Warum das Auto zur Software-Plattform wird

Ein Gastbeitrag von Yalcin Parlak, Senior Manager Automated Driving (ADAS/AD) bei Nio

So konzipiert Nio ADAS: Hardware als Fundament der Sicherheit

Da Advanced Driver Assistance Systems (ADAS) immer komplexere Aufgaben übernehmen, braucht es eine Sensorik, die die Umgebung präzise und robust erfasst. Während einige Marktteilnehmer auf „Vision Only“ setzen, verfolgen wir bei Nio einen Ansatz der Redundanz. Kameras sind passive Sensoren und physikalisch auf Licht von außen angewiesen. Bei Gegenlicht, Dunkelheit oder abrupten Lichtwechseln (Tunneleinfahrt) kann dies zu Problemen führen. Darüber hinaus fehlen ihnen native Informationen bezüglich Distanz oder Geschwindigkeit.

Kameras klassifizieren hervorragend Objekte und erkennen Spuren, Markierungen und Straßenschilder. Der LiDAR funktioniert als aktiver Sensor unabhängig von der Beleuchtungssituation und ist konkurrenzlos bei der direkten 3D-Objekterfassung inklusive Abstandsmessung und Heading der Objekte sowie Objektkonturen. Der Radar wiederum kann über den Dopplereffekt direkt die Relativgeschwindigkeiten zu anderen Verkehrsteilnehmern messen und bietet eine redundante Distanzmessung.

Aktuell setzen wir in der Nio Technology Platform 2 (NT2) auf den „Aquila“-Stack mit 33 Sensoren, zentriert um ein hochauflösendes 1550-nm-LiDAR mit bis zu 500 Metern Reichweite. Besonders prominent ist die Platzierung unserer Sensorik. Denn durch unser Watchtower Sensorlayout werden unsere Sensoren für eine bestmögliche Sicht platziert, etwa über der Windschutzscheibe. Funktional bietet diese Position das beste Ergebnis für eine überlegene Fahrzeugumgebungswahrnehmung.

Mit der Nio Technology Platform 3 (NT3) gehen wir noch einen Schritt weiter:

1. Wing-LiDARs: Wir erhöhen die Anzahl der LiDARs um seitliche Einheiten. Damit lösen wir das Problem der Okklusion (Verdeckung) an Kreuzungen und ermöglichen dem Fahrzeug, buchstäblich „um die Ecke“ zu schauen – essenziell für komplexe urbane Szenarien. Außerdem erlauben sie noch genauere Positionsmessungen für rückwärtige Fahrzeuge. Dies ist beispielsweise wichtig, um bei Spurwechseln Relativgeschwindigkeiten genau einzuschätzen.
2. 4D-Imaging Radar: Die NT3-basierten Fahrzeuge verfügen über einen 4D-Imaging Radar, der performanter ist als herkömmliche Radare (mehr Antennen, bessere Reichweite, höhere Zuverlässigkeit). Er stellt neben den 3D-Informationen klassischer Radare (Horizontalposition, Distanz, Geschwindigkeit anderer Verkehrsteilnehmer) zusätzlich vertikale Informationen zur Verfügung. Diese weiteren Informationen und die höhere Performanz gewährleisten Redundanz auch bei schlechtester Sicht.

Ein offenes Wort zum Reifegrad: Wir sind mit der Performance unserer 1550-nm-Systeme sehr zufrieden. In vielen, auch externen Tests (bspw. Vox Automobil, Grip) wurde der Notbremsassistent mit Systemen ohne LiDAR getestet und verglichen. Der LiDAR hat immer den entscheidenden Unterschied gemacht, um eine drohende Kollision zu vermeiden. Die verbleibende Herausforderung für die gesamte Industrie mit Blick auf LiDAR liegt in den Kosten – die bereits sinken –, sowie in der Robustheit gegen Gischt (Spray) und starken Schneefall.

Die technische Kunst liegt hier im „Denoising“ der Punktwolke, also der zuverlässigen Unterscheidung zwischen einer Schneeflocke und einem Hindernis, ohne die Latenz zu erhöhen. Unser multimodales Sensor-Setup bietet uns hier entscheidende Fail-Safe-Handlungsspielräume die genau für solche Herausforderungen gemacht sind.

