Neues Foundation-Modell für Fahrzeug-CAN-Daten: Ein Netzwerk, viele Aufgaben

Ein neues Foundation-Modell für CAN-Bus-Daten wurde vorgestellt, das die Art und Weise, wie Fahrzeugdaten analysiert werden, revolutionieren könnte. Durch die Kombination von großen, unlabelierten Datensätzen und einer einheitlichen Tokenisierung eröffnet das Modell die Möglichkeit, mehrere Aufgaben mit einer einzigen Basisarchitektur zu lösen.

Derzeit werden für jede spezifische Anwendung – etwa Kollisionsvorhersage, vorausschauende Wartung oder Risikobewertung von Fahrern – eigenständige Modelle trainiert. Diese Fragmentierung verhindert die gemeinsame Nutzung von Wissen und schränkt die Übertragbarkeit von Erkenntnissen zwischen den Aufgaben ein.

Das neue Modell behandelt CAN-Daten wie eine Sprache: Es wird auf einer umfangreichen Sammlung dekodierter, unlabelierter Signale vortrainiert und anschließend für heterogene Versicherungsaufgaben feinjustiert. Ein einheitliches Tokenisierungsschema für diskrete und kontinuierliche Signale sowie spezielle Techniken zur Bewältigung von zeitlicher Komplexität und fahrzeugspezifischer Variabilität bilden die Grundlage des Ansatzes.

Ergebnisse zeigen, dass ein einziges vortrainiertes CAN-Modell effektiv auf verschiedene Vorhersageaufgaben angepasst werden kann. Damit wird die Übertragbarkeit des Foundation-Modell-Paradigmas – das in NLP und Computer Vision bereits bewiesen ist – auf Fahrzeugdaten bestätigt und ebnet den Weg für generalisierbares Representation Learning im Automobilbereich.