Warum Elektroautos zunehmend selbst sehen lernen
Wer heute ein Elektroauto kauft, bekommt fast automatisch ein Fahrzeug mit einer wachsenden Zahl an Assistenzsystemen: Spurhalteassistent, adaptiver Tempomat, Notbremsassistent, teilweise schon Level-2- oder Level-3-Funktionen. Diese Systeme sind der erste Schritt auf dem Weg zum autonomen Fahren nach den SAE-Leveln, und sie alle basieren auf derselben Grundfrage: Wie erkennt ein Auto seine Umgebung so zuverlässig, dass eine Maschine anstelle eines Menschen Entscheidungen treffen kann?
Die Antwort liegt in einem Zusammenspiel mehrerer Sensortechnologien, die jeweils unterschiedliche Stärken und Schwächen besitzen. Für Elektroauto-Besitzer ist dieses Thema keineswegs nur graue Theorie. Viele moderne E-Autos, von Tesla bis zu deutschen Herstellern, verbauen bereits heute Kameras und Radarsysteme, und LiDAR-Sensoren werden mit sinkenden Kosten zunehmend serienreif. Wer verstehen will, warum manche Fahrzeuge bei Nebel zuverlässiger bremsen als andere oder warum ein Software-Update plötzlich neue Funktionen freischaltet, muss wissen, wie diese Sensoren im Detail arbeiten. Genau das erklärt sehr anschaulich ein Video des Bildungskanals TED-Ed, das wir im Folgenden einordnen und um weiterführende Aspekte ergänzen.
Quelle: TED-Ed – How do self-driving cars "see"? - Sajan Saini
Wie LiDAR, Radar und Kamera die Umgebung erfassen
Im Kern zeigt das Video ein einfaches, aber wirkungsvolles Beispiel: ein Auto fährt nachts über eine dunkle Landstraße, und innerhalb von Sekundenbruchteilen tauchen gleich drei potenzielle Gefahren gleichzeitig auf. Damit ein Fahrzeug in so einer Situation richtig reagiert, muss es Entfernungen, Geschwindigkeiten und Objektarten praktisch zeitgleich erfassen. Dafür kommen drei grundverschiedene Sensortypen zum Einsatz.
LiDAR: Laserpulse und die 3D-Punktwolke
LiDAR steht für Light Detection and Ranging und funktioniert nach einem simplen physikalischen Prinzip: Der Sensor sendet extrem kurze, für das menschliche Auge unsichtbare Infrarot-Laserpulse aus und misst exakt, wie lange das Licht braucht, um von einem Objekt zurückreflektiert zu werden. Diese sogenannte Time-of-Flight-Messung erlaubt eine sehr präzise Entfernungsberechnung, da die Lichtgeschwindigkeit konstant ist.
Ein einzelner Laserpuls liefert nur einen einzigen Messpunkt. Doch moderne LiDAR-Systeme senden Millionen solcher Pulse pro Sekunde in unterschiedliche Richtungen aus. Aus dieser gewaltigen Datenmenge entsteht eine dreidimensionale Punktwolke der gesamten Umgebung, in der laut TED-Ed selbst Details erkennbar sind, die so klein sind wie der Hemdknopf eines Fußgängers auf der anderen Straßenseite. Ein weiterer Vorteil: Da LiDAR sein eigenes Licht aussendet, funktioniert es auch bei völliger Dunkelheit zuverlässig, ganz ohne Straßenbeleuchtung oder Umgebungslicht.
- Extrem präzise Tiefen- und Formerkennung durch Time-of-Flight-Messung
- Erzeugt eine dichte 3D-Punktwolke der gesamten Fahrzeugumgebung
- Funktioniert unabhängig von Umgebungslicht, also auch nachts zuverlässig
- Erkennt selbst kleine Details wie Umrisse und Konturen von Objekten
- Historisch teuer und sperrig, aber durch Miniaturisierung zunehmend alltagstauglich
Radar: Zuverlässig bei Regen, Nebel und Dunkelheit
Während LiDAR mit Licht arbeitet, nutzt Radar Funkwellen. Diese physikalische Grundlage macht Radar besonders robust gegenüber Wettereinflüssen: Regen, Nebel oder Schnee, also genau jene Bedingungen, bei denen Kameras und teilweise auch LiDAR an ihre Grenzen kommen, beeinträchtigen Radarwellen kaum. Zusätzlich liefert Radar sehr präzise Geschwindigkeitsmessungen, weil es die Frequenzverschiebung reflektierter Wellen auswertet, ein Effekt, der auch bei Verkehrsradarkontrollen genutzt wird.
