SECURE: Stabile Frühzeitige Kollisionsvorhersage mit robusten Embeddings

Die neuesten Fortschritte im Deep Learning haben die Vorhersage von Unfällen in autonomen Fahrzeugen stark verbessert. Doch die Zuverlässigkeit dieser sicherheitskritischen Systeme gegenüber realen Störungen bleibt ein zentrales Problem. Untersuchungen zeigen, dass hochleistungsfähige Modelle wie CRASH bei selbst kleinen Eingabeveränderungen große Schwankungen in ihren Vorhersagen und latenten Darstellungen aufweisen, was die Vertrauenswürdigkeit stark gefährdet.

Um diesem Problem entgegenzuwirken, präsentiert die Forschungsgruppe das SECURE‑Framework – Stable Early Collision Understanding Robust Embeddings. SECURE definiert formell Robustheitsanforderungen und setzt sie durch vier zentrale Eigenschaften um: Konsistenz und Stabilität sowohl im Vorhersage‑ als auch im latenten Feature‑Raum. Durch eine gezielte Feinabstimmung eines Basismodells mit einem mehrzieligen Verlust, der die Divergenz zum Referenzmodell minimiert und die Empfindlichkeit gegenüber adversarialen Störungen bestraft, wird die Modellstabilität signifikant erhöht.

Experimentelle Ergebnisse auf den DAD‑ und CCD‑Datensätzen belegen, dass SECURE die Robustheit gegen diverse Störungen deutlich steigert und gleichzeitig die Leistung auf sauberen Daten verbessert. Damit erreicht das System neue Spitzenwerte und setzt einen neuen Standard für die sichere Frühzeitige Kollisionsvorhersage in autonomen Fahrzeugen.