Forscher der University of Texas stellen UNCAP vor, ein Kooperationsframework für autonome Fahrzeuge, bei dem die Autos sich gegenseitig in natürlicher Sprache beschreiben, was sie beobachten. Laut ihnen lernt dieses System den Fahrzeugen, die Nachbarn auszuwählen, auf die sie hören müssen, und ihren Nachrichten einen angemessenen Vertrauensgrad zuzuordnen.
- UNCAP lässt autonome Fahrzeuge einander in natürlicher Sprache ihre Beobachtungen mitteilen.
- Die Fahrzeuge wählen relevante Nachbarn aus und gewichten deren Nachrichten nach Vertrauenswürdigkeit.
- In der Simulation senkt UNCAP die Kommunikationsbandbreite um 63 % und steigert die Fahrleistung um 31 %.
- Reale Bedingungen wie Sensorrauschen und Netzwerkausfälle sind noch nicht getestet.
Das Prinzip basiert auf einer einfachen Situation. Ein an einer Kreuzung geparkter Lkw verdeckt ein von rechts kommendes Auto. Das Nachbarfahrzeug sieht es jedoch und könnte eine Nachricht dieser Art übermitteln: « Fahrzeug von rechts einfahrend, etwa 15 Meter entfernt, fährt schnell. » Das Auto erhält so eine Information, die seine eigenen Sensoren nicht erfassen konnten.
Sprechen statt Rohdaten teilen
Das Teilen von Rohdaten wie Kamerabildern, LiDAR-Punktwolken oder Radarmessungen ist der klassische Ansatz. Die Forscher weisen darauf hin, dass dieser Ansatz im großen Maßstab schwer umzusetzen ist: Diese Datenströme verbrauchen erhebliche Bandbreite, erfordern viel Rechenleistung und setzen voraus, dass alle Fahrzeuge über vergleichbare Hardware verfügen. Der reale Verkehr vereint jedoch sehr verschiedene Hersteller, Sensor-Konfigurationen und Software.
Natürliche Sprache stellt eine Alternative dar. Eine Nachricht wie « Fußgänger überquert hinter dem Bus » oder « Motorrad nähert sich von links mit hoher Geschwindigkeit » ist sehr kurz, hardwareunabhängig und für Vision-Language-Modelle verständlich, also für Modelle, die sowohl Bilder als auch Text verarbeiten können. Es bleibt jedoch zu entscheiden, welche Nachrichten zu beachten sind und was zu tun ist, wenn zwei Fahrzeuge sich widersprechen.
Vier Schritte
UNCAP funktioniert ohne spezifisches Training, sogenanntes « Zero-Shot », und stützt sich auf bestehende Modelle, denen es eine Kommunikationsstrategie hinzufügt. Der erste Schritt besteht darin, Nachbarn zu identifizieren: Jedes Fahrzeug sendet periodisch ein Signal von wenigen Bytes aus, das seine Position und Richtung enthält. Der zweite Schritt filtert relevante Fahrzeuge heraus, also solche, die nah genug sind und seine Fahrbahn beeinflussen könnten. Laut den Forschern reduziert diese Auswahl unnötige Kommunikation stark und ermöglicht dem System, auf große Skalen zu skalieren.
Die ausgewählten Fahrzeuge beschreiben dann ihre Beobachtungen, begleitet von « kalibrierten » Vertrauensschätzungen mittels konformer Prädiktion, einer leichten Methode, die Vertrauensniveuan die tatsächliche Zuverlässigkeit der Informationen anpasst. Jedes Fahrzeug misst dann mithilfe der gegenseitigen Information, inwieweit jede Nachricht seine Unsicherheit über die Szene reduziert. Schließlich wird die so konstruierte Beschreibung an ein Vision-Language-Modell übermittelt, das eine Entscheidung vorschlägt, zum Beispiel einfädeln, warten oder Vorfahrt gewähren, zusammen mit einem zugehörigen Vertrauenswert.
Ergebnisse in der Simulation
Die Tests wurden im Fahrsimulator CARLA mit dem Benchmark OPV2V durchgeführt, der unter anderem Autobahnauffahrten und städtische Kreuzungen umfasst. Im Vergleich zu Fahrzeugen ohne Kommunikation und zu früheren Ansätzen, die jede Beobachtung an alle Fahrzeuge senden, berichten die Forscher über eine konstante Verbesserung. Sie nennen eine Reduktion der Kommunikationsbandbreite um 63 %, eine Steigerung der Fahrleistung um 31 %, eine Verringerung der Entscheidungsunsicherheit um 61 % und bei Beinahe-Kollisionen vierfach größere Sicherheitsabstände.
Das unerwartetste Ergebnis betrifft Rohbilder, die schlechtere Ergebnisse als Sprache lieferten. Die Forscher führen an, dass Vision-Language-Modelle Schwierigkeiten haben, über mehrere Kameraströme aus verschiedenen Blickwinkeln zu schlussfolgern, und dass die Übersetzung in prägnante Beschreibungen als Informationsfilterung wirkt. Die Gewinne zeigen sich bei mehreren Modellen, GPT-4o, GPT-4.1, GPT-4o-mini und GPT-5, was laut ihnen eher an der Kommunikationsstrategie als an einem bestimmten Modell liegt.
Grenzen
Die Experimente beschränken sich auf die Simulation. Sensorrauschen, unzuverlässige drahtlose Kommunikation, Netzwerklatenzen und Paketverluste müssen noch untersucht werden. Außerdem dauert eine Abfrage an ein Vision-Language-Modell etwa eine Sekunde, sodass Entscheidungen zu Schlüsselmomenten und nicht kontinuierlich getroffen werden. Die Autoren schätzen, dass ihr Ansatz über das autonome Fahren hinausgeht, etwa für Teams von Robotern, Drohnen oder Software-Agenten. Ihr Artikel, veröffentlicht auf arXiv, wurde für den Best Paper Award der Konferenz AAMAS 2026 ausgewählt.