Radar ist deshalb seit Jahren die Basis für Funktionen wie den adaptiven Tempomat oder den Notbremsassistenten in praktisch allen modernen Fahrzeugen. Im Gegenzug liefert Radar eine deutlich gröbere räumliche Auflösung als LiDAR und kann feine Konturen kaum unterscheiden.
Kamera: Farbe, Kontext und ihre Grenzen
Der dritte Sensortyp, die Kamera, liefert etwas, das weder LiDAR noch Radar können: Farb- und Kontextinformationen. Nur eine Kamera erkennt die rote Ampel, das Tempolimit auf einem Verkehrsschild oder die weiße Fahrbahnmarkierung. Diese Informationen sind für die Verkehrsregel-Interpretation unverzichtbar. Der Nachteil liegt jedoch in der Physik: Eine Kamera misst Entfernungen nicht direkt, sondern muss sie aus zweidimensionalen Bilddaten rechnerisch schätzen, was fehleranfälliger ist als eine physikalische Laufzeitmessung.
Genau dieses Zusammenspiel aus komplementären Stärken und Schwächen erklärt, warum kein Hersteller sich auf nur einen Sensortyp verlässt, ein Prinzip, das ausführlicher in unserem Artikel zur Sensorfusion bei selbstfahrenden Autos beschrieben wird.
Warum kein einzelner Sensor allein ausreicht
Das TED-Ed-Video bringt es auf den Punkt: Erst die Kombination aus LiDAR für Tiefe und Form, Radar für Geschwindigkeit und Wetterfestigkeit sowie Kamera für Farbe und Kontext ergibt das vollständige und vor allem redundante Umgebungsbild, das ein Fahrzeug für autonome Entscheidungen braucht. Redundanz bedeutet hier: Fällt ein Sensor aus oder liefert er unter bestimmten Bedingungen schwächere Daten, können die anderen beiden die Lücke kompensieren. Diese Rechenarbeit übernimmt im Fahrzeug ein System, das die einzelnen Datenströme mit Hilfe von künstlicher Intelligenz und Machine Learning in Echtzeit zu einem einzigen Lagebild zusammenführt.
Ausblick: Wohin sich Sensorik und autonomes Fahren entwickeln
Die im Video erwähnten integrierten Photonik-Chips, auch Light-Manipulating-Devices genannt, sind einer der spannendsten Trends der kommenden Jahre. Sie miniaturisieren Laser- und Sensortechnik auf Chipgröße und machen LiDAR-Systeme dadurch kompakter, günstiger und alltagstauglicher. Was vor wenigen Jahren noch als sperriger, rotierender Aufbau auf dem Autodach begann, verschwindet zunehmend unauffällig in Stoßfänger, Kühlergrill oder Dachlinie. Diese Entwicklung ist eine wichtige Voraussetzung dafür, dass Systeme wie das Mercedes Drive Pilot Level-3-System oder Robotaxi-Flotten wie Waymo langfristig wirtschaftlicher werden und in die Breite gehen können, auch wenn einzelne Hersteller wie Mercedes ihr Level-3-Angebot Anfang 2026 wegen hoher Kosten und LiDAR-Lieferproblemen vorübergehend pausiert haben.
Was das für Elektroauto-Besitzer in Deutschland bedeutet
Für Fahrer von Elektroautos ist diese Sensorentwicklung aus mehreren Gründen relevant. Erstens, weil viele der heutigen Assistenzsysteme technisch bereits Vorläufer vollautonomer Systeme sind und über Software-Updates schrittweise erweitert werden. Zweitens, weil die Frage der Sicherheit selbstfahrender Autos direkt davon abhängt, wie gut Sensoren auch unter deutschen Wetterbedingungen, also bei Regen, Nebel und winterlicher Dunkelheit, zuverlässig funktionieren. Drittens ist die enge technische Verbindung zwischen autonomem Fahren und Elektroantrieb kein Zufall, was ausführlicher im Artikel warum selbstfahrende Autos fast immer elektrisch sind erklärt wird.
