderung der Vorteile von bedingt automatisierten Fahrzeugen spielen, da Freunde, Familie und Kolleg:innen eine wichtige und vertrauenswürdige Informationsquelle darstellen. Behörden könnten sich mit privaten Organisationen (z. B. Automobilclubs, Straßenbauunternehmen) zusammenschließen, um gemeinsame Sensibilisierungskampagnen zu den Vorteilen automatisierter Fahrzeuge zu starten und Testfahrten durchzuführen, um die breite Öffentlichkeit mit automatisierten Fahrzeugen vertraut zu machen.

Kaye et al. (2020) untersuchen auch die a priori Akzeptanz hochautomatisierter Fahrzeuge mit Hilfe der Theorie des geplanten Verhaltens (TPB) und der Einheitlichen Theorie der Akzeptanz und Nutzung von Technologie (UTAUT) in Australien, Frankreich und Schweden. In Frankreich und Schweden gaben die Teilnehmer:innen, die bereits über AVs Bescheid wussten, eine signifikant höhere Absicht an, automatisierte Fahrzeuge in Zukunft zu nutzen, als diejenigen, die keine Vorkenntnisse hatten. Es ist jedoch wichtig zu beachten, dass die Mehrheit der Personen in jedem Land (d. h. über 80 % der Teilnehmer:innen in Australien und Frankreich und 99 % der Teilnehmer:innen in Schweden) über Vorwissen über AVs verfügte. Darüber hinaus gaben Personen mit Wohnsitz in Frankreich eine deutlich größere Absicht an, hochautomatisierte Fahrzeuge zu nutzen, wenn diese öffentlich verfügbar wären, als Personen mit Wohnsitz in Australien und Schweden. Es ist zwar nicht bekannt, warum die Teilnehmer:innen in Frankreich eine signifikant größere Absicht angaben, automatisierte Fahrzeuge zu nutzen, wenn diese öffentlich verfügbar sind, als die Teilnehmer:innen in Australien und Schweden, aber diese Ergebnisse unterstützen frühere Forschungsarbeiten, die gezeigt haben, dass die Wahrnehmung von AVs von Land zu Land variieren kann (z. B. Schoettle & Sivak, 2014) und unterstreichen die Notwendigkeit, das Land des Wohnsitzes bei der Bewertung der AV-Einführung zu berücksichtigen.

Vlakveld et al. (2020) untersuchten die Absicht von Radfahrer:innen, automatisierten Fahrzeugen an Kreuzungen die Vorfahrt zu gewähren, anhand eines Experiments mit hochwertigen Videoanimationen. Die Ergebnisse deuten darauf hin, dass Radfahrer:innen, die an Kreuzungen Vorfahrt haben, trotzdem manchmal den Autos ausweichen. Sie weichen häufiger aus, wenn es sich bei dem herannahenden Fahrzeug um ein automatisiertes Fahrzeug handelt, als wenn es sich um ein herkömmliches Fahrzeug handelt. Wenn automatisierte Fahrzeuge den Radfahrer:innen jedoch mitteilen, dass das System sie wahrgenommen hat und dass das Fahrzeug sich an die Verkehrsregeln halten wird, weichen Radfahrer:innen seltener aus als in ähnlichen Konfliktsituationen mit einem herkömmlichen Auto. Die Tatsache, dass Radfahrer:innen eher dazu neigen, weiterzufahren, wenn das automatisierte Fahrzeug seine Absicht zum Ausweichen signalisieren kann, erhöht jedoch nicht unbedingt die Verkehrssicherheit. Für die Verkehrssicherheit ist es von Vorteil, wenn die Verkehrsteilnehmer:innen das Verhalten anderer Verkehrsteilnehmer:innen immer richtig vorhersehen. Da sich das Fahrverhalten automatisierter Fahrzeuge vom Fahrverhalten der von Menschen gesteuerten Fahrzeuge unterscheiden kann, kann die Angabe ihrer Absichten anderen Verkehrsteilnehmer:innen helfen, korrekte Vorhersagen zu treffen, da sie wissen, was sie zu erwarten haben. Dies erhöht jedoch nur dann die Verkehrssicherheit, wenn die angezeigten Absichten immer korrekt sind.

Galich & Stark (2021) untersuchten die Auswirkungen der Einführung von automatisierten Fahrzeugen auf den privaten Pkw-Besitz. Die Ergebnisse zeigen, dass ein Rückgang oder eine Zunahme des privaten Pkw-Besitzes in hohem Maße von der tatsächlichen Umsetzung automatisierter Fahrzeuge in Bezug auf Preisstrukturen, gesetzliche Regelungen, Mobilitätsdienste usw. abhängt. Trotz der deutlich höheren Wartezeiten und Betriebskosten, die andere Studien für weniger dicht besiedelte Gebiete vorhersagen, zeigten die Ergebnisse, dass die Bewohner:innen ländlicher Gebiete durchaus bereit sind, höhere Kosten und längere Wartezeiten als ihre städtischen Pendants in Kauf zu nehmen, wenn ihnen zuverlässige Mobilitätsalternativen zum eigenen Auto angeboten werden. Die Landbewohner:innen waren sogar bereit, für bestimmte Fahrten, z. B. zur Arbeit, automatische Mitfahrgelegenheiten bis zu einem Tag im Voraus zu buchen. Die Befragten gaben an, dass sie bereit sind, ihre Kinder allein in einem automatisierten Fahrzeug in den Kindergarten oder in die Schule zu schicken, aber es sollte Kindergartenpersonal oder Lehrer:innen geben, die die Kinder aus dem Fahrzeug abholen und die letzten Meter begleiten. Ein weiterer wichtiger Punkt der Studie ist, dass automatisierte Fahrzeuge für ältere Menschen oder Menschen mit Mobilitätseinschränkungen sehr attraktiv sein könnten und somit eine neue soziale Gruppe von Autobesitzer:innen schaffen. Dies könnte gesellschaftlich wünschenswert sein, da die Mobilitätsbedürfnisse dieser Gruppe mit den derzeit verfügbaren Verkehrsmitteln oft nicht befriedigt werden können. Diese neue soziale Gruppe von Autobesitzer:innen kann sich jedoch negativ auf die Flächennutzung auswirken. Daher ist es immer noch günstiger, wenn die Betreiber öffentlicher Verkehrsmittel und Car- und Ridesharing-Anbieter spezielle Dienste anbieten, die auf die besonderen Bedürfnisse dieser Nutzergruppe eingehen. Auf diese Weise könnten die Mobilitätsbedürfnisse dieser Gruppe befriedigt werden, ohne dass es zu einer Zunahme des Autobesitzes kommt

Aktueller Stand der praktischen Umsetzung

Die Erfolge in der Forschung und Entwicklung von automatisierten Fahrzeugen unterscheiden sich von den praktischen Entwicklungen und der Realität auf den Straßen. Eine aktuelle Studie des Prognos-Forschungsinstituts zum automatisierten Fahren für den ADAC zeigt, dass sich das automatisierte Fahren nur langsam durchsetzen wird. Das liegt vor allem daran, dass Autos im Durchschnitt bis zu zwanzig Jahre im Einsatz sind und neue Technologien nur sehr langsam ihren Anteil am Gesamtbestand erhöhen. Der Prognose zufolge wird der Anteil der Neufahrzeuge, bei denen sich der Fahrer:innen auf allen Autobahnen vollständig von der Fahraufgabe abwenden kann, im “optimistischen” Fall von 2,4 % im Jahr 2020 auf bis zu 70 % im Jahr 2050 steigen. Ab 2030 werden nach und nach Autos mit Citypilot, d. h. der Fähigkeit, sowohl auf der Autobahn als auch in der Stadt allein zu fahren, auf den Straßen erscheinen. Und erst nach 2040 wird es eine größere Anzahl von Autos geben, die völlig autonom von Tür zu Tür fahren können, also auch auf Landstraßen keine Fahrer:innen mehr brauchen. Das bedeutet, dass noch lange Zeit ganz normale Fahrzeuge neben vollautomatisierten auf der Straße unterwegs sein werden. Das lässt auch auf einen raschen Sicherheitsgewinn durch autonome Autos in den nächsten Jahrzehnten hoffen. Dass immer weniger Menschen im Straßenverkehr sterben oder verletzt werden, liegt an der Verbreitung effizienter Assistenzsysteme, wie dem Notbremsassistenten (Rudschies & Kroher, 2020).

Am Prognosehorizont 2050 wird bereits etwa die Hälfte der Fahrzeuge über eine Automatisierungsfunktion verfügen, die aber meist nur auf Autobahnen nutzbar sein wird. Eine signifikante Durchdringung des gesamten Netzes mit Fahrzeugen, die zum automatisierten Fahren fähig sind, wird erst nach 2050 erwartet. Fahrzeuge mit Automatisierungsfunktionen werden bis 2050 wahrscheinlich einen erheblichen Anteil der Fahrten übernehmen, aber die Einschränkungen der gelieferten Fahrfunktionen bedeuten, dass nur ein Bruchteil davon auf Straßentypen stattfinden wird, für die auch eine geeignete Automatisierung verfügbar ist. Außerdem kann nicht davon ausgegangen werden, dass die Funktionen sofort in vollem Umfang zum Einsatz kommen werden. Folglich könnte bis 2050 maximal jeder fünfte Fahrzeugkilometer durch Automatisierung erbracht werden. Dieser Wert variiert stark zwischen den verschiedenen Straßentypen: Während auf Autobahnen gut 40 % der Fahrleistung automatisiert werden könnten, sind es auf Landstraßen immer noch weniger als 4 %. Der geringe Anteil des automatisierten Fahrens beeinflusst auch die Sicherheitseffekte. Erst gegen Ende des Prognosehorizonts kann automatisiertes Fahren langsam signifikante Beiträge leisten. Da schwerwiegende Unfallfolgen besonders stark auf Landstraßen auftreten, wo die Automatisierung bis 2050 kaum Auswirkungen haben wird, wird der Effekt der Automatisierung auf die Verkehrstoten bis dahin noch marginal sein (Altenburg et al., 2018).

Bereits ab 2022 sollen fahrerlose Autos in Deutschland am Straßenverkehr teilnehmen können. Autonome Kraftfahrzeuge der sogenannten “Stufe vier” sollen dann auf bestimmten definierten Strecken auf öffentlichen Straßen fahren dürfen. Beim vollautomatisierten Fahren kann der Computer in bestimmten Anwendungen die vollständige Kontrolle über das Auto übernehmen, ohne von menschlichen Fahrer:innen überwacht zu werden. In Notfällen soll das System das Fahrzeug auch am Fahrbahnrand zum Stehen bringen. Nach Angaben des deutschen Verkehrsministeriums könnte diese Technologie zum Beispiel für Shuttle-Dienste oder den Güterverkehr eingesetzt werden (Rudschies & Kroher, 2020).

Der Wettbewerb um die beste Technologie für automatisiertes Fahren ist derzeit weltweit im Gange. Laut VW-Chef Herbert Diess sind die deutschen Autohersteller bei der Entwicklung der Technologie für das automatisierte Fahren jedoch “ein bis zwei Jahre im Rückstand”. An der Spitze des Know-hows sehen fast alle Experten Unternehmen in den USA - allen voran das US-Unternehmen Waymo, das zu Google gehört. Im US-Bundesstaat Arizona setzt Waymo seit einiger Zeit Roboterautos als Taxis ein - allerdings noch mit einem Sicherheitsfahrer hinter dem Steuer. Die Kund:innen können ihre Fahrt per App bestellen und werden abgeholt, wo immer sie sich gerade befinden. In den Fahrzeugen von Waymo muss der Sicherheitsfahrer im Schnitt nur 0,09 Mal pro 1000 gefahrenen Meilen eingreifen.

Der Entwicklungsrückstand zwischen Deutschland und den Amerikanern könnte daran liegen, dass die deutschen Autohersteller mit einer höheren Gründlichkeit arbeiten. Christian Weiß, Systementwickler bei Daimler, betont: “Grundsätzlich geht bei uns Sicherheit vor Geschwindigkeit.” Für ihn sind die Tesla-Unfälle ein gutes Beispiel dafür, was passieren kann, wenn unausgereifte Technik in Serienfahrzeugen eingesetzt wird. Daimler-Experte Timo Winterling ergänzt: “Um eine Szene zu verstehen, müssen wir das Letzte aus den Sensoren herausholen.”

BMW beschäftigt sich derzeit intensiv mit dem Sammeln und Auswerten von Daten im realen Verkehr. Auf dem eigens dafür gegründeten BMW Campus in Unterschleißheim bei München arbeiten inzwischen rund 1700 Spezialisten daran, die notwendigen Software-Algorithmen für das hochautomatisierte Fahren zu entwickeln. Als Testfahrzeuge sind 40 BMWs unterwegs und sammeln riesige Daten- und Bildmengen im Straßenverkehr. Zur Speicherung hat BMW zwei Rechenzentren mit einer Kapazität von 500 Petabyte (PB) gebaut, eine Speichergröße, die etwa fünfmal alle jemals in der Menschheitsgeschichte geschriebenen und gedruckten Wörter fassen würde (Rudschies & Kroher, 2020).