Die Rolle von KI: Closed Loop Data & Generative AI

In der Konzeption automatisierter Fahrsysteme nutzen wir KI längst nicht mehr nur für klassisches Maschinelles Lernen. Wir forcieren den Weg, Systeme für menschliches, ununterbrochenes Fahren zu rüsten:

End-to-End-Systeme: Reale Fahrsituationen sind viel komplexer als das, was mit vordefinierten Testfällen tatsächlich abgedeckt wird. Fahrzeuge können aus verschiedenen Richtungen und mit unterschiedlichen Geschwindigkeiten auftauchen, und auch die Objekte, auf die man reagieren muss, können sehr unterschiedlich aussehen.

Deshalb gehen wir noch einen Schritt weiter und haben unser Notbremssystem in China auf ein End-to-End-Modell umgestellt. Dies nutzt einen datengesteuerten Ansatz, um auf diese Objekte zu reagieren. Hier haben wir bereits erste Ergebnisse, die eine 6,7-mal höhere Abdeckung von Fällen im Vergleich zu einer Standard-Notbremsfunktion, die ausschließlich basierend auf regelbasierten Systemen funktioniert. Somit decken wir weitaus mehr Fälle ab, als die Regulatorik oder NCAP verlangen. Sicherheit hat für uns die oberste Priorität.

Data-Driven Development: Wir nutzen unsere Flotte nicht nur als Fortbewegungsmittel, sondern als Entwicklungsbeschleuniger. Durch „Shadow Mode“-Testing können wir neue Algorithmen im Hintergrund auf tausenden User-Fahrzeugen, nach eindeutiger Zustimmung, validieren, ohne in die aktive Steuerung einzugreifen. Das beschleunigt unsere Lernkurve exponentiell im Vergleich zu reinen Test-User-Flotten.

Hierzu verwenden wir auch User-nahe Feedback-Channels wie unseren sogenannten „one-Click Report“. Der User betätigt eine Taste und kann sein Problem unserer KI-Sprachassistentin Nomi melden. Gepaart mit den im Fahrzeug verfügbaren Daten können wir der Anfrage oder dem Wunsch des Users zeitnah nachgehen und in neuen Softwarereleases berücksichtigen.

LLMs und VLA als Schnittstelle: Vom Sprachbefehl zum intelligenten Agenten: Ein zentraler Baustein unserer KI-Strategie ist die Integration von Large Language Models (LLM) und deren Weiterentwicklung zu Vision Language Action (VLA) Modellen. Das Fahrzeug erhält dadurch einen echten Agenten, der nicht nur Befehle ausführt, sondern Kontext versteht, visuelle Informationen interpretiert und daraus komplexe Handlungen ableitet. Das senkt die kognitive Last des Fahrers massiv und schafft Vertrauen durch Transparenz.

Ein Beispiel aus der Praxis: Stellen Sie sich vor, Sie fahren in ein unbekanntes, unübersichtliches Parkhaus eines Einkaufszentrums. Anstatt mühsam auf dem Display nach Sektoren zu suchen, sagen Sie einfach: „Hi Nomi, finde einen Parkplatz in der Nähe des Supermarktes“. An dieser Stelle greift VLA: Der Agent nutzt die Fahrzeugkameras, um visuelle Hinweise wie Hinweisschilder („Supermarkt → 2. OG“), Bodenmarkierungen oder Symbole in Echtzeit zu lesen und semantisch zu verstehen – genau wie ein Mensch. Er navigiert durch die Ebenen, erklärt dem User dabei seine Entscheidungen („Ich habe das Schild zum Supermarkt erkannt und fahre in Ebene 2“), identifiziert eine freie Lücke in der Nähe des Ziels und parkt selbstständig ein. Das Ergebnis: Das Fahrzeug agiert nicht starr nach Karte, sondern interagiert intelligent mit seiner visuellen Umgebung, um dem User den kürzesten Fußweg zu ermöglichen.

Nio World Model: Auf dem Nio Tech Day haben wir das Nio World Model (NWM) vorgestellt, das mithilfe von KI den Wandel von regelbasierter Logik zu einer vorausschauenden kognitiven Intelligenz ebnet. Wir nennen diese Intelligenz das „Nio World Model”. Dieses Modell kombiniert imaginative Rekonstruktion und zeitliches Verständnis. Es ist in der Lage, mehrere imaginäre Fahrszenarien zu generieren und dann die bestmögliche Fahrentscheidung zu treffen. Das NWM stellt sich innerhalb von 0,1 Sekunden bis zu 216 Trajektorien für die optimale Lösung vor.

