Detailergebnis zu DOK-Nr. 80600
Auf dem Weg zu erklärbarer künstlicher Intelligenz zur frühzeitigen Erkennung von Verkehrsunfällen (Orig. engl.: Toward explainable artificial intelligence for early anticipation of traffic accidents)
| Autoren |
M.M. Karim Y. Li R. Qin |
|---|---|
| Sachgebiete |
6.3 Verkehrssicherheit (Unfälle) 0.11 Daten (EDV, IT, Internetanwendungen und Verkehrsdaten) 6.7.2 Verkehrsbeeinflussung außerorts, Verkehrsmanagement, Fahrerassistenzsysteme |
Transportation Research Record: Journal of the Transportation Research Board Vol. 2676, H. 6, 2022, S. 743-755, 4 B, 2 T, 39 Q. − Online-Ressource: verfügbar unter: https://journals.sagepub.com/home/trr
Die Vorhersage von Verkehrsunfällen ist eine wichtige Funktion von automatisierten Fahrsystemen (ADS). Ein Unfallvorhersagemodell zielt darauf ab, Unfälle rechtzeitig und genau vorherzusagen, bevor sie eintreten. Bestehenden Modellen der künstlichen Intelligenz (KI) zur Unfallvorhersage fehlt eine für den Menschen verständliche Erklärung ihrer Entscheidungsfindung. Zu diesem Zweck wird in dem Beitrag ein Gated Recurrent Unit (GRU)-Netzwerk vorgestellt, das räumlich-zeitliche relationale Merkmale für die frühzeitige Erkennung von Verkehrsunfällen aus Dashcam-Videodaten lernt. Ein post-hoc-Aufmerksamkeitsmechanismus namens Grad-CAM (Gradientweighted Class Activation Map) wird in das Netzwerk integriert, um Auffälligkeitskarten als visuelle Erklärung für die Unfallvorhersageentscheidung zu erzeugen. Ein Eye-Tracker erfasst die Fixationspunkte der menschlichen Augen, um daraus Aufmerksamkeitskarten zu generieren. Die qualitativen und quantitativen Ergebnisse eines öffentlichen Unfalldatensatzes bestätigen, dass das vorgeschlagene erklärbare Netzwerk (XAI) einen Unfall im Durchschnitt 4,57 Sekunden vor dessen Eintreten mit einer durchschnittlichen Genauigkeit von 94,02 % vorhersagen kann. Anschließend werden verschiedene post-hoc-aufmerksamkeitsbasierte XAI-Methoden bewertet und verglichen. Dies bestätigt, dass die in der Studie gewählte Grad-CAM qualitativ hochwertige, vom Menschen interpretierbare Saliency-Karten mit aufmerksamkeitsrelevanten Eigenschaften zur Erklärung der Entscheidung über die Unfallvorhersage erstellen kann. Die bislang im Laborumfeld erstellten Studien sollten im realen Verkehrsumfeld vertieft werden.