CRAG: Kontrollierte Risikoszenarien aus Crashdaten für autonome Fahrzeuge

Die Sicherheit autonomer Fahrzeuge (AV) hängt entscheidend von umfangreichen Tests ab, die sowohl den Alltag als auch seltene, kritische Situationen abdecken. Nur so lässt sich gewährleisten, dass ein AV zuverlässig und sicher fährt.

Ein zentrales Problem besteht darin, Umgebungsagenten – Hintergrundfahrzeuge und verletzliche Verkehrsteilnehmer – realistisch zu simulieren. Sie müssen im normalen Verkehr glaubhaft agieren, gleichzeitig aber auch riskante Verhaltensweisen zeigen, die in echten Unfällen beobachtet werden.

Hier setzt das neue Framework CRAG an. CRAG schafft einen strukturierten latenten Raum, der normale und risikoreiche Verhaltensweisen voneinander trennt. Dadurch können aus begrenzten Crashdaten effiziente und vielfältige Szenarien erzeugt werden.

Durch die Kombination risikobewusster latenter Repräsentationen mit optimierungsbasierten Übergangsmechanismen lässt CRAG Agenten sanft und plausibel von sicheren zu riskanten Zuständen über längere Zeiträume wechseln – ohne die hohe Realitätsnähe in beiden Regimen zu verlieren.

Umfangreiche Experimente zeigen, dass CRAG die Vielfalt der generierten Szenarien im Vergleich zu bestehenden Ansätzen deutlich steigert. Gleichzeitig ermöglicht es die gezielte und kontrollierte Erzeugung von Risikoszenarien, was die Bewertung der Robustheit von AVs effizienter und zielgerichteter macht.