CARLA und SUMO: KI-Training senkt Spurhaltefehler auf 0,18 Meter

Beim Training und bei der Bewertung von Systemen für autonome Fahrzeuge und Robotik stoßen virtuelle Welten an fundamentale Grenzen. Eine von Google aufgebaute Simulationsumgebung für KI-Agenten weist nach Medienberichten eine unzureichend genaue simulierte Physik auf.

Da ein in einer synthetischen Welt trainiertes oder evaluiertes System jede Annäherung dieser Umgebung übernimmt, führen physikalische Abweichungen dazu, dass Trainingsläufe im Grunde für die falsche Aufgabe stattfinden.

Das Problem der Dynamik- und Interaktionstreue

Der Kern dieser sogenannten Fidelity-Lücke liegt bei Google nicht in der visuellen Darstellung, sondern im Bereich der Dynamik und Interaktion. Dadurch wird die Diskrepanz zu einem grundlegenden Validitätsproblem bei der Bewertung von Agenten.

Bislang bleibt allerdings unklar, auf welche Weise diese Lücke gemessen wird, welche konkreten Umgebungen und Aufgaben betroffen waren und ob bereits Ergebnisse zum Transfer in die reale Welt vorliegen. Solange diese Daten fehlen, stellt die simulierte Leistung lediglich ein internes Signal dar und erlaubt keine verlässliche externe Aussage.

Ähnliche Herausforderungen betreffen auch andere Branchenakteure. Nvidia liefert mit seinen Isaac-Werkzeugen eine Agenten-Pipeline für die Lokomotion von Robotern in Simulationen aus. Auch dieser Ansatz hängt maßgeblich davon ab, dass Kontakt-, Reibungs- und Dynamiksimulationen ausreichend realitätsnah abgebildet werden.

Datenintegrität und Klassifizierung digitaler Abbilder

Die Grenzen synthetischer Umgebungen reichen über rein physikalische Gleichungen hinaus. In einem Fachbeitrag für SAE Europe differenzierte Dr. Ebada vom Unternehmen HOPn zwischen vier Stufen virtueller Abbilder: der einfachen Simulation mit festen Annahmen, dem digitalen Modell mit fester Struktur ohne Rückkopplung, dem digitalen Schatten mit reinen Einweg-Livedaten und dem echten digitalen Zwilling, der über einen geschlossenen Lernkreislauf Abweichungen erkennt.

Als Haupthindernis sieht Ebada dabei nicht allein die Modelltreue, sondern vor allem die Datenintegrität. Verrauschte Signale, driftende Komponenten und Inkonsistenzen pflanzen sich über den Lebenszyklus von Fahrzeugen fort.

Wer den Wandel der Industrie durch Robotik und KI verstehen möchte, erhält in diesem Report Einblicke in die entscheidenden Technologien und Unternehmen. Robotik und KI: So erkennen Sie die Profiteure der neuen Industrieära

Die Elektrifizierung stelle hierbei das Anwendungsfeld mit dem höchsten Risiko dar. Dies betreffe Hochvolt-Batteriedaten zur Zellherkunft, CO2-Bilanzen, Rückverfolgbarkeit, regionale Regulierung sowie thermische Modelle. Werde Künstliche Intelligenz auf solche Abbilder aufgesetzt, verstärke dies bestehende Mängel bei der Datenqualität zusätzlich.

Initiativen zur Steigerung der Simulationskomplexität

Um die Diskrepanz zwischen virtueller Welt und Realität zu verringern, setzen Entwickler vermehrt auf gekoppelte Simulationsansätze. Die PTV Group und rFpro integrieren die Verkehrsflusssimulation PTV Vissim mit der Fahrzeugumgebung von rFpro für Anwendungen rund um Fahrerassistenzsysteme, autonomes Fahren sowie Hardware- und Driver-in-the-Loop-Tests.

Über ein gemeinsames Straßennetz nach ASAM OpenDrive und das Driving Simulator Interface von PTV Vissim tauschen die Systeme Daten zu Position, Geschwindigkeit und Orientierung in einem geschlossenen Regelkreis aus. rFpro-Vertreter Matt Daley verwies darauf, dass damit Verhaltensweisen wie aggressives Einscheren oder Fußgängerverkehr vor Straßentests skalierbar erprobt werden können. Hilary Aylesworth von Umovity bekräftigte, dass Testumgebungen die reale Komplexität des Verkehrs widerspiegeln müssen.

Auf maschinelle Stresstests setzt wiederum Laplace Intelligence. Das aus der University of Michigan hervorgegangene Unternehmen nutzt für sein automatisiertes Red-Teaming ein nachtrainiertes Nvidia Cosmos, bildet reale Umgebungen maßstabsgetreu nach und integriert Echtzeit-Verkehrsdaten unter anderem von TomTom.

Der technologische Umbruch in der Industrie wird maßgeblich von KI-Entwicklungen vorangetrieben, die ganze Branchen grundlegend verändern. Dieser kostenlose Guide fasst zusammen, welche Firmen die industrielle Revolution 2026 wirklich voranbringen. Kostenlosen Report zur industriellen Revolution herunterladen

Die Agenten des Unternehmens generieren Testszenarien anhand von Nachrichten und Polizeiberichten für Kunden wie Isuzu, Bot Auto und Nvidia. Zudem besteht mit Nvidia und T-Mobile ein Pilotprojekt für San Jose.

CEO Howie Sun sieht im Testen von KI durch KI ein neues Paradigma. Das Unternehmen arbeitet auf wiederkehrende Erlöse hin, während der Konkurrent Applied Intuition bereits 1,2 Milliarden US-Dollar bei einer Post-Money-Bewertung von 15 Milliarden US-Dollar eingeworben hat.

Einen weiteren Faktor adressiert das EU-Projekt BERTHA, an dem unter anderem FI Group by EPSA Portugal beteiligt ist. In Brüssel stellte das Projekt Simulationswerkzeuge und einen Daten-Hub vor, die menschliche Wahrnehmung, Aufmerksamkeit, Entscheidungsfindung und emotionale Reaktionen modellieren.

Quantitative Aussagen über eine Verbesserung der Verkehrssicherheit liegen hierzu jedoch nicht vor, und die Resultate bedeuten nicht, dass automatisierte Fahrzeuge alle menschlichen Fähigkeiten vollständig reproduzieren.

Vorbehalte bei rein synthetischen Trainingsdaten

Wie stark Co-Simulationen das Training verbessern können, untersuchte Licheng Bao in einer am 21. Oktober 2026 veröffentlichten Studie für vernetzte Fahrzeuge.

In einer kombinierten CARLA-SUMO-Simulation mit 50.000 Trajektorien im Verhältnis 8:2 und 120 Testszenarien bei Geschwindigkeiten von 0 bis 15 m/s reduzierte verteiltes Imitationslernen mit adversarialem Training den Spurhaltefehler auf 0,18 m. Gegenüber Proximal Policy Optimization (PPO) entsprach dies einem Rückgang um 47,1 Prozent, gegenüber Behavior Cloning um 65,4 Prozent.

Bei 120 Fahrzeugen pro Kilometer erreichte das Modell eine Verkehrseffizienz von rund 82 Prozent im Vergleich zu etwa 65 Prozent bei Behavior Cloning sowie eine Kollisionsrate von unter 3 Prozent. Dennoch zeigte auch diese Untersuchung die typische Einschränkung des Feldes: Eine Validierung an realen Fahrzeugen fand im Rahmen der Studie noch nicht statt.