Relevante Initiativen in Österreich

In December 2016, a legal framework for automated vehicles and their systems was created in Austria. According to this, test drives by research institutions and vehicle manufacturers were allowed to assign certain driving tasks, such as keeping a distance, accelerating, braking or keeping in lane, to an assistance system or automated or connected driving system present in the vehicle, in compliance with the other legal regulations.

Since 11 March 2019, hands-free driving on motorways and with ‘motorway assistant with automatic lane guidance’ and automatic parking with parking assistant have been permitted. "However, one must be able to intervene immediately if an unexpected situation arises. Therefore, distracting activities, such as operating a mobile phone, remain prohibited. The system may also not be used in construction areas.

Truly autonomous driving is currently only allowed in Austria in test operation on certain stretches of road and requires a separate permit. This is primarily to allow companies to test self-driving cars.

With the action package Automated Mobility (2019-2022), the government programme 2017-2022 has set out to develop Austria into a pioneering country and thus also into a research, development and production location for automated driving in close cooperation with the automotive industry and research. In particular, the ministry will continue to promote test tracks and related research projects.

Auswirkungen in Bezug auf die Ziele für nachhaltige Entwicklung (SDGs)

Ebene der Auswirkungen Indikator Richtung der Auswirkungen Beschreibung des Ziels & SDG Quelle
Individuell Potenzial zur Verbesserung des (Zugangs zu) Mobilitaet fuer aeltere und andere benachteiligte Gruppen + Gleichheit (5,10) Howard, 2014; Yang & Coughlin, 2014
Individuell Mehr nutzbare Zeit durch Automatisierung von Fahraufgaben + Nachhaltige wirtschaftliche Entwicklung (8,11) Rudschies & Kroher, 2020
Systemisch Potenzial zur Verringerung von Unfaellen + Gesundheit und Wohlbefinden (3) Rudschies & Kroher, 2020
Systemisch Anstieg des Autobesitzes moeglich - Oekologische Nachhaltigkeit (7,12-13,15) May et al., 2020

Technologie- und gesellschaftlicher Bereitschaftsgrad

Stand der Technologiebereitschaft Gesellschaftlicher Bereitschaftsgrad
6-8 5-7

Offene Fragen

  1. Kann der Besitz eines automatisierten Autos den Mobilitätsbedarf eines Mehrpersonenhaushalts decken, der derzeit auf zwei, drei oder noch mehr Autos angewiesen ist?
  2. Wer ist verantwortlich, wenn die Technologie im halbautomatischen Betrieb gegen eine Geschwindigkeitsbegrenzung oder andere Verkehrsvorschriften verstößt?

Referenzen

  • Altenburg, S., Kienzler, H.-P., & Maur, A. A. der. (2018). Einführung von Automatisierungsfunktionen in der Pkw-Flotte.
  • European Commission. (2019). Automated road transport.
  • Galich, A., & Stark, K. (2021). How will the introduction of automated vehicles impact private car ownership? Case Studies on Transport Policy, 9(2), 578–589. https://doi.org/10.1016/j.cstp.2021.02.012
  • Howard, D. (2014). Public Perceptions of Self-driving Cars: The Case of Berkeley, California. MS Transportation Engineering, 2014(1), 21.
  • Kaye, S. A., Lewis, I., Forward, S., & Delhomme, P. (2020). A priori acceptance of highly automated cars in Australia, France, and Sweden: A theoretically-informed investigation guided by the TPB and UTAUT. Accident Analysis and Prevention, 137, 105441. https://doi.org/10.1016/j.aap.2020.105441
  • May, A. D., Shepherd, S., Pfaffenbichler, P., & Emberger, G. (2020). The potential impacts of automated cars on urban transport: An exploratory analysis. Transport Policy, 98, 127–138. https://doi.org/10.1016/j.tranpol.2020.05.007
  • Nordhoff, S., Louw, T., Innamaa, S., Lehtonen, E., Beuster, A., Torrao, G., Bjorvatn, A., Kessel, T., Malin, F., Happee, R., & Merat, N. (2020). Using the UTAUT2 model to explain public acceptance of conditionally automated (L3) cars: A questionnaire study among 9,118 car drivers from eight European countries. Transportation Research Part F: Traffic Psychology and Behaviour, 74, 280–297. https://doi.org/10.1016/j.trf.2020.07.015
  • Paulsen, T. (2018, November 7). Autonomes Fahren: 5 Level zum selbstfahrenden Auto | ADAC. ADAC. https://www.adac.de/rund-ums-fahrzeug/ausstattung-technik-zubehoer/autonomes-fahren/grundlagen/autonomes-fahren-5-stufen/
  • Rudschies, W., & Kroher, T. (2020, May 21). Autonomes Fahren: Der aktuelle Stand der Technik | ADAC. 20.11.2020. https://www.adac.de/rund-ums-fahrzeug/ausstattung-technik-zubehoer/autonomes-fahren/technik-vernetzung/aktuelle-technik/
  • Schoettle, B., & Sivak, M. (2014). A survey of public opinion about autonomous and self-driving vehicles in the US, UK and Australia. UMTRI, Transportation Research Institute, July, 1–38.
  • Vlakveld, W., van der Kint, S., & Hagenzieker, M. P. (2020). Cyclists’ intentions to yield for automated cars at intersections when they have right of way: Results of an experiment using high-quality video animations. Transportation Research Part F: Traffic Psychology and Behaviour, 71, 288–307. https://doi.org/10.1016/j.trf.2020.04.012
  • Yang, J., & Coughlin, J. F. (2014). IN-VEHICLE TECHNOLOGY FOR SELF-DRIVING CARS: ADVANTAGES AND CHALLENGES FOR AGING DRIVERS J. International Journal of Automotive Technology, 15(2), 333−340.
  • Zhou, F., Zheng, Z., Whitehead, J., Washington, S., Perrons, R. K., & Page, L. (2020). Preference heterogeneity in mode choice for car-sharing and shared automated vehicles. Transportation Research Part A: Policy and Practice, 132, 633–650. https://doi.org/10.1016/j.tra.2019.12.004

8.2 Parkinfrastruktur für automatisierte Fahrzeuge

Synonyme

Automatisierte Fahrzeuge (AV), gemeinsam genutzte AV (SAV - Shared AV), AV in Privatbesitz (PAV), intelligentes Parken (SP - Smart Parking), automatisiertes Valet-Parken (AVP), automatisiertes Valet-Parken im Nahbereich (SAVP - Short-range Automated Valet Parking), automatisiertes Valet-Parken im Fernbereich (LAVP - Long-range Automated Valet Parking)

Definition

Automatisierte Fahrzeuge (AVs) werden zweifellos einen großen Einfluss auf die städtische Form und Entwicklungsmuster haben. Die Literatur zu den Auswirkungen von AVs weist sowohl auf große Chancen als auch auf Bedrohungen hin. Optimistisch betrachtet könnten AVs den Parkbedarf, das Verkehrsaufkommen und den Straßenraum reduzieren, insbesondere wenn sie gemeinsam genutzt werden. Dies könnte die Neugestaltung dieser Räume ermöglichen und zu einer Verdichtung und Verbesserung der Attraktivität der Stadtzentren führen (Alessandrini et al., 2015; Heinrichs, 2016; Milakis et al., 2017; Zhang et al., 2015; González-González et al., 2020). Umgekehrt könnten jedoch die Flexibilität, die Bequemlichkeit und die Verringerung des Wertes der Reisezeit, die AVs bieten, zu einem Anstieg der zurückgelegten Strecken und zu einer Intensivierung der Zersiedelung führen (Cohen et al., 2017; Milakis et al., 2017; Zakharenko, 2016; González-González et al., 2020).

Derzeit bleibt ein Fahrzeug im Durchschnitt 95 % seiner Lebensdauer geparkt (Cogill et al., 2014). Um die wachsende Zahl von Fahrzeugen unterzubringen, wird in städtischen Gebieten in der Regel ein großer Raum zum Parken genutzt (Zhou et al., 2018). Standorte und Flächen für Parkplätze werden in der Regel im Verhältnis zum Verhältnis zwischen Menschen und Fahrzeugen ausgewählt. So werden beispielsweise in San Francisco etwa 31 % der Gesamtfläche zum Parken genutzt, in London 16 %, in New York 18 % und in Los Angeles 81 % (Manville & Shoup, 2005; Pierce & Shoup, 2013). Die Integration des Internet of Things (IoT) mit Cloud Computing ermöglicht die Entwicklung von automatisiertem Valet Parking und Smart Cities (Huang et al., 2018). Diese Dienste umfassen Echtzeitverarbeitung, Standortbewusstsein, Daten- und Lastmanagement für Umweltsensorik und Koordination (Khalid et al., 2018; Ni et al., 2019).

Die Vorteile von Smart Parking liegen in der präzisen Navigation und dem damit verbundenen geringeren Kraftstoffverbrauch beim Parken. Außerdem kann das unnötige Herumfahren auf der Suche nach Parkplätzen vermieden werden, wenn im Voraus Informationen über die Verfügbarkeit von Parkplätzen in einem Parkhaus vorliegen (Khalid et al., 2021; Liu et al., 2019; Rajabioun & Ioannou, 2015).

Von automatisiertem Parken (AVP) spricht man, wenn ein AV den Nutzer:innen an einem vordefinierten Absetzpunkt absetzt und die Routenwahl zum gewählten Parkplatz und den Parkvorgang automatisiert durchführt (Williams, 2019).

AVP kann in Short-range Autonomated Valet Parking (SAVP) und Long-range Autonomated Valet Parking (LAVP) unterteilt werden (Khalid et al., 2021). Beim SAVP parken Benutzer:innen das AV am Eingang des Parkhauses. Das Fahrzeug scannt die verfügbaren Parkplätze mithilfe fortschrittlicher Bildverarbeitungstechniken, weicht Hindernissen mithilfe von Sensortechnologien aus und wird mithilfe automatischer Fahrzeugmanövriertechniken in der vorgesehenen Parklücke geparkt (Lou et al., 2019; Wang et al., 2015). Darüber hinaus kann SAVP in mehrstöckigen Parkhäusern mithilfe fortschrittlicher Lokalisierungstechniken durchgeführt werden (Haas et al., 2020).

Beim Long-range Autonomated Valet Parking (LAVP) hingegen können Nutzer:innen das AV im Stadtzentrum (oder an einem bestimmten Drop-off-Punkt) absetzen, woraufhin das AV die entsprechende Route vom Drop-off-Punkt zum Parkhaus fährt (Khalid et al., 2021). In Zukunft sollten sich die Städte auf die Einführung von AVs einstellen, aber AVs sollten auch so entwickelt werden, dass sie die Erwartungen an ideale zukünftige Städte erfüllen (Porter, 2018). In jedem Fall sollten die lokalen Regierungen und Planer:innen damit beginnen, anpassungsfähige rechtliche, städtebauliche und landesplanerische Vorschriften auszuarbeiten, um einen so disruptiven Verkehrsträger wie AVs aufzunehmen (Cohen & Cavoli, 2019; Legacy et al., 2019).

Ein allgemeines intelligentes Parkmodell besteht aus den folgenden Elementen (Kuran et al., 2015 in Khalid et al., 2021):

  • Das Parkmodul gewährleistet und definiert alle Vorgänge innerhalb des Parkplatzes (z.B. Scannen von Parkplätzen, Aktualisierung der Informationen für das Fahrzeug in Echtzeit).
  • Die Benutzerschnittstelle verbindet die Fahrer:innen mit dem Manager-Modul und den Parkservern. (Abfrage von Echtzeitinformationen über verfügbare Parkplätze, Reservierung eines Parkplatzes, Bearbeitung der Zahlung für einen reservierten Platz und Routenanweisungen vom Parkmodul).
  • Das Kommunikationsmodul ist für den Informationsaustausch, die Verschlüsselung, die Fehlerkontrolle und die Bewertung der Zuverlässigkeit zuständig.
  • Der Parking Manager verwaltet die Daten der reservierten Parkplätze sowie die Transaktionsdaten der Benutzer:innen für jeden belegten Parkplatz.
  • Der Parking Lot Controller erkennt, ob ein bestimmter Platz frei oder belegt ist.

Im Vergleich zum herkömmlichen Parken bietet Smart Parking den Fahrer:innen Vorabinformationen zum Parken (z. B. Standort, Verfügbarkeit von Parkplätzen und Gebühren) und die Möglichkeit der Vorabregistrierung und Echtzeitbuchung.

