Maschinelles Lernen und Autounfälle: Prognose-Algorithmus ohne Deep Learning

Deep Learning ist oft der naheliegende Ansatz für KI , auch bei der Fahrzeugsicherheit. Ich zeige anhand eines selbstentwickelten Algorithmus, wie es auch gut ohne geht, wenn Deep Learning nicht infrage kommt.

12. August 2022 um 11:00 Uhr / Ein Deep Dive von Andreas Meier

Der Aufprallwinkel ist wichtig für die Prognose, wie schwer ein Unfall verläuft. Bild: ODD ANDERSEN/AFP via Getty Images

Trotz aller Fahrerassistenzsysteme und zukünftiger autonomer Fahrfunktionen - es wird wichtig bleiben, crashsichere Fahrzeuge zu bauen. Denn es wird auch in Zukunft (schwere) Unfälle geben, bei denen Menschen zu Schaden kommen. Eine korrekte Unfallprognose ist deswegen extrem wichtig. Es ist naheliegend, dafür Deep Learning zu nutzen. Besondere Anforderungen und Rahmenbedingungen verhindern aber manchmal den Einsatz, wie bei einem Forschungsprojekt eines Autoherstellers, an dem ich beteiligt war. Ich habe dafür einen zuverlässigen Algorithmus zur Unfallschwereprognose entwickelt - ganz ohne Deep Learning.

Zu prognostizieren, wie schwer ein Unfall wird, ist besonders wichtig. Denn es wird vorerst weiter einen Mischverkehr aus autonomen und nichtautonomen Fahrzeugen geben. Dabei könnte vor allem unfalladaptiven Sicherheitssystemen eine Schlüsselrolle zukommen, die Komponenten wie Airbags, Gurte und Fahrzeugstrukturen spezifisch an einen Unfall anpassen. So könnten Fahrzeuge etwa bereits vor einem Unfall prognostizieren, wie schwer dieser wird, um damit die eigenen Sicherheitssysteme bestmöglich einzustellen.