Forschende haben ein neues KI-Modell entwickelt, das Fahrzeugkollisionen 2,6 Sekunden vor deren Eintreten vorhersagen kann und in Tests eine Genauigkeit von 90 % erreichte. Das System mit dem Namen Generalized Surrogate Safety Measure (GSSM) analysiert reale Fahrdaten, um Unfallrisiken zu identifizieren, und könnte Sicherheitssysteme sowohl in autonomen als auch in von Menschen gesteuerten Fahrzeugen revolutionieren, wie heute in Nature Machine Intelligence veröffentlichte Ergebnisse zeigen.
Die bahnbrechende Technologie nutzt einen kennzeichnungsfreien Lernansatz, der eine der größten Herausforderungen der Automobilindustrie beseitigt: die Notwendigkeit, dass Menschen Millionen Stunden an Fahraufnahmen manuell sichten und annotieren, um gefährliche Situationen zu identifizieren. Diese skalierbare Methode ermöglicht es dem System, ohne menschliches Eingreifen kontinuierlich aus großen Mengen realer Fahrdaten zu lernen, so die Studie von Forschenden der Technischen Universität Delft.
Das System wurde anhand von 2.591 realen Unfall- und Beinahe-Unfallereignissen validiert und demonstrierte seine Fähigkeit, Risiken in verschiedenen Szenarien zu erkennen, darunter Auffahrkollisionen, Einfädelsituationen und Abbiegevorgänge. Die Basisversion, die lediglich momentane Fahrzeugbewegungen analysiert, erreichte eine Fläche unter der Precision-Recall-Kurve von 0,9, was auf eine außergewöhnliche Genauigkeit bei der Unterscheidung echter Risiken von Fehlalarmen hinweist, berichteten die Forschenden in Nature Machine Intelligence.
Technische Innovation
Im Gegensatz zu bestehenden Sicherheitssystemen, die erst reagieren, wenn eine Kollision unmittelbar bevorsteht, identifiziert GSSM Muster, die eine Gefahr lange vor dem Entstehen kritischer Situationen vorhersagen. Das Modell übertraf bestehende Basissysteme in allen getesteten Szenarien konstant; die Leistung verbesserte sich weiter, als die Forschenden zusätzliche kontextuelle Daten über Interaktionsmuster zwischen Fahrzeugen einbezogen, so die Studie.
Das Training des Systems erforderte den DelftBlue-Supercomputer, doch das finale Modell läuft effizient auf handelsüblichen Fahrzeugrechnern, was einen Einsatz in Echtzeit sowohl für autonome Fahrzeuge als auch für fortschrittliche Fahrerassistenzsysteme ermöglicht.
Einschränkungen und Weiterentwicklung
Die bisherigen Tests beschränkten sich größtenteils auf klares oder bewölktes Wetter bei trockenen Straßenbedingungen. Die Leistung unter extremen Wetterbedingungen wie Schnee, Eis oder dichtem Nebel ist noch nicht validiert, räumten die Forschenden ein. Das System ist zudem auf hochwertige Sensordaten angewiesen und kann Schwierigkeiten haben, wenn andere Fahrzeuge verdeckt sind.
Trotz dieser Einschränkungen markiert die Technologie einen grundlegenden Wandel von reaktiven zu proaktiven Sicherheitssystemen. Der kennzeichnungsfreie Trainingsansatz löst einen wesentlichen Engpass der Branche und ermöglicht es Herstellern, Flottendaten für kontinuierliche Verbesserungen zu nutzen, ohne kostspielige manuelle Prüfprozesse.
Das Framework könnte standardisierte Sicherheitsbenchmarks für Regulierungsbehörden etablieren, welche verschiedene autonome und Fahrerassistenztechnologien bewerten, was die Einführung sichererer Fahrzeuge beschleunigen und zugleich das öffentliche Vertrauen in automatisierte Systeme stärken könnte, schlussfolgerten die Forschenden.
Sources
- doi.org
- arxiv.org