Ähnlich wie bei den Automatisierungsgraden von Autos gibt es auch beim automatisierten Parken verschiedene Stufen (Chirca et al., 2015; Khalid et al., 2021, 2018): - Stufe 1: Fahrer:innen müssen den Parkvorgang vollständig beaufsichtigen - Stufe 2: Fahrer:innen können außerhalb des Fahrzeugs bleiben und den gesamten Einparkvorgang über intelligente Geräte wie Mobiltelefone überwachen und steuern. - Stufe 3: Fortschrittliche Sensor- und 3D-Mapping-Technologien werden eingesetzt, um Hindernisse zu vermeiden und den besten Weg zum Parkplatz zu finden (Chirca et al., 2015). - Stufe 4: Fahrer:innen lassen das AV an der Parkhauseinfahrt stehen und es navigiert selbstständig zu einem freien Parkplatz.

Wichtige Interessensgruppen

  • Betroffene: Nutzer:innen von automatisierten Fahrzeugen
  • Verantwortliche: Parkhausgesellschaften, Stadtverwaltungen, Autohersteller, Stadtplaner:innen

Aktueller Stand der Wissenschaft und Forschung

Milakis et al. (2017) schätzten optimistisch, dass AVs zu einer Verringerung der Parkplatznachfrage zwischen 67 und 90 % führen könnten. Zhang (2017) schätzte eine Reduzierung von mindestens 20 Parkplätzen pro SAV aufgrund der Verringerung der Fahrzeuge und einer Erhöhung der Fahrzeugbelegung. Möglicherweise könnte sogar noch mehr reduziert werden, indem die Effizienz der Parkautomatisierung erhöht wird. Parkhäuser könnten ihre Kapazität um bis zu 60 % erhöhen, da Gänge, Rampen und Türen nicht mehr benötigt würden (Heinrichs, 2016). Einerseits könnte die räumliche Verteilung von Parkplätzen auf attraktive Teile von Stadtzentren mit hoher Dichte verteilt werden, oder Parkplätze außerhalb des Zentrums könnten rund 97 % der täglichen Parknachfrage abdecken (Zakharenko, 2016), da AVs Fahrgäste an verschiedenen Punkten innerhalb der Stadt abholen und absetzen und weit entfernt parken könnten, wenn sie nicht benötigt werden (González-González et al., 2020). Dies würde jedoch wahrscheinlich zu einem Anstieg der Fahrtstrecke und -häufigkeit führen, da sich die Fahrtkosten und der Wert der Fahrgastzeit ändern würden. Fagnant & Kockelman (2015) schätzten einen Anstieg der zurückgelegten Fahrzeugkilometer (VMT) um bis zu 26 % nach einer 90 %igen Einführung von AVs. Milakis et al. (2017) schätzen für die Niederlande einen Anstieg der gefahrenen Kilometer um 1-23 % bis 2030 und um 10-71 % bis 2050. Darüber hinaus prognostizierten mehrere regionale Verkehrsplanungsorganisationen in den USA einen Anstieg von 5-20 % (Guerra, 2016). Soteropoulos et al. (2019) weisen jedoch auf eine Verringerung des VMT um etwa 10-25 % hin, wenn sich ein großer Teil der Reisenden für Ridesharing entscheidet.

Levin et al. (2020) kommen in ihrem Forschungsbericht über die Gestaltung der Parkinfrastruktur für die automatische Fahrzeugverschiebung zu dem Schluss, dass leere Neupositionierungsfahrten (aufgrund der niedrigeren Preise auf weiter entfernten Parkplätzen) zur Überlastung des Netzes beitragen. Sie haben ein Verkehrszuweisungsmodell mit endogener Parkplatzwahl entwickelt (wobei der Kraftstoffverbrauch von der Verkehrsüberlastung abhängt). Da die Wahl des Parkplatzes vom Kraftstoffverbrauch und von den Parkgebühren abhängt, können die Stadtplaner:innen die Verlagerung von Fahrten durch die Anpassung der Parkgebühren beeinflussen. Die Analyse zeigt, dass der genetische Algorithmus bei der Suche nach Parkoptionen, die die Auswirkungen von Leerfahrten auf die Verkehrsüberlastung und die Kosten für den Bau von Parkinfrastrukturen in Gebieten mit hohen Bodenwerten verringern, wirksam war.

Khalid et al. (2021) fasst die zukünftigen Herausforderungen von SP und AVP wie folgt zusammen:

  • Schutz und Sicherheit von Daten
    • Sichere Kommunikation (V2V und V2I)
    • Schutz der Daten
  • Stauvermeidung
    • Routing (die kürzeste Route ist nicht immer optimal, da je nach Zielsetzung auch andere Faktoren wie Preis, Infrastruktur und Staus berücksichtigt werden können)
    • Nutzung von Parkplätzen (Parkraumnutzung kann verbessert werden, aber das Parken wird für normale Fahrer:innen in Parkhäusern für AVs schwierig sein)
    • 3D-Lokalisierungskarten (in den meisten Parkhäusern ist das globale Positionierungssystem (GPS) nicht in der Lage, einen freien Parkplatz genau zu lokalisieren)
  • Einsatz
    • Drop-off- und Pick-up-Spot
    • Parkhaus (in abgelegenen Gebieten oder am Rande des Stadtzentrums, um Verkehrsstaus zu vermeiden)
  • Zeitplanung
    • Parkplatzplanung (es wird ein neuartiger Algorithmus für die Parkplatzplanung benötigt, der die Nutzernachfrage und Echtzeit-Straßeninformationen berücksichtigt)
    • Gemeinsame Nutzung von Fahrzeugen (zur weiteren Reduzierung von Staus)
    • Ladesystem (effiziente Ladelösungen sind im Planungsprozess erforderlich, um Fahrzeuge zu unterstützen, insbesondere im autonomen Modus)
  • Umweltfreundliches Parken (die Verbesserung der Parkplatzsuchkapazitäten und die Verkürzung der Fahrtzeit können dazu beitragen, Kohlenstoffemissionen und Umweltverschmutzung zu reduzieren)
    • Zugänglichkeit (Reservierung, bequeme Fahrt, wirtschaftliche/dynamische Preisgestaltung, problemloses Bringen und Abholen sowie umweltfreundliche Planungs- und Dispositionsalgorithmen)
    • Integriertes Parksystem (Grad der Integration verschiedener Komponenten; eingebautes GPS, Karten zur Lokalisierung von Parkplätzen, Reservierungsalgorithmus, sicheres Zahlungssystem und Echtzeitüberwachung in das zukünftige System)
    • Digitalisierte Parkplätze (Mit einer angemessenen Verwaltung kann die Anzahl der Autos auf den Straßen reduziert und ein umweltfreundlicher Verkehr realisiert werden)

Aktueller Stand der praktischen Umsetzung

Das weltweit erste vollautomatische und fahrerlose Parkhaus mit SAE Level 4 Parkfunktion wurde im Juli 2019 im Mercedes-Benz Museum in Stuttgart offiziell freigegeben. Ermöglicht wurde dieses Projekt durch Bosch und Daimler. Der automatisierte Einfahr- und Parkservice wird per Smartphone-App bedient und kommt ganz ohne Fahrer:innen aus. Die notwendige intelligente Parkinfrastruktur, die den Mischverkehr von AVP und manuell gesteuerten Fahrzeugen unterstützt, stammt von Bosch. Die technisch ausgestatteten Fahrzeuge kommen von Mercedes-Benz. Gemeinsam haben die beiden Partner die Schnittstelle zwischen Infrastruktur und Fahrzeug definiert und die Sensorik und Fahrzeugsoftware entsprechend angepasst. Aufgrund der in der Infrastruktur eingesetzten Sensorik beschränkt sich die notwendige Ausstattung eines Fahrzeugs im Wesentlichen auf ein Automatikgetriebe, ESP, elektrische Parkbremse und Lenkhilfe, eine Start-Stopp-Funktion und die Kommunikationseinheit. Das Parkhaussystem basiert auf dem Zusammenspiel von intelligenter Infrastruktur und Fahrzeugtechnik. Die notwendige Parkhausinfrastruktur umfasst die erforderliche Sensorik und IT-Technik, um die Fahrwege zu berechnen und alle Anforderungen an die Sicherheit zu erfüllen. Eine technische Einheit, die mit dem Fahrzeug kommuniziert, und eine Cloud-Anbindung zur Interaktion mit dem Backend sind ebenfalls erforderlich (Robert Bosch GmbH, 2021a). Garagen mit AVP könnten 20 % mehr Kapazität haben, da kein Platz mehr für die Ausfahrt der Insassen benötigt wird (Ehrenfeuchter, 2020; Robert Bosch GmbH, 2021a).

Weitere AVP-Garagen sind am Flughafen Stuttgart und in Detroit geplant (Robert Bosch GmbH, 2021b). In Detroit wurden bereits Tests mit Ford Escape Testfahrzeugen durchgeführt (Of-Allinger, 2020). Im Gegensatz zu früheren Testprojekten setzt Bosch im Parkhaus des Stuttgarter Flughafens keine teuren und auffälligen Lidar-Sensoren mehr ein, sondern kostengünstige Kameras. Rund 180 von ihnen wurden an der Decke montiert. Sie ermitteln zehnmal pro Sekunde die Position des Fahrzeugs. Ein Server ermittelt die Daten und der Fahrbefehl für das Auto wird berechnet und per Wifi an das Auto übertragen. Dank einer speziell gesprenkelten Beschichtung erkennt das System auch mögliche Gegenstände auf dem Boden. Steht ein Gepäckwagen im Weg, meldet die Technik den Vorfall und informiert ein:e Mitarbeiter:in.

Die Mercedes S-Klasse ist das weltweit erste Serienfahrzeug mit AVP-Technologie an Bord. Im Vergleich zur bisherigen Standardtechnik sind keine zusätzlichen Sensoren erforderlich, sondern nur ein spezielles Modul, das mit dem Parkhauscomputer kommuniziert. Interessenten können die Komfortfunktion künftig über die Sonderausstattung “Intelligenter Parkpilot” bestellen. Die Kosten für diese Funktion liegen nach Angaben des Herstellers im niedrigen vierstelligen Bereich.

Wie schnell sich die Technik verbreitet und wie gut sie angenommen wird, bleibt abzuwarten. Die Vorteile sind jedoch, dass die Sensorik nicht im Auto, sondern im Parkhaus sein muss. Das macht es anderen Autoherstellern leichter, die Technik zu nutzen. Bosch befindet sich bereits in intensiven Gesprächen mit anderen Unternehmen. Da die Kamera-Infrastruktur einfach in einem Parkhaus installiert werden kann, wird die Technik auch für ältere Gebäude nutzbar sein. Auch eine modulare Nachrüstung, d.h. Stockwerk für Stockwerk, ist möglich (Ehrenfeuchter, 2020).

Relevante Initiativen in Österreich

Auswirkungen in Bezug auf die Ziele für nachhaltige Entwicklung (SDGs)

Ebene der Auswirkungen Indikator Richtung der Auswirkungen Beschreibung des Ziels & SDG Quelle
Individuell Erhoehter Komfort und Zeitersparnis + Gesundheit und Wohlbefinden (3) Robert Bosch GmbH (2021b)
Systemisch Unvorhersehbare Auswirkungen des automatisierten Parkens auf Umweltverschmutzung und Verkehrsstaus ~ Oekologische Nachhaltigkeit (7,12-13,15) Akhavan-Rezai et al., 2018; Khalid et al., 2019
Systemisch Verstaerkte Zusammenarbeit zwischen Technologieunternehmen und Automobilherstellern + Partnerschaften und Kooperationen (17) Ehrenfeuchter, 2020; Of-Allinger, 2020; Robert Bosch GmbH, 2021b

Technologie- und gesellschaftlicher Bereitschaftsgrad

Stand der Technologiebereitschaft Gesellschaftlicher Bereitschaftsgrad
6-8 5-7

Offene Fragen

  1. Wie gut wird die Technologie angenommen werden?
  2. Wie gut wird der Mix mit AVs und manuell gesteuerten Autos in Parkhäusern funktionieren?

