⚡ electrical engineering

Uncertainty Representation in a SOTIF-Related Use Case with Dempster-Shafer Theory for LiDAR Sensor-Based Object Detection

Dieser Beitrag stellt ein systematisches Framework für SOTIF-konforme LiDAR-Objekterkennung vor, das die Dempster-Shafer-Theorie mit Yagers Regel zur Modellierung und Kombination von Unsicherheitsquellen nutzt und gleichzeitig eine varianzbasierte Sensitivitätsanalyse zur Quantifizierung ihrer spezifischen Auswirkungen auf die Erkennungsgenauigkeit einsetzt.

Ursprüngliche Autoren: Milin Patel, Rolf Jung

Veröffentlicht 2026-05-19

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Milin Patel, Rolf Jung

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie fahren mit einem autonomen Fahrzeug auf einer regnerischen, nebligen Landstraße. Sie versuchen, einen langsamen Radfahrer zu überholen, während ein Lkw aus der Gegenrichtung kommt. Die „Augen" Ihres Fahrzeugs sind LiDAR-Sensoren, die unsichtbare Laserstrahlen aussenden, um die Welt zu kartieren. Doch genau wie menschliche Augen bei starkem Regen Schwierigkeiten haben, geraten diese Laser durch Regen, Nebel und nasse Straßen in Verwirrung. Sie könnten einen Geist sehen (einen Fehlalarm) oder eine echte Gefahr übersehen (einen übersehenen Radfahrer).

Dieser Artikel handelt davon, dem Computer des Fahrzeugs beizubringen, zu sagen: „Ich bin mir zu 100 % nicht sicher, was ich sehe, und hier ist genau warum ich unsicher bin."

Hier ist eine einfache Aufschlüsselung dessen, was die Autoren getan haben:

1. Das Problem: Das „neblige Fenster" der Unsicherheit

Die Autoren konzentrieren sich auf ein spezifisches Sicherheitsziel namens SOTIF (Safety of the Intended Functionality). Betrachten Sie SOTIF als das Versprechen des Fahrzeugs, sicher zu bleiben, selbst wenn die Verkehrsregeln seltsam werden oder die Sensoren verwirrt sind.

Das Problem besteht darin, dass LiDAR-Sensoren aufgrund von zwei Arten von „Nebel" Fehler machen:

Der Wetternebel (Aleatorisch): Dies ist der Regen, die nasse Straße und der tatsächliche Nebel draußen. Das Fahrzeug kann dies nicht kontrollieren; es passiert einfach.
Der Wissensnebel (Epistemisch): Dies sind die eigenen Grenzen des Fahrzeugs. Vielleicht hat sein „Gehirn" (das KI-Modell) nicht genug Regentage während des Trainings gesehen, oder der Sensor ist einfach nicht perfekt.

2. Die Lösung: Eine neue Art, „Vielleicht" zu zählen

Normalerweise verwenden Computer Standardmathematik (wie das Werfen einer Münze), um Wahrscheinlichkeiten zu schätzen. Aber wenn Sie nicht genügend Daten haben, ist ein Münzwurf eine schlechte Schätzung.

Stattdessen verwendeten die Autoren ein spezielles mathematisches Werkzeug namens Dempster-Shafer-Theorie (DST).

Die Analogie: Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, ein Verbrechen aufzuklären.
- Standardmathematik sagt: „Es besteht eine 60%ige Wahrscheinlichkeit, dass der Butler es getan hat."
- DST sagt: „Ich habe einige Beweise, die auf den Butler hindeuten, einige Beweise, die auf den Gärtner hindeuten, und einen großen Haufen Beweise, der einfach sagt: 'Ich weiß es noch nicht.' Ich kann alle diese Möglichkeiten gleichzeitig offen halten, ohne eine einzige Antwort zu erzwingen."

Dies ist perfekt für autonome Fahrzeuge, da es dem System erlaubt, einzugestehen: „Ich bin mir unsicher", anstatt eine riskante Vermutung anzustellen.

3. Die Karte: Die Punkte verbinden

Die Autoren erstellten eine Karte (genannt DAG), um zu zeigen, wie verschiedene Probleme miteinander verbunden sind.

Regen macht die Straße nass.
Eine nasse Straße lässt die Laserstrahlen seltsam abprallen.
Seltsame Abpraller verwirren den Sensor.
Ein verwirrter Sensor macht das KI-Gehirn weniger sicher darüber, wo sich der Radfahrer befindet.

Sie nutzten diese Karte, um nachzuvollziehen, wie ein wenig Regen zu einem großen Sicherheitsrisiko werden kann.

4. Das Experiment: Der „Landstraße"-Test

Sie testeten dies an einem spezifischen Szenario: Ein Fahrzeug, das mit 60 km/h fährt und versucht, auf einer schmalen, regnerischen Straße einen Radfahrer zu überholen, während ein Lkw aus der Gegenrichtung kommt.

