Die Sicherheitsleistung autonomer Fahrzeugalgorithmen lässt sich um bis zu neunzig Prozent steigern, indem Trainingsdaten zu nahezu Unfällen mit herkömmlichen Crash-Daten kombiniert werden. Dieser Erkenntnisgewinn stammt aus einer Studie der University of Michigan Engineering, die im aktuellen Jahr im Fachjournal Nature Communications veröffentlicht wurde. Die Forschung adressiert ein zentrales Hindernis auf dem Weg zur flächendeckenden Einführung von Fahrzeugen der Automatisierungsstufen vier und fünf: das fehlende öffentliche Vertrauen sowie die technische Herausforderung, KI-Systeme in allen denkbaren Verkehrssituationen sicher zu trainieren. Bisher konzentrierte sich die Entwicklung autonomer Fahralgorithmen weitgehend auf die Analyse tatsächlicher Kollisionen. Diese alleinige Fokussierung stößt jedoch an praktische Grenzen, da kritische Sicherheitsereignisse statistisch extrem selten sind. Wie Forscher um Henry Liu, Direktor des Mcity-Testgeländes und des University of Michigan Transportation Research Institute, erläutern, führt dies bei KI-Modellen zum sogenannten Wippeffekt. Werden neue Schwachstellen erkannt, müssen Architekturen oft aufwendig neu gestaltet werden, was zeitliche und finanzielle Ressourcen bindet. Die Alternative, das Training ausschließlich mit Crash-Daten zu verlängern, vernachlässigt hingegen wertvolle Informationsträger, die bereits erfolgreich kritische Manöver durchführten. Das neue Trainingsparadigma integriert daher sowohl gescheiterte als auch knapp abgewendete Kollisionen aus realen Fahrten und aufwändigen Simulationen. Im simulierten Raum treten Near-Misses etwa tausendmal häufiger auf als vollständige Unfälle. Durch die Verknüpfung beider Szenarien lernen die Algorithmen nicht nur, was sie vermeiden müssen, sondern auch, wie sie in kritischen Phasen korrekt reagieren. Die Validierung erfolgte am Mcity-Testgelände der Universität, wo die Datenkombination nachweislich die Sicherheitsperformance um neunzig Prozent erhöhte. Dieser Ansatz umgeht zudem das Problem der extremen Seltenheit sicherheitsrelevanter Ereignisse auf öffentlichen Straßen, für deren Erhebung traditionell Hunderte Millionen Kilometer nötig wären. Der KI-gestützte Trainingsprozess reduziert den erforderlichen Testumfang um neunzigneunkommanneun Prozent. Die beschleunigte und ressourcenschonende Validierung kann den Nachweis der Verkehrssicherheit deutlich verkürzen, die Akzeptanz in der Bevölkerung stärken und die Automobilindustrie bei der Umsetzung langjähriger Automatisierungsziele vorantreiben. Die Ergebnisse unterstreichen, dass die strategische Nutzung von Near-Miss-Daten einen entscheidenden Schritt in der Weiterentwicklung hochautonomer Fahrzeugsysteme darstellt.