Referenzen

  • Akhavan-Rezai, E., Shaaban, M. F., El-Saadany, E. F., & Karray, F. (2018). New EMS to incorporate smart parking lots into demand response. IEEE Transactions on Smart Grid, 9(2), 1376–1386. https://doi.org/10.1109/TSG.2016.2587901
  • Alessandrini, A., Campagna, A., Site, P. D., Filippi, F., & Persia, L. (2015). Automated vehicles and the rethinking of mobility and cities. Transportation Research Procedia, 5, 145–160. https://doi.org/10.1016/j.trpro.2015.01.002
  • Chirca, M., Chapuis, R., & Lenain, R. (2015). Autonomous Valet Parking System Architecture. IEEE Conference on Intelligent Transportation Systems, Proceedings, ITSC, 2015-Octob, 2619–2624. https://doi.org/10.1109/ITSC.2015.421
  • Cogill, R., Gallay, O., Griggs, W., Lee, C., Nabi, Z., Ordonez, R., Rufli, M., Shorten, R., Tchrakian, T., Verago, R., Wirth, F., & Zhuk, S. (2014). Parked cars as a service delivery platform. 2014 International Conference on Connected Vehicles and Expo, ICCVE 2014 - Proceedings, 138–143. https://doi.org/10.1109/ICCVE.2014.7297530
  • Cohen, T., & Cavoli, C. (2019). Automated vehicles: exploring possible consequences of government (non)intervention for congestion and accessibility. Transport Reviews, 39(1), 129–151. https://doi.org/10.1080/01441647.2018.1524401
  • Cohen, T., Jones, P., & Cavoli, C. (2017). Social and behavioural questions associated with autonomous vehicles. January, 1–124.
  • Ehrenfeuchter, M. (2020, October 14). Automated Valet Parking (AVP): Test am Flughafen Stuttgart | AUTO MOTOR UND SPORT. https://www.auto-motor-und-sport.de/tech-zukunft/mobilitaetsservices/automated-valet-parking-flughafen-stuttgart-s-klasse/
  • Fagnant, D. J., & Kockelman, K. M. (2015). Dynamic ride-sharing and optimal fleet sizing for a system of shared autonomous vehicles. Transportation, 1, 1–16.
  • González-González, E., Nogués, S., & Stead, D. (2020). Parking futures: Preparing European cities for the advent of automated vehicles. Land Use Policy, 91, 104010. https://doi.org/10.1016/j.landusepol.2019.05.029
  • Guerra, E. (2016). Planning for Cars That Drive Themselves: Metropolitan Planning Organizations, Regional Transportation Plans, and Autonomous Vehicles. Journal of Planning Education and Research, 36(2), 210–224. https://doi.org/10.1177/0739456X15613591
  • Heinrichs, D. (2016). Autonomous Driving and Urban Land Use BT - Autonomous Driving: Technical, Legal and Social Aspects (M. Maurer, J. C. Gerdes, B. Lenz, & H. Winner, Eds.; pp. 213–231). Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-662-48847-8_11
  • Huang, C., Lu, R., Lin, X., & Shen, X. (2018). Secure automated valet parking: A privacy-preserving reservation scheme for autonomous vehicles. IEEE Transactions on Vehicular Technology, 67(11), 11169–11180. https://doi.org/10.1109/TVT.2018.2870167
  • Khalid, M., Cao, Y., Aslam, N., Raza, M., Moon, A., & Zhou, H. (2019). AVPark: Reservation and cost optimization-based cyber-physical system for long-range autonomous valet parking (L-AVP). IEEE Access, 7, 114141–114153. https://doi.org/10.1109/ACCESS.2019.2930564
  • Khalid, M., Cao, Y., Aslam, N., Suthaputchakun, C., Arshad, M., & Khalid, W. (2018). Optimized Pricing Scheduling Model for Long Range Autonomous Valet Parking. 2018 International Conference on Frontiers of Information Technology (FIT), 65–70. https://doi.org/10.1109/FIT.2018.00019
  • Khalid, M., Wang, K., Aslam, N., Cao, Y., Ahmad, N., & Khan, M. K. (2021). From smart parking towards autonomous valet parking: A survey, challenges and future Works. In Journal of Network and Computer Applications (Vol. 175, p. 102935). Academic Press. https://doi.org/10.1016/j.jnca.2020.102935
  • Kuran, M. S., Carneiro Viana, A., Iannone, L., Kofman, D., Mermoud, G., & Vasseur, J. P. (2015). A smart parking lot management system for scheduling the recharging of electric vehicles. IEEE Transactions on Smart Grid, 6(6), 2942–2953. https://doi.org/10.1109/TSG.2015.2403287
  • Legacy, C., Ashmore, D., Scheurer, J., Stone, J., & Curtis, C. (2019). Planning the driverless city. Transport Reviews, 39(1), 84–102. https://doi.org/10.1080/01441647.2018.1466835
  • Levin, M. W., Wong, E., Nault-Maurer, B., & Khani, A. (2020). Parking infrastructure design for repositioning autonomous vehicles. Transportation Research Part C: Emerging Technologies, 120, 102838. https://doi.org/10.1016/j.trc.2020.102838
  • Liu, Z., Xie, Y., Chan, K. Y., Ma, K., & Guan, X. (2019). Chance-Constrained Optimization in D2D-Based Vehicular Communication Network. IEEE Transactions on Vehicular Technology, 68(5), 5045–5058. https://doi.org/10.1109/TVT.2019.2904291
  • Lou, L., Zhang, J., Xiong, Y., & Jin, Y. (2019). An improved roadside parking space occupancy detection method based on magnetic sensors and wireless signal strength. Sensors (Switzerland), 19(10). https://doi.org/10.3390/s19102348
  • Manville, M., & Shoup, D. (2005). Parking, people, and cities. Journal of Urban Planning and Development, 131(4), 233–245. https://doi.org/10.1061/(ASCE)0733-9488(2005)131:4(233)
  • Milakis, D., Snelder, M., Van Arem, B., Van Wee, B., & De Almeida Correia, G. H. (2017). Development and transport implications of automated vehicles in the Netherlands: Scenarios for 2030 and 2050. European Journal of Transport and Infrastructure Research, 17(1), 63–85. https://doi.org/10.18757/ejtir.2017.17.1.3180
  • Milakis, D., Van Arem, B., & Van Wee, B. (2017). Policy and society related implications of automated driving: A review of literature and directions for future research. Journal of Intelligent Transportation Systems: Technology, Planning, and Operations, 21(4), 324–348. https://doi.org/10.1080/15472450.2017.1291351
  • Ni, J., Lin, X., & Shen, X. (2019). Toward Privacy-Preserving Valet Parking in Autonomous Driving Era. IEEE Transactions on Vehicular Technology, 68(3), 2893–2905. https://doi.org/10.1109/TVT.2019.2894720
  • Of-Allinger, A. (2020, August 26). Automated Valet Parking von Ford, Bosch und Bedrock | AUTO MOTOR UND SPORT. https://www.auto-motor-und-sport.de/tech-zukunft/automated-valet-parking-bosch-ford-bedrock/
  • Pierce, G., & Shoup, D. (2013). Getting the prices right. Journal of the American Planning Association, 79(1), 67–81. https://doi.org/10.1080/01944363.2013.787307
  • Porter, L. (2018). The autonomous vehicle revolution: Implications for planning. Planning Theory and Practice, 19(5), 753–778. https://doi.org/10.1080/14649357.2018.1537599
  • Rajabioun, T., & Ioannou, P. (2015). On-Street and off-street parking availability prediction using multivariate spatiotemporal models. IEEE Transactions on Intelligent Transportation Systems, 16(5), 2913–2924. https://doi.org/10.1109/TITS.2015.2428705
  • Robert Bosch GmbH. (2021a). Automated Valet Parking – schnell, sicher, fahrerlos | Bosch Global. https://www.bosch.com/de/stories/automated-valet-parking/
  • Robert Bosch GmbH. (2021b). Bosch Automated Valet Parking. https://www.bosch-mobility-solutions.com/de/loesungen/parken/automated-valet-parking/
  • Soteropoulos, A., Berger, M., & Ciari, F. (2019). Impacts of automated vehicles on travel behaviour and land use: an international review of modelling studies. Transport Reviews, 39(1), 29–49. https://doi.org/10.1080/01441647.2018.1523253
  • Wang, D. Z., Posner, I., & Newman, P. (2015). Model-free detection and tracking of dynamic objects with 2D lidar. International Journal of Robotics Research, 34(7), 1039–1063. https://doi.org/10.1177/0278364914562237
  • Williams, L. (2019). The whole story of parking: The world of parking is no longer stationary. Eng. Technol., 14(2), 56–61.
  • Zakharenko, R. (2016). Self-driving cars will change cities. Regional Science and Urban Economics, 61, 26–37. https://doi.org/10.1016/j.regsciurbeco.2016.09.003
  • Zhang, W. (2017). the Interaction Between Land Use and Transportation in the Era of Shared Autonomous Vehicles: a Simulation Model. August, 147.
  • Zhang, W., Guhathakurta, S., Fang, J., & Zhang, G. (2015). Exploring the impact of shared autonomous vehicles on urban parking demand: An agent-based simulation approach. Sustainable Cities and Society, 19, 34–45. https://doi.org/10.1016/j.scs.2015.07.006
  • Zhou, D., Yan, Z., Fu, Y., & Yao, Z. (2018). A survey on network data collection. Journal of Network and Computer Applications, 116, 9–23. https://doi.org/10.1016/j.jnca.2018.05.004

8.3 Automatisierter Straßengüterverkehr

Synonyme

automatisierte Fahrsysteme (ADS - automated driving systems), schwere Fahrzeuge mit Verbrennungsmotor (CHV - combustion-powered heavy vehicles), batteriebetriebene schwere Fahrzeuge (BEHV - battery electric heavy vehicles), kooperative und automatisierte Fahrzeuge (CAV - cooperative and automated vehicles)

Definition

Wie Wadud et al. (2016) und Flämig (2016) berichten, wird der Verkehrssektor bald eine Revolution bei automatisierten Fahrsystemen (ADS) erleben. In vielen Studien wurde über einige Vorteile in Bezug auf Nutzererfahrung, Effizienz, Sicherheit, Mobilität, Produktivität, Energie, Umwelt und Wirtschaft durch ADS berichtet (Alessandrini et al., 2015; Anderson et al., 2016; Brown et al., 2014; Chan, 2017; Harper et al., 2016; Wadud, 2017; Kopelias et al., 2020 und Khan et al., 2019), obwohl eine signifikante Erhöhung der Verkehrssicherheit durch hoch- oder vollautomatisierte Fahrzeuge nicht sicher ist, wie Kalra & Paddock (2016) zeigen.

Die Ziele und Beweggründe für das automatisierte Fahren im Pkw- und im Güterverkehr sind sehr unterschiedlich (Wadud, 2017; Nowakowski et al., 2015). Bei Personenkraftwagen sind die Hauptmotivationen das Nutzererlebnis und die Umwelt, während im Güterverkehr die Haupttreiber Produktivität und Rentabilität sind. So ist beispielsweise der Anstieg der Fahrzeugkosten im Zusammenhang mit der Automatisierungshardware im Güterverkehr aufgrund des geringeren Anteils der Kosten für die Automatisierungshardware an den Gesamtanschaffungskosten im Vergleich zu denen von Personenkraftwagen weniger wichtig. Darüber hinaus ermöglichen ADS eine höhere Rentabilität im Güterverkehr, vor allem aufgrund einer Senkung der Arbeitskosten sowie einer vereinfachten Logistik und einer höheren Auslastung und Effizienz (Wadud et al., 2016). Darüber hinaus sinken die Fahrerkosten bei hoher oder vollständiger Automatisierung des Fahrens erheblich, was zu einer frühzeitigen Einführung von ADS im Güterverkehrssektor führt (Ghandriz et al., 2020a).

Die Automatisierungsgrade werden derzeit in 5 Stufen unterteilt (Paulsen, 2018):

Erste Stufe: Assistiertes Fahren

Individuelle Assistenzsysteme unterstützen bei bestimmten Fahraufgaben. Assistiertes Fahren ist bereits heute in vielen Autos Realität. (siehe automatischer Abstandsregeltempomat und automatischer Spurhalteassistent).

Zweite Stufe: Teilautomatisiertes Fahren

Beim teilautomatisierten Fahren kann das Auto/LKW einige Aufgaben zeitweise selbst erledigen - ohne menschliches Zutun. Dazu werden verschiedene Einzelsysteme miteinander kombiniert - in diesem Fall der automatische Abstandsregeltempomat mit dem Notbrems- und Spurhalteassistenten. Weitere Funktionen der Stufe 2 (Überholassistent, automatisches Einparken)

Dritte Stufe: hochautomatisiertes Fahren

Hochautomatisierte Pkw/LKW (Stufe 3) können bestimmte Fahraufgaben automatisiert und ohne menschliches Eingreifen ausführen, allerdings nur für einen begrenzten Zeitraum und unter geeigneten, vom Hersteller festgelegten Bedingungen. Autos der Stufe 3 werden wahrscheinlich zuerst auf Autobahnen unterwegs sein: Dort gibt es keinen Gegenverkehr, die Fahrbahnmarkierungen sind in der Regel in Ordnung, und die Straßen werden kontinuierlich als digitale Karten aufgezeichnet. Seit 2017 gibt es auch in Deutschland einen gesetzlichen Rahmen für Level-3-Autos: Sobald Fahrer:innen ihr Auto in den hochautomatisierten Modus versetzen, darf die Aufmerksamkeit vom Straßenverkehr abgewendet werden. Das bedeutet, dass Fahrer:innen die Zeitung lesen dürfen. Wenn das System jedoch ein Problem erkennt und ein Signal sendet, müssen Fahrer:innen sofort das Steuer übernehmen.