Sie baten das System, vier mögliche Ergebnisse zu identifizieren:

Ich sehe den Radfahrer korrekt.
Ich sehe den Lkw korrekt.
Ich verpasse den Radfahrer (Falsch-Negativ).
Ich sehe einen Radfahrer, wo keiner ist (Falsch-Positiv).

Unter Verwendung ihrer speziellen Mathematik (DST) kombinierten sie alle verwirrenden Signale (Regen, Nebel, nasse Straßen), um zu sehen, wie stark das Vertrauen des Fahrzeugs sank.

5. Die Ergebnisse: Was ist am wichtigsten?

Durch das Durchführen einer „Sensitivitätsanalyse" (im Grunde ein Stresstest) stellten sie heraus, welche Faktoren die größten Übeltäter waren:

Der große Bösewicht: Die Regenintensität und die Qualität des Sensors waren die größten Ursachen für Unsicherheit. Wenn es stark regnet, sinkt das Vertrauen des Fahrzeugs drastisch.
Das mittlere Problem: Nasse Straßen und Rauschen in den Daten waren ebenfalls signifikant.
Die kleinere Unannehmlichkeit: Die Nebeldichte und die Signalstreuung waren weniger kritisch als Regen, spielten aber dennoch eine Rolle.

6. Die Reparatur: Wie man es sicherer macht

Basierend auf ihren Erkenntnissen schlagen die Autoren drei Hauptwege vor, um das Problem zu beheben:

Intelligentere Software: Erstellen Sie Algorithmen, die sich automatisch anpassen, wenn es zu regnen beginnt, ähnlich wie sich die Scheibenwischer Ihres Fahrzeugs beschleunigen, wenn der Regen stärker wird.
Sauberere Daten: Verwenden Sie bessere Werkzeuge, um das „Rauschen" (Statik) aus den Sensordaten zu entfernen, damit das Fahrzeug ein klareres Bild sieht.
Besseres Training: Bringen Sie der KI bei, indem Sie ihr Tausende von simulierten regnerischen und nebligen Tagen zeigen, damit sie lernt, was sie erwartet, bevor sie jemals auf einen echten Sturm trifft.

Zusammenfassung

Dieser Artikel erfindet keinen neuen Sensor oder ein neues Auto. Stattdessen erfindet er eine neue Art, über Unsicherheit nachzudenken. Er gibt dem autonomen Fahrzeug einen Wortschatz, um zu sagen: „Ich sehe einen Radfahrer, aber weil es stark regnet, bin ich nur zu 70 % sicher, und hier ist die Mathematik, um es zu beweisen." Dies hilft Ingenieuren genau zu wissen, wo sie ihre Bemühungen konzentrieren müssen, um das autonome Fahren bei schlechtem Wetter sicherer zu machen.

Technisches Fazit: Darstellung von Unsicherheiten in einem SOTIF-bezogenen Anwendungsfall mit der Dempster-Shafer-Theorie für die objekterkennungsbasierte LiDAR-Sensorik

Problemstellung
Die Sicherheit der intendierten Funktionalität (SOTIF) in automatisierten Fahrsystemen (ADS) erfordert die Bewältigung von Gefahren, die aus funktionalen Unzulänglichkeiten entstehen, insbesondere in Umgebungen mit unvorhersehbaren Bedingungen, in denen Betriebsparameter schlecht definiert sind. Die LiDAR-basierte Objekterkennung ist zwar entscheidend für die 3D-Umgebungswahrnehmung, jedoch anfällig für erhebliche Unsicherheiten, die durch Umweltvariabilität (z. B. Regen, Nebel) und sensorische Leistungsgrenzen verursacht werden. Diese Unsicherheiten treten sowohl als aleatorische (inhärente Umweltvariabilität) als auch als epistemische (Systemwissen-/Modellgrenzen) Typen auf. Bestehende Methoden kämpfen häufig damit, diese Unsicherheiten darzustellen, ohne sich auf verzerrte A-priori-Wahrscheinlichkeiten zu verlassen oder widersprüchliche Evidenzen zu berücksichtigen. Dieser Beitrag adressiert die Notwendigkeit eines systematischen Ansatzes zur Identifizierung, Klassifizierung und Darstellung dieser Unsicherheiten, um die Zuverlässigkeit der ADS-Wahrnehmungsfunktionen sicherzustellen.

Methodik
Die Autoren schlagen einen strukturierten Workflow vor, um Unsicherheiten innerhalb eines spezifischen SOTIF-bezogenen Anwendungsfalls zu modellieren: ein mit LiDAR ausgestattetes Fahrzeug, das bei widrigen Wetterbedingungen (Regen und Nebel) eine zweispurige Landstraße befährt und dabei mit einem Radfahrer und einem entgegenkommenden Lkw interagiert.

