{"id":219988,"date":"2026-03-10T10:49:59","date_gmt":"2026-03-10T09:49:59","guid":{"rendered":"https:\/\/liora.io\/de\/neue-formel-prognostiziert-abstuerze"},"modified":"2026-03-10T10:49:59","modified_gmt":"2026-03-10T09:49:59","slug":"neue-formel-prognostiziert-abstuerze","status":"publish","type":"post","link":"https:\/\/liora.io\/de\/neue-formel-prognostiziert-abstuerze","title":{"rendered":"Diese neue Formel prognostiziert Abst\u00fcrze, bevor sie auftreten."},"content":{"rendered":" Forscher haben ein bahnbrechendes KI-System entwickelt, das Fahrzeugkollisionen 2,6 Sekunden vor ihrem Eintreten prognostiziert und dabei eine Genauigkeit von 90% erreicht, ohne Daten aus tats\u00e4chlichen Unf\u00e4llen zu ben\u00f6tigen. Die Generalised Surrogate Safety Measure (GSSM), entwickelt von Jiao et al. und in Nature Machine Intelligence ver\u00f6ffentlicht, erlernt Risikomuster aus allt\u00e4glichen Fahrdaten und wurde mit 2.591 realen Unf\u00e4llen sowie Beinahe-Unf\u00e4llen validiert.\n <\/strong>\n
Dieser Durchbruch markiert einen grundlegenden Wandel in der automobilen Sicherheitstechnik. Im Gegensatz zu herk\u00f6mmlichen Systemen, die auf unmittelbare Gefahren reagieren oder teure Unfalldaten zum Training ben\u00f6tigen, lernt diese markierungsfreie Methodik<\/b> Risikomuster aus allt\u00e4glichen Fahrszenarien und k\u00f6nnte die Art und Weise revolutionieren, wie Fahrzeuge Unf\u00e4lle antizipieren und verhindern.<\/p>
Das System analysiert momentane kinematische Bewegungsdaten<\/b>, einschlie\u00dflich der Geschwindigkeit und Beschleunigung der umliegenden Fahrzeuge, laut der Nature Machine Intelligence-Studie. Indem es diese Datenstr\u00f6me verarbeitet, ohne explizite Unfall-Markierungen zu ben\u00f6tigen, kann das Modell gro\u00dfe Mengen leicht verf\u00fcgbarer Fahrdaten nutzen, um seine Risikobewertungsf\u00e4higkeiten aufzubauen.<\/p>\n\n
Praktische Leistungsf\u00e4higkeit<\/h2>\n\n
Die GSSM zeigte herausragende Leistungskennzahlen in mehreren kritischen Fahrszenarien. Das System erreichte eine Fl\u00e4che unter der Precision-Recall Kurve (AUPRC) von 0,9<\/b>, was seine hohe Pr\u00e4zision bei der Unterscheidung zwischen sicheren und riskanten Fahrereignissen belegt, erkl\u00e4rten die Forscher. Die 2,6-Sekunden-Median-Warnzeit<\/b> verschafft entscheidende Momente, damit Fahrer oder automatisierte Systeme Ausweichman\u00f6ver einleiten k\u00f6nnen.<\/p>
Tests deckten verschiedene Interaktionsszenarien ab, darunter Auffahr-, Einf\u00e4del- und komplexe Abbiegesituationen<\/b>, wobei das Modell konsistent bestehende Basismethoden in Bezug auf Genauigkeit und Rechtzeitigkeit \u00fcbertraf. Der Validierungsprozess nutzte Daten von Fahrzeugen mit GPS, IMU und Wahrnehmungssystemen wie Kameras oder Radar, um Fahrzeugtrajektorien und Umgebungsinteraktionen zu erfassen.<\/p>\n\n
Kommerzielle Anwendungen und Auswirkungen<\/h2><\/figure>\n\n
Die Technologie er\u00f6ffnet unmittelbare Chancen in drei Schl\u00fcsselbereichen. F\u00fcr erweiterte Fahrerassistenzsysteme (kurz: ADAS)<\/b> erm\u00f6glicht sie proaktive Sicherheitsfunktionen, die Risiken antizipieren, anstatt nur darauf zu reagieren. Autonome Fahrzeuge<\/b> gewinnen ein skalierbares Werkzeug zur Identifizierung von Gefahren und zur Verbesserung der Bewegungsplanung in komplexen Umgebungen. Gewerbliche Flottenbetreiber<\/b> k\u00f6nnen das System einsetzen, um Muster des Fahrerverhaltens zu \u00fcberwachen und gezielte Sicherheitsschulungsprogramme umzusetzen.<\/p>
Durch den Wegfall der Notwendigkeit teurer Unfalldaten-Annotationen bietet die GSSM eine wirtschaftlich attraktive L\u00f6sung, die eine beschleunigte, breite Markteinf\u00fchrung erm\u00f6glichen k\u00f6nnte. Die Forscher wiesen darauf hin, dass zus\u00e4tzliche Interaktionsdaten und kontextbezogene Faktoren weitere Leistungssteigerungen erbringen k\u00f6nnten, was Potenzial f\u00fcr kontinuierliche Optimierungen aufzeigt.<\/p>
Das Team hat seinen Code und Experimentaldaten offen zug\u00e4nglich gemacht, um Reproduzierbarkeit und weitere Forschung zu unterst\u00fctzen, laut der Ver\u00f6ffentlichung. Diese Transparenz k\u00f6nnte GSSM als neuen Benchmark f\u00fcr Regulierungsbeh\u00f6rden etablieren, welche die Sicherheitsleistung von autonomen und assistierenden Technologien unter realen Bedingungen bewerten.<\/p>\n
Forscher haben ein bahnbrechendes KI-System entwickelt, das Fahrzeugkollisionen 2,6 Sekunden bevor sie eintreten vorhersagt und eine Genauigkeit von 90 % erzielt, ohne Daten aus tats\u00e4chlichen Unf\u00e4llen zu ben\u00f6tigen. Die Generalised Surrogate Safety Measure (GSSM), konzipiert von Jiao et al. und ver\u00f6ffentlicht in Nature Machine Intelligence, lernt Muster des Kollisionsrisikos aus allt\u00e4glichen Fahrdaten und wurde anhand 2.591 realer Unf\u00e4lle sowie Beinahe-Unf\u00e4lle validiert.<\/p>\n","protected":false},"author":87,"featured_media":219983,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"editor_notices":[],"footnotes":""},"categories":[2475],"class_list":["post-219988","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-nachrichten"],"acf":[],"_links":{"self":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/219988","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/users\/87"}],"replies":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/comments?post=219988"}],"version-history":[{"count":0,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/posts\/219988\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/media\/219983"}],"wp:attachment":[{"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/media?parent=219988"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/liora.io\/de\/wp-json\/wp\/v2\/categories?post=219988"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
![\"Eine](\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2026\/03\/tablet-datenanalyse-lager-sicherheit-1024x572.jpg\")
<\/figure>\n\n