Stufe vier: Vollautomatisiertes Fahren

In den Entwicklungsabteilungen der großen Autokonzerne, aber auch bei Apple, Google oder Uber, arbeiten Ingenieure und Informatiker mit Hochdruck an der Vollautomatisierung des Autos, also an Stufe 4 auf dem Weg zum autonomen Fahren. In dieser Stufe übernehmen die technischen Systeme alle Fahraufgaben automatisch, und das Auto kann auch längere Strecken ohne Eingreifen zurücklegen. Bislang gibt es jedoch noch keinen rechtlichen Rahmen für vollautomatisierte Fahrzeuge.

Fünfte Stufe: Autonomes Fahren

Die fünfte Stufe ist die letzte Stufe des autonomen Fahrens. Das Auto wird nun vollständig vom System gesteuert und führt alle notwendigen Aufgaben automatisch aus. Selbst komplexe Situationen - wie das Überqueren einer Kreuzung, das Durchfahren eines Kreisverkehrs oder das richtige Verhalten an einem Zebrastreifen - können vom autonomen Auto bewältigt werden.

Was den Rechtsrahmen betrifft, so sieht die Europäische Kommission 2019 eine nahtlose und harmonisierte grenzüberschreitende EU- und nationale Regulierung des automatisierten Straßenverkehrs als Schlüsselfaktor für die Markteinführung an. Gemeinsame Verfahren zur Prüfung, Validierung und Zertifizierung ermöglichen die Standardisierung von Lösungen. Standards sollten auch für Datenaustausch- und Kommunikationslösungen gelten. Ethische, rechtliche, ökologische und sicherheitstechnische Aspekte sollten geregelt werden. Vor der Einführung des automatisierten Fahrens muss die Haftung und Verantwortung jedes Akteurs im Straßensystem definiert werden.

Wichtige Interessensgruppen

  • Betroffene: LKW-Fahrer:innen, Spediteure, Lieferunternehmen
  • Verantwortliche: Nationale Regierungen, Stadtverwaltungen, Spediteure, Lieferunternehmen

Aktueller Stand der Wissenschaft und Forschung

Die Verringerung des Kraftstoffverbrauchs, die mit ADS aufgrund einer verbesserten Fahrzeugnutzung und eines kontrollierten Energiemanagements erreicht wird, beträgt bei Personenkraftwagen je nach Verkehrsszenario nur bis zu 10 % im Vergleich zur Beteiligung menschlicher Fahrer:innen (Mersky & Samaras, 2016). Die mit ADS erzielte Verringerung des Kraftstoffverbrauchs dürfte im Güterverkehr höher sein, wenn man bedenkt, dass schwere Fahrzeuge Platoons bilden können, die theoretisch die Energieintensität des nachfolgenden Fahrzeugs um bis zu 25 % verringern, wenn der Abstand zwischen den Fahrzeugen null beträgt (Wadud et al., 2016); Messungen ergaben durchschnittliche Kraftstoffeinsparungen von 8 % bzw. 15 % bei 10 m bzw. 4 m Abstand der LKW im Platoon (Tsugawa et al., 2016). Wie die Europäische Kommission (2016) feststellt, tragen schwere Nutzfahrzeuge zu etwa 25 % der CO2-Emissionen des Straßenverkehrs in Europa bei, die aufgrund des zunehmenden Straßengüterverkehrs trotz verbesserter Kraftstoffeffizienz steigen. Diese Zahlen deuten darauf hin, dass die von ADS angebotenen Effizienzverbesserungen zwar ein rentables Geschäft sind, aber langfristig nicht zu einer Verringerung der CO2-Emissionen führen können; daher ist eine weitere Verringerung der Emissionen im Verkehrssektor erforderlich, was die Entwicklung umweltfreundlicherer Lösungen motiviert (Ghandriz et al., 2020a).

In einer leicht vereinfachten Studie über ADS in schweren Fahrzeugen wurde festgestellt, dass eine Verringerung der Gesamtbetriebskosten (TCO – total cost of ownership) von Lastkraftwagen um 27 % bis 46 % bei batteriebetriebenen schweren Fahrzeugen (BEHV) und um 11 % bis 41 % bei verbrennungsbetriebenen schweren Fahrzeugen (CHV) BEHV über längere Strecken um den Faktor vier rentabler macht als BEHV mit menschlichen Fahrer:innen. Es wurde festgestellt, dass automatisierte BEHV der Stufen 4-5 tendenziell niedrigere optimale Geschwindigkeiten aufweisen als Fahrzeuge mit menschlichen Fahrer:innen. Darüber hinaus wurde gezeigt, dass eine Geschwindigkeitsreduzierung aus Sicherheitsgründen für automatisierte BEHVs der Stufen 4-5 weniger kostspielig ist als für automatisierte CHVs der Stufen 4-5; in vielen Szenarien reduzierten niedrige Geschwindigkeiten bis zu 60 km/h sogar die TCO. Die Verringerung der TCO bei automatisierten LKW der Stufen 4-5 wurde hauptsächlich durch den Wegfall der Fahrerentlohnung (35 %-55 %), die Erhöhung der Betriebszeit auf der Straße und damit die Verringerung der Standzeiten (0 %-15 %), die Erhöhung der Nutzlast durch Wegfall des Fahrerhauses (1,2 %-5 %) und die Optimierung des Antriebssystems (0 %-20 %) erreicht (Ghandriz et al., 2020a). Alle ermittelten Daten und Zahlen wurden in (Ghandriz et al., 2020b) zur Verfügung gestellt und liefern wertvolle Informationen über die Durchführbarkeit und Rentabilität eines geplanten Güterverkehrs mit Automatisierung und Elektrifizierung für einen bestimmten Anwendungsfall.

Pribyl et al. (2020) untersuchen die Auswirkungen einer geringeren CAV-Durchdringung. Demnach werden die Auswirkungen auf die Verkehrs- und Umweltleistungsindikatoren selbst bei einer geringen Anzahl von CAVs auf den Straßen erheblich sein. Diese Integration muss jedoch mit anderen Maßnahmen und Politiken wie der Förderung alternativer Antriebe kombiniert werden, wenn die EU-Emissionsziele erreicht werden sollen. Die Ergebnisse haben jedoch auch gezeigt, dass sich CAVs negativ auf andere Verkehrsparameter auswirken und beispielsweise zu Verspätungen und anderen Verkehrsflussphänomenen führen können.

Shin et al. (2018) analysieren einige der technischen Trends im Zusammenhang mit intermodalen automatisierten Güterverkehrssystemen (ATFS), die darauf abzielen, Treibhausgase und Feinstaub zu reduzieren, die Infrastruktur- und Logistikkosten zu minimieren und Verkehrsstaus zu lindern. Länder wie die USA, Deutschland, die Niederlande und Japan haben aktiv Technologien für ATFS entwickelt. Gan et al. (2021) erfassen die Merkmale der Schwarmintelligenz von LKW-Fahrer:innen als solide Grundlage für den Entwurf, die Kontrolle und das Management des künftigen fahrerlosen LKW-Schwarmrobotersystems. Die Erkennung des kurzfristigen Standorts von LKW-Fahrer:innen im Voraus, insbesondere für Gebiete mit hoher Frachtnachfrage, und damit die optimale Nutzung der Frachtkapazitäten auf der Autobahn, ist die Schlüsselkomponente des Fracht-Matching. Für die Vorhersage auf Stadtebene kann es helfen, die Punkte in der Stadt zu bestimmen, die die LKW-Fahrer:innen anfahren werden, was die Planung einer optimalen Route für sie aus Sicht der Stadt erleichtert. Sie kann auch die interne Transportkapazität der Stadt vorhersagen, den durch den LKW verursachten Engpass vorhersagen und Entscheidungen für das innerstädtische Verkehrsmanagement liefern.

Mulholland et al. (2018) definieren eine globale Bewertung der Dekarbonisierung des Straßengüterverkehrs bis 2050. Insgesamt soll der weltweite Straßengüterverkehr in Tonnenkilometern (tkm) im Zeitraum 2015-2050 in ihrem Referenztechnologieszenario (RTS) um das 2,4-fache ansteigen, wobei der größte Teil des Wachstums auf die Entwicklungsländer entfällt, entsprechend dem Wirtschaftswachstum. Auf die Entwicklungsländer werden im Jahr 2050 voraussichtlich 75 % des Straßengüterverkehrs entfallen. Um die Abhängigkeit von fossilen Brennstoffen zu verringern, werden drei zentrale Anforderungen vorgeschlagen: - Normen für den Kraftstoffverbrauch (Mindesteffizienz). - Unterstützung einer umfassenden Datenerhebung und eines Informationsaustauschs - Förderung des Einsatzes alternativer Kraftstoffe und von Fahrzeugen, die diese nutzen

Aktueller Stand der praktischen Umsetzung

Die anfängliche Einführung des vollständig automatisiert Fahrens in geschlossenen Verkehrssystemen (z.B. Verkehr in einem Systemverbund) und überschaubaren Szenarien (z.B. Autobahn, Flughafengelände, Häfen) hilft, die Zurückhaltung gegenüber den Technologien sowie die fehlende Standardisierung zu überwinden. Die schrittweise Einführung von Platooning, beginnend mit bemannten Führungs- und Folgefahrzeugen, könnte die notwendige Akzeptanz in der Bevölkerung aufbauen. Es sollte geprüft werden, ob die gleichzeitige Einführung von fahrenden Elektro-LKW und damit die Schaffung einer eigenen Fahrspur im Hinblick auf die Kapazitäts- und Sicherheitsanforderungen sinnvoll ist (Flämig, 2016).
In einem Bericht der Europäischen Kommission (2019) werden viele automatisierte Straßenprojekte vorgestellt, aber nur eines, das sich speziell mit dem Güterverkehr beschäftigt:

  • Ensemble (01/06/2018- 31/05/2021)

Das Projekt zielt darauf ab, die Einführung von markenübergreifendem LKW-Platooning auf europäischen Straßen zu unterstützen, so dass ein einzelner LKW mit jedem anderen LKW einen Platoon bilden kann.

Andere Projekte können das Thema auf andere Weise angehen, aber der Fokus liegt auf allen Fahrzeugen. Zum Beispiel:

  • Headstart (01/01/2019- 31/12/2021)

Das Projekt zielt darauf ab, Test- und Validierungsverfahren für spezifische Funktionalitäten des vernetzten und automatisierten Fahrens (CAD) zu definieren, einschließlich Schlüsseltechnologien wie Kommunikation, Cybersicherheit und Ortung. Die Tests werden sowohl in der Simulation als auch in der realen Welt stattfinden, um die Sicherheitsleistung zu validieren.

  • Levitate (01/12/2018- 30/11/2021)

Das Projekt wird einen weitreichenden Bewertungsrahmen entwickeln, um die Auswirkungen des vernetzten und automatisierten Verkehrs (CAT) auf alle Aspekte des Verkehrs und der individuellen Mobilität sowie auf gesellschaftlicher Ebene zu bewerten. Das Projekt richtet sich an lokale, regionale und nationale Behörden, die sich auf den zunehmenden Einsatz von vernetzten und automatisierten Systemen vorbereiten, die Auswirkungen auf die Mobilitätspolitik verstehen und die wirksamsten Maßnahmen zur Erreichung umfassenderer gesellschaftlicher Ziele ergreifen wollen.

In den USA haben vier Hersteller, die den US-amerikanischen Markt für Langstrecken-LKW beherrschen, damit begonnen, sich mit einer fahrerlosen Zukunft zu befassen. Für den Zeitraum 2019-2021 hat jeder von ihnen Verträge mit einem der drei führenden Entwickler von selbstfahrenden Fahrzeugen (Alphabet’s Waymo, TuSimple Holdings und Aurora Innovation) unterzeichnet. Aurora plant, seine fahrerlose Technologie als Dienstleistung zu verkaufen, ähnlich wie die Hersteller von Flugzeugtriebwerken den Fluggesellschaften die Betriebsstunden des Triebwerks in Rechnung stellen. TuSimple und Waymo Via haben ähnliche Pläne und betreiben auch Frachtdienste, während sie ihre Technologie testen. Keine der Partnerschaften mit Herstellern ist exklusiv. Die rege Aktivität im Bereich des LKW-Verkehrs spiegelt einen wachsenden Konsens darüber wider, dass selbstfahrende Autos noch weit davon entfernt sind, die meisten Straßen zu erreichen, und dass 18-Rad-LKWs möglicherweise ein besserer Einsatzbereich für die Einführung der neuen Technologie sind. Langstrecken-LKW fahren die meiste Zeit auf Autobahnen geradeaus, ohne Ampeln, Radfahrer:innen oder Fußgänger:innen, die die Straße überqueren (Boudway, 2021).

