DARPA Urban Challenge: Boss im Stadtverkehr
Am 3. November 2007 starteten elf Finalistenteams mit autonomen Fahrzeugen auf einer urbanen Teststrecke auf dem Gelände der ehemaligen George Air Force Base bei Victorville in Kalifornien. CMUs Boss (Tartan Racing) wurde Erster und gewann 2 Millionen Dollar, Stanfords Junior landete auf Platz zwei.
Am 3. November 2007 starteten elf Finalistenteams mit autonomen Fahrzeugen auf einer urbanen Teststrecke auf dem Gelände der ehemaligen George Air Force Base nahe Victorville, Kalifornien, im Rahmen der DARPA Urban Challenge. Anders als bei der Wüsten-Grand-Challenge mussten die Roboter kalifornische Verkehrsregeln einhalten: Einfädeln, Parken, Stoppen an Kreuzungen und gemischten Verkehr mit Roboter- und menschlich gesteuerten Fahrzeugen. Die Organisatoren verkündeten den Sieger am 4. November 2007.
Boss gewinnt 2 Millionen Dollar
Boss, ein Chevrolet Tahoe von Tartan Racing (Carnegie Mellon University und General Motors), schaffte die Strecke in etwas mehr als vier Stunden und gewann den 2-Millionen-Dollar-Hauptpreis. Das Fahrzeug fusionierte LIDAR, Radar und Kameras per Sensordatenfusion und plante Manöver mit Bewegungsplanung an Bord. William Red Whittaker leitete das CMU-Team; Chris Urmson war eine zentrale technische Leitung bei Boss. Nach CMUs veröffentlichter Rennzusammenfassung war die Strecke rund 90 km lang.
Stanford wurde Zweiter mit Junior, einem Volkswagen Passat derselben Gruppe, die 2005 mit Stanley unter Sebastian Thrun die Wüstenrennen gewonnen hatte, und erhielt 1 Million Dollar. Virginia Tech wurde Dritter mit Odin (500.000 Dollar). Sechs der elf Finalisten schafften die volle Strecke innerhalb des Zeitlimits.
Von der Wüste in die Innenstadt
Die Urban Challenge folgte auf Stanleys Wüstensieg 2005 und bewies, dass autonomes Fahren strukturierte Straßen bewältigen kann, nicht nur offenes Gelände. Teams verbanden Kartierung, Vorhersage anderer Fahrzeuge und konservative Planer für Sicherheit. Das Event hielt militärische und automotive Sponsoren Jahre lang in Wahrnehmung und Planung investiert, bevor tiefes Lernen die Straßenvision dominierte.
Warum es wichtig ist
Boss zeigte, dass geschichtete Sensoren plus explizite Planung ein striktes Fahrregelwerk öffentlich einhalten können. Dieselben CMU- und Stanford-Linien speisten später kommerzielle Selbstfahrprogramme. Die Urban Challenge steht in der Zeitleiste zwischen klassischer Robotik des maschinellen Lernens und der GPU-beschleunigten Wiederbelebung neuronaler Netze, die AlexNet 2012 hervorheben sollte.