Sensorik trifft Ladeinfrastruktur
Ein Aspekt wird auf LadestationGuru besonders interessant: Die gleiche Sensorik, die ein Auto durch den Straßenverkehr navigiert, ermöglicht mittelfristig auch, dass Fahrzeuge selbstständig eine freie Ladesäule ansteuern und dort andocken. Wer sich für diese Zukunftsperspektive interessiert, findet weiterführende Einordnung in unserem Beitrag zum autonomen Laden, bei dem das Auto selbst zur Ladesäule fährt. Bis dahin bleibt für die meisten Elektroauto-Besitzer der klassische Ladevorgang Alltag, weshalb sich ein Blick in unseren kompletten Guide zum Elektroauto laden lohnt, um Ladezeiten, Steckertypen und Tarife besser einordnen zu können.
Kurz zusammengefasst lassen sich die wichtigsten Entwicklungsrichtungen der kommenden Jahre so beschreiben:
- LiDAR wird durch Photonik-Chips kleiner, günstiger und massentauglicher
- Radar-Auflösung steigt, wodurch die Lücke zu LiDAR bei feinen Details kleiner wird
- Kamerasysteme profitieren von leistungsfähigeren KI-Modellen zur Objekterkennung
- Sensorfusion-Software wird zum eigentlichen Wettbewerbsvorteil der Hersteller
- Sinkende Kosten bringen höhere Automatisierungslevel in Serienfahrzeuge der Mittelklasse
Insgesamt zeigt die Entwicklung, dass der Weg zu höheren Automatisierungsstufen kein einzelner technologischer Durchbruch ist, sondern das Ergebnis vieler kleiner Fortschritte in Sensorik, Recheneffizienz und Software. Für Elektroauto-Interessierte lohnt sich deshalb ein regelmäßiger Blick auf die technischen Details, denn genau hier entscheidet sich, welche Systeme in den kommenden Modelljahren tatsächlich zuverlässig funktionieren und welche noch reine Ankündigung bleiben.
Ergänzendes Video
Während das erste Video die Grundlagen der Umgebungserkennung animiert erklärt, zeigt dieses deutschsprachige Video zusätzlich, wie Kamera, Lidar und Radar im Zusammenspiel konkret den Weg zur Vollautonomie ermöglichen.
Häufige Fragen
Was ist der Hauptunterschied zwischen LiDAR und Radar?
LiDAR nutzt Infrarot-Laserpulse und liefert dadurch sehr präzise Tiefen- und Forminformationen, funktioniert aber bei starkem Regen oder Nebel eingeschränkter. Radar nutzt Funkwellen, ist dafür bei schlechtem Wetter deutlich robuster und liefert besonders zuverlässige Geschwindigkeitsmessungen, jedoch mit gröberer Auflösung.
Warum reicht eine Kamera allein nicht für autonomes Fahren aus?
Eine Kamera liefert wichtige Farb- und Kontextinformationen wie Ampeln oder Verkehrsschilder, kann Entfernungen aber nicht direkt physikalisch messen. Ohne LiDAR oder Radar fehlt daher eine zuverlässige, wetterunabhängige Distanzmessung.
Funktioniert LiDAR auch nachts oder bei völliger Dunkelheit?
Ja. Da LiDAR sein eigenes Infrarotlicht aussendet und nicht auf Umgebungslicht angewiesen ist, arbeitet es auch bei völliger Dunkelheit zuverlässig, im Gegensatz zu klassischen Kamerasystemen.
Welche Elektroautos verbauen heute schon LiDAR-Sensoren?
Mit sinkenden Kosten und kleineren Photonik-Chips setzen immer mehr Hersteller LiDAR ein, etwa in Fahrzeugen mit Level-3-Funktionen wie dem Mercedes Drive Pilot oder bei Robotaxi-Flotten wie Waymo. Klassische Fahrassistenzsysteme in der Breite stützen sich dagegen weiterhin überwiegend auf Radar und Kamera.