Selbstfahrende Fahrzeuge könnten einen immensen Einfluss auf die Logistik und das Lieferkettenmanagement haben. Denn automatisierte LKW, Last-Mile-Lieferroboter und andere AVs fügen sich in einen zunehmend automatisierten Verteilungsprozess ein. Die Automatisierung von Frachtrouten mit hohem Verkehrsaufkommen hat das Potenzial, enorme Effizienzgewinne in Form von verbesserter Sicherheit, erhöhter Kapazität, niedrigeren Betriebskosten und geringerer Umweltbelastung zu erzielen. Ein Analyst von Gartner prognostiziert, dass selbstfahrende LKW zwar frühestens 2024 auf den Markt kommen werden, dass aber Führungskräfte in der Lieferkette, die für den Transport verantwortlich sind, schon jetzt mit den Vorbereitungen für eine automatisierte Zukunft beginnen sollten. Schließlich sind automatisierte LKW nur ein Teil der vollständigen Automatisierung der gesamten Lieferkette, von der automatisierten Bestandsplanung über den automatisierten Versand bis hin zum automatisierten Vertrieb. In einem Bericht (März 2021) prognostiziert ein Marktforschungsunternehmen, dass automatisierte LKW bis 2030 in größerem Umfang eingesetzt werden und mehr als 10 % der neu verkauften schweren LKW auf der Straße ausmachen werden. Bis 2028 wird ein Fünftel der Länder der Welt aktive Vorschriften haben, die den legalen Betrieb von serienreifen automatisierten Fahrzeugen erlauben, während es 2019 noch null waren (Eddy, 2021).

Gesellschaftlicher Aspekt

Trotz der unmittelbar bevorstehenden technischen Umsetzungsmöglichkeit ist die Gesellschaft möglicherweise noch nicht ganz bereit dafür, und es wird mit politischem Widerstand gerechnet, weil das Potenzial für Massenarbeitslosigkeit unter Berufskraftfahrer:innen besteht (Wadud, 2017). Nach Angaben der IRU (International Road Transport Union) steht der europäische Straßenverkehrssektor 2019 vor dem größten Mangel an Berufskraftfahrer:innen seit Jahrzehnten. Einer Umfrage zufolge liegen die Gründe dafür in der mangelnden Attraktivität des Verkehrssektors für Frauen (nur 2 % der Beschäftigten im europäischen Verkehrssektor sind Fahrerinnen), der Attraktivität der Branche für junge Menschen, dem schlechten Image des Berufs, den schlechten Arbeitsbedingungen und der zu langen Abwesenheit von Zuhause und der Familie. Hinzu kommt die demografische Alterung der Arbeitskräfte. Das Durchschnittsalter der LKW-Fahrer:innen in Europa liegt bei 44 Jahren (Kulikowska-Wielgus, 2019).

In den USA haben Bundesbehörden beim Office of Management and Budget (OMB) Pläne für eine Umfragestudie eingereicht, um den öffentlichen Appetit auf automatisierte Fahrsysteme (ADS) im LKW-Sektor zu ermitteln. Das Projekt “Trucking Fleet Concept of Operations (CONOPS) for Managing Mixed Fleets” hat jedoch bereits öffentlichen Druck erfahren. Bei der Federal Motor Carrier Safety Administration (FMCSA) gingen zwar nur acht Kommentare zu dem Vorschlag ein, als er im November erstmals angefordert wurde, doch alle sprachen sich dagegen aus. Sie verwiesen auf den potenziellen Verlust von Arbeitsplätzen für LKW-Fahrer:innen und Sicherheitsbedenken, die sich aus ADS-Tests in der realen Welt" ergeben, bevor genügend Simulatortests durchgeführt worden sind. “Menschen, die von LKW-Fahrerjobs abhängig sind, werden arbeitslos und haben keine Möglichkeit mehr, ihren Lebensunterhalt zu verdienen und für sich und ihre Familien zu sorgen”, hieß es in einem Kommentar. Wenn das OMB die Umfrage genehmigt, wird ein Fragebogen ausgefüllt, bevor und nachdem die Teilnehmer:innen die Gelegenheit hatten, praktische Erfahrungen mit der ADS-LKW-Technologie zu machen, um eine Veränderung der Stimmung zu ermitteln. Es ist geplant, diese Erfahrungen auf vier “Roadshows” auf bestehenden Trucking-Konferenzen im ganzen Land zu teilen (Gallagher, 2021).

Seit 2019 fährt ein vollelektrischer automatisierter LKW “T-Pod” von Einride im Auftrag des Logistikdienstleisters DB Schenker auf einer öffentlichen Straße in Schweden. Die bis Ende 2020 gültige Zulassung sah allerdings vor, dass der bis zu 26 Tonnen schwere T-Pod nur 5 km/h fahren darf, dass die Zulassung nur für eine bestimmte öffentliche Straße in einem Industriegebiet gilt und dass jedem Fahrzeug ein:e Mitarbeiter:in als Supervisor zugeordnet ist, die/der bei Problemen aus der Ferne per Joystick eingreifen kann. Der LKW war hochtechnisiert und hatte keine Fahrerkabine. Stattdessen bietet der E-LKW nach Angaben von Einride Platz für 15 Europaletten. Die reguläre Höchstgeschwindigkeit ist auf 85 km/h gedeckelt. Eine 280 kWh-Batterie an Bord soll eine Reichweite von 200 km garantieren (Of-Allinger et al., 2020; Werwitzke, 2019).

In überschaubaren, abgesperrten Gebieten wie Steinbrüchen oder Bergwerken werden fahrerlose Fahrzeuge bereits in der Praxis getestet. Volvo Trucks zum Beispiel hat sechs selbstfahrende LKW in einem norwegischen Kalksteinwerk im Einsatz (Böhm, 2019).

Relevante Initiativen in Österreich

In Upper Austria (Gunskirchen), a driverless truck will soon also be on the road in public areas. Over the next three years, it will regularly cover the approximately 600-metre route between the logistics centre of DB Schenker Austria and the engine manufacturer BRP-Rotax. The route runs partly on factory premises and partly in public areas and is to be completed in all weathers. After completion of the test phase, the driverless electric transporter will then cover the route between DB Schenker’s logistics centre and the BRP-Rotax company, which is mainly on the public road, completely autonomously from 2023. The electric vehicle is to complete the route in all weathers, whether wind, rain or snow. For freight transport, a classic diesel truck currently travels the same route several times a day (APA, 2021; DB, 2021).

Auswirkungen in Bezug auf die Ziele für nachhaltige Entwicklung (SDGs)

Ebene der Auswirkungen Indikator Richtung der Auswirkungen Beschreibung des Ziels & SDG Quelle
Individuell ADS bei schweren Fahrzeugen fuehrt zu einer Verringerung der Gesamtbetriebskosten von Lkw zwischen 11 % und 46 % + Nachhaltige wirtschaftliche Entwicklung (8,11) Ghandriz et al., 2020a
Systemisch Verringerung der Umweltauswirkungen + Oekologische Nachhaltigkeit (7,12-13,15) Kopelias et al., 2020
Systemisch ADS ermoeglichen eine hoehere Rentabilitaet im Gueterverkehr + Nachhaltige wirtschaftliche Entwicklung (8,11) Wadud et al., 2016
Systemisch Die C-ROADS-Plattform wurde eingerichtet, um die Nutzung von C-ITS-Aktivitaeten in ganz Europa zu harmonisieren + Partnerschaften und Kooperationen (17) European Commission, 2021

Technology and societal readiness level

Stand der Technologiebereitschaft Gesellschaftlicher Bereitschaftsgrad
6-8 5-7

Offene Fragen

  1. Wie groß wird der Rebound-Effekt sein, der sich aus der Verbesserung der Frachteffizienz ergibt?
  2. Wer ist verantwortlich, wenn die Technologie im halbautomatischen Betrieb gegen eine Geschwindigkeitsbegrenzung oder andere Verkehrsvorschriften verstößt?
  3. Wie sollten kommerzielle CAVs am besten mit konventionellen LKW integriert werden?

Referenzen

8.4 Automatischer Zugbetrieb

Synonyme

Hochgeschwindigkeitsbahnen (HSR - high-speed railways), automatisches Zugsicherungssystem (ATC - automatic train control system), Grad der Automatisierung (GoA - Grade of Automation), unbegleiteter Zugbetrieb (UTO oder GoA4 - unattended train operation)

Definition

In den letzten Jahrzehnten haben sich die Schienenverkehrssysteme in Bezug auf das technische Niveau, die Gesamtlänge, die Reisegeschwindigkeit und die Servicequalität erheblich verändert. Das Management des Zugbetriebs, um einen sicheren und effizienten Betrieb eines Eisenbahnsystems zu erreichen, ist seit langem ein Anliegen. In herkömmlichen Eisenbahnsystemen wird dies in der Regel durch (i) einen Fahrplan und einen Fahrzeugplan und (ii) einen Echtzeit-Zugbetrieb durch Triebfahrzeugführer:innen mit Hilfe fester Signalanlagen erreicht. Diese teilweise manuelle Arbeit hat jedoch viele Nachteile für den Zugbetrieb aufgrund der steigenden Verkehrsnachfrage und der begrenzten Eisenbahninfrastruktur. Das manuelle Führen von Zügen basiert in der Regel auf Ausbildung und Erfahrung, wobei strenge Berechnungen und systematische Überlegungen fehlen. Daher ist es schwierig, die Sicherheit, die Qualität der Dienstleistung (z. B. Beförderungskapazität, Pünktlichkeit, Genauigkeit der Haltepunkte in den Bahnhöfen) und die Betriebskosten (z. B. Energieverbrauch, Auslastung der Infrastruktur) zu gewährleisten. Dieses Problem ist besonders gravierend in städtischen Bahnsystemen, wo die Fahrgastnachfrage extrem hoch ist und die Abfahrtszeiten der Züge sehr kurz sind (Yin et al., 2017).

Im manuellen Betrieb müssen die Triebfahrzeugführer:innen die Vorwärtssignale im Auge behalten und dann entsprechende Zugsteuerungsbefehle geben. Im Wesentlichen wissen die Streckenlogik und die Fahrdienstleiter nur, in welchem Gleisstromkreis sich der Zug befindet, und verhindern, dass andere Züge in denselben Gleisstromkreis einfahren. Da dieser Prozess nicht streng überwacht und streng berechnet wird, ist er zudem in der Regel anfällig für externe Faktoren (z. B. mentaler Zustand der Triebfahrzeugführer:innen, extreme Wetterbedingungen), was zu Unsicherheit und Ineffizienz führt (Yin et al., 2017). Mit der Entwicklung von Kommunikations-, Steuerungs- und Computertechnologien in den letzten Jahrzehnten gilt der automatische Zugbetrieb (ATO) als eine aufkommende Technologie, die das traditionelle manuelle Fahren in vielen städtischen Bahnsystemen ersetzen kann (Dong et al., 2010; Miyatake & Ko, 2010). ATO zielt in der Regel darauf ab, die Effizienz des Bahnbetriebs zu verbessern, indem automatisch Echtzeitentscheidungen über optimierte Zugbeschleunigungs-, -verzögerungs- und -bremsbefehle getroffen werden. Angesichts zunehmender Umwelt- und Energieprobleme wird ATO auch weithin als vielversprechender Ansatz zur Reduzierung des Energieverbrauchs und der Kohlenstoffemissionen durch optimierte Zugsteuerungsentscheidungen bei gleichzeitiger Verbesserung der Servicequalität anerkannt (Yin et al., 2017).

Im Eisenbahnverkehrssystem wird zwischen zwei grundlegenden Regelkreisen unterschieden: dem äußeren Regelkreis als Steuerung des Bahnverkehrs und dem inneren Regelkreis als Zugbetrieb selbst (Rao, 2015). Diese beiden Regelkreise sind eng miteinander verknüpft und beide sind wichtig für den sicheren und effizienten Betrieb eines Eisenbahnsystems (Yin et al., 2017).

Steuerung des Bahnverkehrs

Die Bahnverkehrssteuerung zielt darauf ab, den Status des Verkehrs und der Infrastruktur zu überwachen, Abweichungen und Konflikte zu erkennen und einen konfliktfreien Plan für die Umplanung von Zügen zu entwickeln, um unterstützende Entscheidungen für die Triebfahrzeugführer:innen zu treffen, um die Kapazität und Pünktlichkeit der ankommenden Züge zu optimieren und Konflikte mit anderen Zügen zu vermeiden (Corman und Meng, 2015).

Zugbetrieb

Der Zugbetrieb (d. h. die innere Schleife) konzentriert sich auf die sicheren und effizienten Zugbewegungen in jedem Block auf mikroskopischer Ebene während der fahrplanmäßigen (oder umdisponierten) Planung, indem alle grundlegenden Zugsteuerungsbefehle (d. h. Beschleunigen, Fahren, Ausrollen und Bremsen) festgelegt werden.

Zur Definition der Terminologie: ATO ist ein Teilsystem des automatischen Zugsteuerungssystems (ATC - automatic train control system). ATC umfasst drei Teilsysteme, nämlich die automatische Zugsicherung (ATP - automatic train protection), den automatischen Zugbetrieb (ATO - automatic train operation) und die automatische Zugüberwachung (ATS - automatic train supervision) (Yin et al., 2017).