Wir verwenden auch generative Simulationen. Durch reale Videos können wir die Welt so rekonstruieren, dass wir zu jedem beliebigen Blickwinkel wechseln können, was unser Verständnis vertieft. Wir rekonstruieren eine dreidimensionale Welt, in der das Fahrzeug von seiner ursprünglichen Bahn abweichen und zu jedem beliebigen Weg zurückkehren kann, um eine neue Welt aufzubauen. Darüber hinaus können dynamische Objekte innerhalb der Simulation nach unseren Bedürfnissen bearbeitet werden. Durch den Vergleich dieser umfangreichen Variationen können wir das Modell in unzähligen sich verändernden Welten überprüfen und trainieren. Dies steigert die Authentizität der imaginären Ergebnisse und verbessert die Fahrleistung.

KI mit entsprechender Rechenleistung versorgen

Damit diese datenhungrigen Modelle auch reibungslos, energieeffizient und zuverlässig laufen, sind enorme Rechenkapazitäten notwendig. Diese Daten müssen vom Gehirn des Systems, bei Nio nennen wir es den „ADAM-Supercomputer“, verarbeitet werden. Diese Einheit verarbeitet in NT2-basierten Fahrzeugen 8 GB/s. Unsere hochleistungsfähige elektronische Steuereinheit wird von 4 Nvidia Orin-Chips mit einer Leistung von bis zu 1016 Tera-Operationen pro Sekunde angetrieben. Einfacher ausgedrückt: 10 hoch 15 Operationen, über tausend Billionen Operationen pro Sekunde.

Diese datenhungrigen KI-Modelle erfordern auch eine hohe Effizienz, insbesondere in einem reichweitensensitiven Elektrofahrzeugsystem. Daher setzen wir in der Flagship Limousine ET9 den von Nio intern entwickelten 5-nm-AD-Chip ein, bei dem besonderes Augenmerk auf Leistung, Kühlungsmanagement und Energieeffizienz gelegt wurde. Er ist so leistungsstark, dass wir mit nur einem der intern entwickelten Nio-AD-Chips die gleiche Leistung wie mit vier branchenführenden Chips erzielen können. Dieser Chip enthält 50 Milliarden Transistoren – eine erhebliche Steigerung gegenüber den 17 Milliarden Transistoren in einem der vier NVIDIA Orin-Chips in unseren NT2-Fahrzeugen. Wir haben bereits OEM-Kunden, die genau an dieser Technologie interessiert sind und diese bereits planen einzusetzen.

Nutzen für den User: ODD als Währung

Durch den Einsatz von smarter Technologie, künstlicher Intelligenz und unserer Innovationsbereitschaft möchten wir allen voran die Anzahl an Verkehrsunfällen reduzieren. Außerdem soll menschenähnliches Fahren für Zuverlässigkeit und Komfort sorgen. Natürlich spielt auch die Verfügbarkeit der Systeme eine wichtige Rolle.

Was bringt dieser massive Tech-Invest dem User? Es geht um die Erweiterung der Operational Design Domain (ODD). Ein ADAS, das sich bei Regen abschaltet, nervt. Ein gut trainiertes Modell (viele Daten, richtige Daten) gepaart mit fortschrittlicher Technologie und Redundanz sorgt für hohe Verfügbarkeit.

Das Feature „Navigate-on-Pilot“ (NOP) fährt dadurch heute schon in China menschenähnlicher. Es extrapoliert Trajektorien anderer Fahrzeuge präziser, was vorausschauendes und erwartbares Fahren ermöglicht. In China ist dieses System längst nicht mehr auf Autobahnen beschränkt: Es reagiert auf Ampeln, meistert Abbiegevorgänge an komplizierten Kreuzungen und führt kritische Ausweichmanöver durch, wenn andere Verkehrsteilnehmer Fehler machen. Die Integration der User Journey soll nahtlos ablaufen und die Systeme den User dort unterstützen, wo sie gebraucht werden. Das gilt für das automatisierte Ausparken, das assistierte Fahren in der Stadt und auf der Autobahn ebenso wie für den Batteriewechsel in einer Power Swap Station sowie die abschließende Parkplatzsuche und den Parkvorgang selbst.

