ROAR: Robustes Unfallvorhersage-System für autonome Fahrzeuge

Autonome Fahrzeuge müssen Unfälle nicht nur erkennen, sondern auch vorhersehen, um die Sicherheit der Insassen und anderer Verkehrsteilnehmer zu gewährleisten. Das neue System ROAR (Robust Accident Recognition and Anticipation) setzt genau hier an und liefert präzise Vorhersagen, selbst unter schwierigen Bedingungen.

Viele bestehende Ansätze gehen von idealen Sensorbedingungen aus und vernachlässigen dabei häufig auftretende Störungen wie Sensorausfälle, Umwelteinflüsse oder unvollständige Daten. Außerdem berücksichtigen sie nicht ausreichend die große Vielfalt im Fahrverhalten und die unterschiedlichen Unfallraten verschiedener Fahrzeugtypen. ROAR überwindet diese Schwächen, indem es gezielt auf die Herausforderungen im realen Straßenverkehr reagiert.

Das System kombiniert drei Schlüsseltechnologien: Die Discrete Wavelet Transform (DWT) extrahiert robuste Merkmale aus verrauschten und unvollständigen Daten. Ein selbstadaptiver, objektbewusster Moduls fokussiert sich auf hochriskante Fahrzeuge und modelliert die räumlich‑zeitlichen Beziehungen zwischen allen Verkehrsteilnehmern. Zusätzlich nutzt ROAR einen dynamischen Focal Loss, um das Ungleichgewicht zwischen Unfall- und Nicht-Unfall-Beispielen auszugleichen und die Lernstabilität zu erhöhen.

In umfangreichen Tests auf den Datensätzen Dashcam Accident Dataset (DAD), Car Crash Dataset (CCD) und AnAn Accident Detection (A3D) übertrifft ROAR bestehende Baselines konsequent in wichtigen Kennzahlen wie der durchschnittlichen Präzision (Average Precision, AP) und der mittleren Zeit bis zum Unfall (mean Time to Accident, mTTA). Die Ergebnisse zeigen, dass das Modell besonders robust gegenüber Sensorverschlechterungen, Umweltschwankungen und unausgeglichenen Datenverteilungen ist.

ROAR stellt damit einen vielversprechenden Schritt in Richtung zuverlässiger Unfallvorhersage für autonome Fahrzeuge dar und trägt dazu bei, die Sicherheit im Straßenverkehr nachhaltig zu erhöhen.