  • Das ATS-System ist für die Überwachung der Zugbewegung zuständig, indem es die folgenden Aufgaben übernimmt: Zugstatusüberwachung, automatische Streckenauswahl, automatische Fahrplanerstellung, automatische Betriebsprotokollierung, Statistik und Berichterstattung sowie automatische Systemstatusüberwachung.
  • Das ATP-System ist ein ausfallsicheres System, das für die sichere Bewegung jedes Zuges verantwortlich ist. ATP regelt die Geschwindigkeitsbegrenzungen nicht nur, um einen sicheren Betriebsabstand zwischen den Zügen aufrechtzuerhalten, sondern auch um Sicherheits- und Geschwindigkeitsanforderungen zu erfüllen. Sobald der Zug die Geschwindigkeitsgrenze überschreitet, leitet ATP automatisch eine Bremsung (oder Notbremsung) ein, um den Zug anzuhalten und die Sicherheit zu gewährleisten.
  • Das ATO-System übernimmt die fahrzeugseitigen Funktionen eine:r Triebfahrzeugführer:in, um eine sanfte Beschleunigung des Zuges auf die Fahrgeschwindigkeit, die Geschwindigkeitskontrolle und das präzise Anhalten des Zuges am Zielbahnsteig zu gewährleisten. Im Normalfall ist das ATO-System für alle Steuerbefehle für die Traktions- und Bremssteuerung des Zuges verantwortlich und ist daher der Schlüssel für die betriebliche Effizienz und Rentabilität von Zugbetriebssystemen (Dong et al., 2010).

Im Wesentlichen besteht die ATO aus Computerprogrammierung und Steuerungstechniken, welche die Triebfahrzeugführer:innen bei der automatischen Steuerung der Zugbewegungen unter der Aufsicht von ATP und ATS unterstützen (oder vollständig ersetzen). Typischerweise wird der Zugbetrieb derzeit auf zwei Arten realisiert:

(1) Manuelles Fahren, unterstützt durch ein Triebfahrzeugführer:innen-Beratungssystem (DAS - driver advisory system), das dem Triebfahrzeugführer:innen eine empfohlene Geschwindigkeit vorgibt, um ihm zu besseren Fahrstrategien zu verhelfen.
(2) Halb- oder vollautomatischer Betrieb durch ein ATO-System bei Stadtbahnlinien mit höherem Automatisierungsgrad, das den manuellen Betrieb teilweise (oder vollständig) ersetzen kann. Bei einigen automatisierten Stadtbahnlinien generiert das ATO-System zunächst ein empfohlenes Geschwindigkeitsprofil, bevor der Zug abfährt, so dass der Zug pünktlich an der nächsten Station ankommen kann. Nachdem der Zug die Station verlassen hat, passt der Geschwindigkeitsregler von ATO die Steuerbefehle für die Beschleunigung, das Ausrollen, die Fahrt oder das Abbremsen des Zuges automatisch über einen Regelkreis an. Darüber hinaus ist ATO für das automatische präzise Anhalten des Zuges im Bahnhof verantwortlich. Zu den weiteren Funktionen gehört das automatische Reversieren von Zügen an Terminals (Yin et al., 2017).

Ein ATO-System besteht aus zwei Komponenten (Tasler & Knollmann, 2018): - Die streckenseitige Komponente ATO-TS (ATO trackside) sammelt statische und dynamische Strecken- und Fahrplandaten aus dem bestehenden streckenseitigen TMS (Traffic Management System) und überträgt diese an die ATO-On-Board-Units. - Die fahrzeugseitige Komponente ATO-OB (ATO onboard) berechnet auf Basis der Infrastrukturdaten, Strecken- und Fahrplaninformationen sowie Fahrplaninformationen das jeweils optimale Fahrprofil und steuert die Antriebs- und Bremseinrichtungen des Fahrzeugs für das automatisierte Fahren. Laut Lang (2019) wird bei der Automatisierung der Bahn die zusätzliche technische Ausrüstung aus Kostengründen hauptsächlich im Zuginneren untergebracht. Gleise oder Bahnhöfe bleiben weitgehend unverändert. Allerdings sind die aktuellen Sensoren nicht für den Dauerbetrieb in einem Zug, für Temperaturen von -25 bis +50 Grad, Schnee, Regen und ständige Erschütterungen ausgelegt. Ein Unsicherheitsfaktor für die Automatisierung von Zügen im Linienverkehr ist auch die Akzeptanz der Fahrgäste. So zeigt die Studie von AutoBahn2020, dass die Fahrgäste zwar Bahnpersonal an Bord haben wollen, es muss aber nicht ein:e Lokführer:in sein.

Die Automatisierungsstufen von Zugbetriebssystemen sind in der internationalen Norm IEC 62290-1 2014 definiert. Die fünf Automatisierungsstufen reichen von GoA0 bis GoA4. Nach dieser Norm sind GoA0 und GoA1 im Wesentlichen nicht automatisierte Zugbetriebsstufen, die eine manuelle Bedienung der Züge durch das Personal im Führerstand erfordern. In GoA2 sind Beschleunigung und Bremsen automatisiert, während der Triebfahrzeugführer:innen im Führerstand für die sichere Abfahrt des Zuges und die Türsteuerung verantwortlich ist. GoA3 ist ein fahrerloser Zugbetrieb, bei dem sich kein Lokführer im Steuerungsbereich des Zuges befindet. Stattdessen ist nur ein Mitglied des Betriebspersonals für die sichere Abfahrt des Zuges verantwortlich. Die meisten der bestehenden ATO-Systeme erreichen in der Regel GoA2 oder GoA3. Die höchste Stufe der Automatisierung des Zugbetriebs ist der unbegleitete Zugbetrieb (Fully automated [or unattended] train operation, UTO oder GoA4 genannt), bei dem es überhaupt keine Triebfahrzeugführer:innen oder Betriebspersonal gibt und die Züge vollautomatisch betrieben werden (Yin et al., 2017).

Auf der Schiene sind bereits heute vielfältige Automatisierungsfunktionen im Einsatz: Elektronische Stellwerke steuern und sichern die Fahrwege, automatische Zugbeeinflussungssysteme sorgen dafür, dass die Zugbewegungen bei größtmöglicher Streckenkapazität gesichert sind und intelligente Betriebsleitsysteme übernehmen die rechtzeitige Trassierung und sorgen dafür, dass die vorhandenen Kapazitäten unter Ausnutzung aller Leistungsreserven besser ausgelastet werden und auch in betrieblichen Ausnahmesituationen ein hohes Leistungs- und Qualitätsniveau des Schienenverkehrs gewährleistet ist. Mit der Digitalisierung ist jedoch eine weitere Leistungssteigerung durch die Optimierung kompletter Betriebsabläufe im Schienenverkehr nach betrieblichen und wirtschaftlichen Kennzahlen möglich. Bei U-Bahnen ist der vollautomatisierte Bahnbetrieb längst Realität, da sie sich aufgrund ihrer Streckenführung in geschlossenen Tunnelsystemen besonders gut für den fahrerlosen Betrieb eignen (Tasler & Knollmann, 2018).

Die erwarteten Vorteile von ATO im Schienenfernverkehr sind (Tasler & Knollmann, 2018): - Erhöhung der Strecken- und Transportkapazität durch Verkürzung der Zugabstände - Verbesserung der Fahrplanstabilität und Pünktlichkeit durch einheitliche und planbare Fahrzeiten zwischen den Stationen - Energieeinsparung durch optimierte Fahrweise - Verringerung der mechanischen Beanspruchung und des Verschleißes im Antriebs- und Bremssystem mit geringeren Wartungskosten - Lärmminderung, insbesondere im Güterverkehr, durch ruhiges und gleichmäßiges Fahren ruhiges Fahren mit weniger Bremsvorgängen - Erhöhter Fahrgastkomfort durch sanftes und gleichmäßiges Fahren und konstante und gleichbleibende Fahrqualität - Erhöhte Flexibilität für bedarfsgerechten Zugverkehr (mit GoA3/4) - Verbesserung der Betriebskosten durch Erhöhung der Effektivität des Personals (bei GoA3/4)

Weiterhin gibt es eine klare Spurführung auf der Schiene, auf die sich die Hinderniserkennung automatisierter Systeme beschränken kann, jedoch ist es schwierig, eine Zulassung im Bahnbereich zu erhalten. Während ein automatisiert fahrendes Auto im Zweifelsfall sofort wieder manuell gesteuert werden kann, ist dies bei einem Zug, der keine Fahrer:innen an Bord hat, nicht möglich. Ebenso können nicht alle Gefahren im Voraus programmiert werden. Deshalb werden die Wahrscheinlichkeitswerte für Gefahren in bestimmten Szenarien berechnet. Erkennt das System eine Person auf den Gleisen, schätzt es die Wahrscheinlichkeit eines Zusammenstoßes ab und reagiert mit Notbremsung, Geschwindigkeitsreduzierung, Auslösen des Signalhorns usw. Die Notbremsung ist das unbeliebteste Mittel, da die Bremswege von schweren Zügen zu lang sind, um vor einem Hindernis anzuhalten. Wenn z. B. ein Auto die Gleise kreuzt, hat es in den meisten Fällen die Gleise längst verlassen, bevor der Zug den Bahnübergang erreicht. Das automatisierte System muss in der Lage sein, dies abzuschätzen (Lang, 2019).

Wichtige Interessensgruppen

  • Betroffene: Fahrgäste, Zugbetreiber
  • Verantwortliche: Nationale Regierungen, Stadtverwaltungen, private Verkehrsunternehmen, öffentliche Verkehrsbehörden, politische Entscheidungsträger:innen

Aktueller Stand der Wissenschaft und Forschung

Ein Großteil der laufenden Forschungsarbeiten wird als in privater Hand befindlich angesehen, jedoch zeigt eine aktuelle Literaturübersicht einige wichtige Trends in der Forschung zur Bahnautomatisierung.

Erstens wird das Konzept des Rail Platooning von Schwerdfeger et al. (2021) entwickelt. Es soll die Kopplung mehrerer kleinerer Züge (mitsamt ihren Lokomotiven) zu einem Zugverbund ermöglichen. Funkkommunikation und Sensoren sorgen für die Koordination zwischen den Lokomotiven, so dass alle Züge eines Platoons gleichzeitig bremsen und beschleunigen (Castagnetti et al., 2016). Im Gegensatz zum LKW-Platooning, bei dem die LKW nur über eine drahtlose Fahrzeug-zu-Fahrzeug-Kommunikationstechnologie verbunden sind, sind die Züge beim Rail Platooning-Konzept tatsächlich physisch miteinander verbunden. In Rangierbahnhöfen sollen Güterzüge auf andere Züge warten, die dann zu längeren Zugverbänden gekoppelt werden. Der Bau dieser schnellen Rangierbahnhöfe erfordert jedoch massive Investitionen in die Schieneninfrastruktur. Deutschlands größter Bahnbetreiber, die Deutsche Bahn, hat ein Projekt initiiert, um zu evaluieren, ob die Vorteile, die das Platooning verspricht, die enormen Investitionen wert sind. Das Platooning hat jedoch das Potenzial, den Zugdurchsatz in einem überlasteten Schienenkorridor erheblich zu erhöhen und die Gesamtzugkilometer zu minimieren, wenn der Rangiervorgang vollständig automatisiert ist und nur wenige Minuten dauert. Daher sind technologische Entwicklungen zur Realisierung schneller Rangiervorgänge ein kritischer Erfolgsfaktor für das Rail Platooning Konzept (Schwerdfeger et al., 2021). Hierzu wird in Österreich gerade eine Digitale Automatische Kupplung (DAK) entwickelt. Diese ist eine bahnbrechende Innovation im europäischen Schienengüterverkehr. Sie ermöglicht nicht nur erstmals ein weitgehend automatisiertes Kuppeln, sondern schafft auch die Voraussetzungen für die Automatisierung und Digitalisierung des Schienengüterverkehrs in Europa und gilt damit als wichtiger Schritt zur Steigerung seiner Attraktivität und Produktivität (Rieder, 2020).

Zweitens spielt die Hinderniserkennung eine wichtige Rolle im automatischen Zugbetrieb. Um die geringe Genauigkeit und schlechte Echtzeitleistung herkömmlicher Erkennungsmethoden zu überwinden und Hindernisse über mittlere und lange Strecken besser zu erkennen, wurde die Hinderniserkennung im Schienenverkehr auf der Grundlage von Deep Learning untersucht (He et al., 2021).

Obwohl es derzeit kein gemeinsames Modell oder Konzept für die Steuerung des gesamten Eisenbahnnetzes gibt, zeichnet sich ein Trend zur Verwendung integrierter Optimierungsmodelle ab, um gleichzeitig Zugsteuerungsmaßnahmen (z. B. empfohlenes Geschwindigkeitsprofil) und Umplanungen zu generieren. Da sich zudem die LTE-R-Technologie (Long Term Evolution for Railway) abzeichnet, die eine grenzüberschreitende Zug-zu-Infrastruktur- und Zug-zu-Zug-Kommunikation ermöglicht, kann die integrierte Eisenbahnverkehrssteuerung auch von der künftigen Anwendung dieser neuen Technologie profitieren und zur Verbesserung der Eisenbahnverkehrssysteme beitragen (Yin et al., 2017).