Europa vs. China: Adaption auf vier Ebenen

Oft wird gefragt, ob wir unser System aus China lediglich an die EU-Regulatorik anpassen. Die Antwort ist: Wir adaptieren es an eine völlig andere Verkehrskultur. Die Anforderungen divergieren massiv auf mehreren Ebenen:

• Homologation & StVO: Die rechtlichen Rahmenbedingungen und Verkehrsregeln erzwingen unterschiedliche Verhaltensweisen der Software.
• Verhalten der User: Die Dynamik, Abstände, Reaktionszeiten, Erwartungen an das System und Nebentätigkeiten während der Fahrt unterscheiden sich kulturell stark.
• Real World Scenarios: Ein in Shanghai trainiertes Modell würde auf der A9 bei München nicht ideal funktionieren. In China gibt es besondere Szenarien an Mautstationen, Stadtautobahnen über der Stadt sowie massiv komplizierte Kreuzungen mit extrem vielen (E-)Rollern. Hingegen können in Europa kurvige Landstraßen sowie höhere Fahrgeschwindigkeiten beispielhaft genannt werden.
• Consumer Testing Programs (NCAP): Oft wird angenommen, C-NCAP und Euro NCAP seien gleichwertig oder hätten nur unterschiedliche Schwerpunkte. Aus Entwicklerperspektive ist die Realität jedoch differenzierter: Euro NCAP stellt derzeit die technologisch deutlich höheren Hürden.
  • Komplexität & Granularität: Euro NCAP fordert eine sehr feingranulare Validierung. Die Tests werden oft in 5 km/h-Schritten durchgeführt, um jede Schwäche im Kennfeld aufzudecken. Im Vergleich dazu nutzt C-NCAP oft größere Intervalle (z.B. 10 km/h), was weniger Testtiefe bedeutet. Das erfordert einen deutlich größeren Validierungsaufwand für Europa.
  • Lane Support Systems (LSS): Hier ist Euro NCAP besonders anspruchsvoll. Die Szenarien für Emergency Lane Keeping (ELK), etwa beim unabsichtlichen Verlassen der Fahrbahn in den Gegenverkehr oder an Fahrbahnränder, sind in Europa weitaus zahlreicher und komplexer definiert als im aktuellen C-NCAP.
  • Grundsätzlich folgt das C-NCAP den Entwicklungen der EU NCAP und zieht hier oft nach, erreicht aber noch nicht die Szenarien-Vielfalt und Test-Härte des europäischen Pendants.

Ein System, das eigens für C-NCAP entwickelt wurde, würde in Europa oft keine 5 Sterne erreichen. Mit den Softwareanpassungen und EU-Entwicklungen erreichen unsere NT2-basierten Fahrzeugen die hohen Standards des Euro NCAP.

Deshalb nutzen wir unser Smart Driving Technology Center in Berlin, um unsere neuronalen Netze spezifisch auf diese europäischen Randbedingungen zu trainieren, nach europäischen Standards zu testen und zu validieren.

Co-Creation und Partnerschaften

Nio verfolgt einen Full-Stack-Ansatz bei der Kern-Software („In-House“). Doch im Bereich der Fahrzeugentwicklung, Validierung und Homologation ist „Co-Creation“ im Schulterschluss mit Partnern ein Beschleuniger.

Unternehmen wie RLE International, DEKRA oder IDIADA haben uns in der Vergangenheit entscheidend dabei unterstützt, unsere weltweiten Plattformen an die physischen und regulatorischen Realitäten lokaler Märkte anzupassen. Auch Technologiepartnerschaften, wie die Integration von ZF-Komponenten für das Steer-by-Wire im ET9, zeigen: Wir entwickeln die intelligenten Komponenten selbst, nutzen aber etablierte Partner für die Skalierung und Absicherung.

Wer SDVs als Gesamtökosystem denkt, von der Cloud über Generative AI bis zum 4D-Radar, kann Tempo, Sicherheit und Nutzererlebnis im Gleichklang weiterentwickeln. Nio beweist, dass Premium-Hardware und agile Software-Entwicklung kein Widerspruch sind, sondern die Voraussetzung für echtes automatisiertes Fahren der Zukunft.