Neues KI-Modell erhöht autonomes Fahrverhalten um 14 % dank Kollisionsbewusstsein

Autonome Fahrzeuge, die mit End‑to‑End-Algorithmen gesteuert werden, leiden noch immer unter hohen Fehlerraten, insbesondere bei Kollisionen. Diese Fehler sind der Hauptgrund für die niedrigen Punktzahlen auf dem CARLA‑Leaderboard.

Um dieses Problem zu lösen, präsentiert die Studie den Video‑Language‑Augmented Anomaly Detector (VLAAD). Durch die Anwendung einer Multiple‑Instance‑Learning‑Formulierung kann VLAAD stabile, zeitlich lokalisierte Kollisionssignale extrahieren und so proaktive Vorhersagen ermöglichen.

Ein weiterer Meilenstein ist die Einführung von CARLA‑Collide, einem umfangreichen multimodalen Datensatz, der realistische Kollisionen in vielfältigen Straßennetzen erfasst. Zusätzlich wird Real‑Collide vorgestellt, ein Datensatz aus Dashcam‑Videos mit semantisch reichen Kollisionsannotationen, der die Generalisierbarkeit von VLAAD in realen Szenarien prüft.

Durch die nahtlose Integration von VLAAD in einen vortrainierten TransFuser++ Agenten konnte die Studie eine relative Steigerung des Fahrenscores um 14,12 % erzielen – und das mit minimalem Feintuning.

Die Ergebnisse zeigen, dass kollisionsbewusstes Lernen nicht nur die Leistung in geschlossenen Simulationen verbessert, sondern auch in offenen, realen Fahrumgebungen robuste Vorhersagen liefert.