Aktueller Stand der praktischen Umsetzung

Derzeit wird ATO auf vielen neu eingerichteten U-Bahn-Linien eingesetzt. Fast ein Viertel der weltweiten Metrosysteme nutzen mindestens eine Linie im unbegleiteten Zugbetrieb (UTO), zum Beispiel in Paris, Peking, Dubai und Sydney (Fraszczyk & Mulley, 2017), und es hat sich gezeigt, dass dies große Vorteile bei der Reduzierung manueller Arbeit, der Erhöhung der Transportkapazität der Infrastruktur und der Verbesserung der Servicequalität für die Fahrgäste (z. B. höhere Pünktlichkeit und präzisere Haltepunkte) bietet (Yin et al., 2017).

Allerdings ist der UTO-Betrieb im Regional- und Fernverkehr noch nicht möglich. Obwohl bereits in den 1930er Jahren Forschungen und Einrichtungen zur Zwangsbremsung von Zügen und zur Beeinflussung von Triebfahrzeugen begannen, trafen sich erst im Dezember 1989 die Vertreter aller EU-Staaten, um die Schaffung eines einheitlichen Zugbeeinflussungssystems zu beschließen. Dabei ging es Planer:innen vor allem um den grenzüberschreitenden Verkehr. Mit dem einheitlichen European Train Control System (ETCS) sollte ein international gültiger Standard geschaffen werden, den dann auch andere Staaten und Eisenbahnunternehmen übernehmen können. Bislang hat die EU-Kommission vor allem die Ausrüstung der internationalen Korridore vorangetrieben, die bis Mitte der 2020er Jahre durchgängig mit ETCS betrieben werden sollen. Außerdem sollen neue Lokomotiven generell mit diesem System ausgestattet werden, sie können aber vorerst auch ohne das System mit herkömmlichen Signalen fahren. Die Errungenschaften des ETCS sind bemerkenswert und zeigen, in welche Richtung sich der europäische Schienenverkehr in Zukunft entwickeln wird. Die Einführung der komplexen und technisch anspruchsvollen Systeme ist jedoch mit enormen Investitionen verbunden (DB, 2019).

Das Zugbeeinflussungssystem (ETCS), das Zugfunksystem (GSM-R) und Teile der einheitlichen Vorschriften (Technische Spezifikationen für die Interoperabilität (TSI)) bilden zusammen das European Rail Traffic Management System (ERTMS) (ÖBB, n.d.). Das ETCS ermöglicht das Fahren ohne Haupt- und Vorsignale und erhöht gleichzeitig die Sicherheit. Das System ist vergleichbar mit einem Autopiloten, wie er in der Luftfahrt seit Jahrzehnten üblich ist. Das System überwacht den Zug anhand von Informationen aus dem Streckenatlas, einer genauen Positionsbestimmung und vordefinierten Führungsgrößen und kann so rechtzeitig die richtigen Entscheidungen treffen, um die Fahrt des Zuges auch bei hohen Geschwindigkeiten zu gewährleisten. Wie im Flugzeugcockpit haben jedoch Lokführer:innen das letzte Wort, sie können den Zug auch bei einem Ausfall des Systems oder anderen unvorhergesehenen Ereignissen fahren und steuern. Obwohl es also technisch möglich wäre, den Zug ohne Lokführer:in zu betreiben, sind es nach dem heutigen Stand der Technik die Lokführer:innen, die für die Sicherheit der Bahnsysteme sorgen. Sie tragen nach wie vor die Verantwortung für den Zug und die Fahrgäste oder die Fracht. Sie beobachten die Strecke und achten darauf, dass es keine Schäden oder Hindernisse gibt und sind die letzte und wichtigste Sicherheitsinstanz im System. Zudem sind bisher nur wenige Strecken mit dem technisch anspruchsvollen und preisintensiven System ausgestattet. Sobald der Zug auf anderen Streckenabschnitten weiterfahren soll, sind Lokführer:innen ebenfalls unverzichtbar (DB, 2019).

Laufende Projekte

Siemens Mobility hat gemeinsam mit anderen Partnern zwei innovative Forschungsprojekte des Deutschen Zentrums für Schienenverkehrsforschung (DZSF) zur Untersuchung der Sicherheit des automatisierten Bahnbetriebs bis Ende 2020 gewonnen. Ziel ist es, die notwendigen Kriterien für die Zulassung des vollautomatisierten Regional- und Fernverkehrs zu definieren. Die beiden Projekte werden mit 1,7 Millionen Euro gefördert und haben eine Laufzeit von 30 Monaten. Die Studien konzentrieren sich auf die höchsten Automatisierungsstufen (GoA 3 und GoA 4), die vollautomatische Züge mit und ohne Zugbegleiter:innen klassifizieren. Es wird erwartet, dass der automatisierte Regional- und Fernverkehr auf der Schiene die Zukunft der Mobilität prägen wird. In Hamburg führt Siemens Mobility mit der S-Bahn ein Pilotprojekt zum hochautomatisierten Fahren durch, das 2021 zum ITS-Weltkongress den Fahrgastbetrieb aufnehmen soll. In London hat Siemens Mobility auf der ThamesLink-Linie erstmals ein System für automatisierten Zugbetrieb (ATO) mit dem Europäischen Zugsicherungssystem (ATCS) kombiniert (Global Railway Review, 2020).

Alstom hat einen Innovationspreis für ein geplantes Testprojekt zur Umsetzung des automatischen Zugbetriebs (ATO) im täglichen Betrieb des regionalen Personenverkehrs erhalten. Alstom wird dieses Projekt 2021 gemeinsam mit dem Regionalverband Großraum Braunschweig, dem Deutschen Zentrum für Luft- und Raumfahrt (DLR) und der Technischen Universität Berlin (TU Berlin) starten. Es hat eine Laufzeit von drei Jahren. Die Testzüge werden zwischen Braunschweig und Wolfsburg verkehren (Sapién, 2020).

Nokia wird mit der Deutschen Bahn zusammenarbeiten, um 5G für ATO im Jahr 2021 auf einem 23 km langen Abschnitt der Linie 21 der Hamburger S-Bahn vom Berliner Tor nach Bergedorf zu entwickeln. Die Linie 21 wird zunächst das fahrerlose Rangieren leerer Züge im Bereich des Bahnhofs Bergedorf demonstrieren, das auf der Übertragung von Zugsteuerungsinformationen über das 5G-Netz basiert. Siemens wird ein ähnliches System in Hamburg installieren (Briginshaw, 2019).

EAST Japan Railway (JR East) hat Pläne angekündigt, den automatischen Zugbetrieb (ATO) auf einem ersten 30 km langen Abschnitt der Tokioter Joban-Pendlerstrecke zwischen Ayase und Toride im Jahr 2021 aufzunehmen (Cuenca, 2021).

Die China Railway Corporation entwickelt ein Zugsteuerungssystem, mit dem die Fuxing-Hochgeschwindigkeitszüge automatisch mit Geschwindigkeiten von bis zu 350 km pro Stunde fahren werden. Die automatisierten Züge sollen 2022, noch vor der Eröffnung der Olympischen Winterspiele, in Betrieb genommen werden (China Plus, 2019).

Die Schweizerische Bundesbahn SBB strebt mit smartrail 4.0 lediglich die Automatisierungsstufe GoA2 an. Das von der SBB entwickelte und getestete Assistenzsystem ATO basiert auf dem europäischen Sicherheitsstandard ETCS (SBB, n.d.). 2025 will der Zughersteller Bombardier die ersten automatisierten Züge im Fernverkehr auf die Schiene bringen. Auf geschlossenen Strecken gibt es selbstfahrende Schienenfahrzeuge bereits seit den 1980er Jahren, zum Beispiel in S- und U-Bahnen. Auf offenen Strecken sind die Anforderungen an die Technik jedoch viel höher, denn sie muss Signale und Hindernisse wie umgestürzte Bäume oder Tiere zweifelsfrei erkennen. Die Entwicklung schreitet jedoch voran. Oz Ural (Leiter der Digitalabteilung bei Bombardier Transportation in Berlin) sagt: “Der Großteil der Technologie ist bereits vorhanden und es werden bereits Tests durchgeführt. Was für den Einsatz von automatisierten Zügen auf freier Strecke noch fehlt, ist der rechtliche Rahmen und die öffentliche Akzeptanz.” (Schwär, 2020).

Die automatisierten Züge des Unternehmens Rio Tinto haben 2018 in Westaustralien bereits 1 Million Kilometer automatisiert zurückgelegt. Es handelt sich um den weltweit ersten automatisierten Schwerlasttransport über lange Strecken auf der Schiene. Rio Tinto betreibt rund 200 Lokomotiven auf mehr als 1.700 Streckenkilometern in der Pilbara und transportiert Erz von 16 Minen zu vier Hafenterminals. Lokomotiven mit AutoHaul-Software sind mit On-Board-Kameras ausgestattet, die eine ständige Überwachung durch die Betriebszentrale ermöglichen. Alle öffentlichen Bahnübergänge des Netzes sind mit CCTV-Kameras ausgestattet und wurden auf die höchsten Sicherheitsstandards aufgerüstet (Rio Tinto Group, 2018).

Relevante Initiativen in Österreich

Die Digitale Automatische Kupplung (DAK) ist eine bahnbrechende Innovation im europäischen Schienengüterverkehr. Sie ermöglicht nicht nur erstmals ein weitgehend automatisiertes Kuppeln, sondern schafft auch die Voraussetzungen für die Automatisierung und Digitalisierung des Schienengüterverkehrs in Europa und gilt damit als wichtiger Schritt zur Steigerung seiner Attraktivität und Produktivität.

Derzeit sind in Österreich rund 300 km ETCS Level 2 in Betrieb. In drei Umsetzungsphasen soll das ETCS-Netz auf 3.700 km ETCS Level 2 ausgebaut werden. Ab 2025 dürfen nur noch Bahnen, die mit diesem Standard fahren können, diese Strecken befahren.

Ab 2025 sollen auf der neuen Linie U5 in Wien fahrerlose U-Bahnen fahren.

Im Rahmen des Klimafondsprojekts AutoBahn2020 haben sich Forscher:innen der FH Oberösterreich der Automatisierung von Zügen angenommen. Auf der Lokalbahn zwischen Vorchdorf und Gmunden testeten sie einen mit Technik aufgerüsteten Zug im fahrerlosen Betrieb. Mögliche Anwendungen für automatisiert fahrende Züge werden vor allem im Regionalverkehr gesehen. Mit zusätzlich eingesetzten fahrerlosen Zügen könnte die Fahrtenfrequenz erhöht werden, ohne gleichzeitig die Personalkosten zu erhöhen. Strecken mit höherem Verkehrsaufkommen, wie etwa zwischen Wien und Salzburg, sind hingegen nicht geeignet: “Hier spielen die Personalkosten aufgrund der hohen Auslastung nur eine untergeordnete Rolle. Strecken, die aufgrund mangelnder Wirtschaftlichkeit eingestellt wurden, könnten aber durch automatisierte Züge wiederbelebt werden.”

Auswirkungen in Bezug auf die Ziele für nachhaltige Entwicklung (SDGs)

Ebene der Auswirkungen Indikator Richtung der Auswirkungen Beschreibung des Ziels & SDG Quelle
Individuell Bessere Puenktlichkeit und eine angenehmeres Beschleunigungs- und Bremsverhalten der Zuege + Gesundheit und Wohlbefinden (3) Yin et al., 2017
Systemisch Laermreduzierung und erhoehte Sicherheit durch verschiedene automatisierte Systeme + Gesundheit und Wohlbefinden (3) Tasler & Knollmann, 2018
Systemisch Geringerer Energieverbrauch + Oekologische Nachhaltigkeit (7,12,13,15) Tasler & Knollmann, 2018; Yin et al., 2017
Systemisch Parallele Anstrengungen in verschiedenen Laendern bei der Entwicklung der ATO + Innovation und Infrastruktur (9) China Plus, 2019; Cuenca, 2021; Briginshaw, 2019
Systemisch Es entstehen zahlreiche Kooperationen und gemeinsame Projekte + Partnerschaften und Kooperationen (17) Sapien, 2020; Briginshaw, 2019

Technologie- und gesellschaftlicher Bereitschaftsgrad

Stand der Technologiebereitschaft Gesellschaftlicher Bereitschaftsgrad
7-9 7-9

Offene Fragen

  1. Wie kann man mit den sozialen Auswirkungen umgehen, wenn Lokführer:innen ihren Arbeitsplatz verlieren?
  2. Wie lässt sich die gesellschaftliche Akzeptanz von vollständig automatisierten Zügen der in Europa erhöhen?

Referenzen