Identifizierung und Abbildung von Unsicherheiten:
- Quellen der Unsicherheit werden in aleatorische (z. B. Regenintensität, Nebeldichte, nasse Straßenverhältnisse, Signalstreuung) und epistemische (z. B. Trainingsqualität von Deep-Learning-Modellen, Sensorlimitierungen) Kategorien unterteilt.
- Abhängigkeiten zwischen diesen Quellen werden mittels eines gerichteten azyklischen Graphen (DAG) abgebildet, der verdeutlicht, wie Umweltfaktoren (wie Regen) Zwischenzustände (nasse Straßen, Signalstreuung) beeinflussen, die letztendlich die Erkennungsgenauigkeit beeinträchtigen.
Dempster-Shafer-Theorie (DST)-Rahmenwerk:
- Erfassungsrahmen (Frame of Discernment, FoD): Definiert als $\Theta = \{\theta_1, \theta_2, \theta_3, \theta_4\}$ , repräsentiert vier Erkennungsergebnisse: Erkennung eines Radfahrers, Erkennung eines Lkws, falsch negativ (Objekt vorhanden, aber nicht erkannt) und falsch positiv (falsche Erkennung).
- Grundwahrscheinlichkeitszuweisungen (Basic Probability Assignments, BPAs): Bedingte BPAs werden Teilmengen des FoD basierend auf den Zuständen identifizierter Unsicherheitsquellen (z. B. niedrige/mittlere/hohe Regenintensität) zugewiesen. Diese werden aus Simulationsdaten abgeleitet, um sowohl aleatorische als auch epistemische Unsicherheiten zu erfassen.
- Evidenzkombination: Um widersprüchliche Evidenzen aus mehreren Quellen zu handhaben (z. B. wenn eine Quelle eine hohe Wahrscheinlichkeit für eine Erkennung nahelegt, während eine andere eine hohe Wahrscheinlichkeit für Rauschen nahelegt), verwendet der Beitrag Yagers Kombinationsregel. Im Gegensatz zu Dempsters Regel verteilt Yagers Regel die konfliktbehaftete Masse auf die universelle Menge $\Theta$ ohne Normalisierung und bewahrt so Informationen über Unwissenheit und Konflikt in komplexen Systemen.
- Quantifizierung: Die Unsicherheit für jede Quelle wird mittels des Intervalls zwischen der Glaubwürdigkeitsfunktion (Belief, $Bel$) und der Plausibilitätsfunktion (Plausibility, $Pl$) quantifiziert. Die Differenz $U(A) = Pl(A) - Bel(A)$ dient als Metrik für das Unsicherheitsniveau.
Sensitivitätsanalyse und Minderung:
- Varianzbasierte Sensitivitätsanalyse (VBSA): Wird angewendet, um den Beitrag jeder Unsicherheitsquelle zur Gesamtvarianz der Erkennungsleistung (speziell bei $Bel$- und $Pl$-Werten) zu quantifizieren.
- Priorisierung: Quellen werden basierend auf der Größe ihrer Unsicherheitsintervalle und Varianzbeiträge in Kategorien mit niedrigem, moderatem und hohem Einfluss klassifiziert.
- Minderungsstrategien: Basierend auf den identifizierten Quellen mit hohem Einfluss werden spezifische Maßnahmen vorgeschlagen.

Hauptbeiträge
Der Beitrag leistet zwei primäre Beiträge:

Systematischer Ansatz: Er stellt eine strukturierte Methodik zur Identifizierung, Klassifizierung und Darstellung von Unsicherheiten in der LiDAR-basierten Objekterkennung vor, speziell im SOTIF-Kontext.
DST-Anwendung: Er demonstriert die Anwendung der Dempster-Shafer-Theorie zur Bewältigung dieser Unsicherheiten. Im Gegensatz zu früheren Arbeiten, die sich auf die Leistungsbewertung konzentrierten, verlagert diese Studie den Fokus auf die Unsicherheitsdarstellung, um gezielte Minderungsstrategien zu entwickeln. Die Verwendung von Yagers Regel wird als Mechanismus hervorgehoben, um Konflikte zu lösen, ohne ein einziges probabilistisches Ergebnis zu erzwingen, was entscheidend ist, wenn Evidenzen widersprüchlich oder unzureichend sind.

Ergebnisse

Unsicherheitsquantifizierung: Die Anwendung der DST zeigte, dass bestimmte Umweltfaktoren das Erkennungskonfidenzniveau signifikant verschlechtern. Beispielsweise erhöhte sich die Regenintensität die Wahrscheinlichkeit für Falsch-Positiv-Erkennungen, während Nebeldichte und Signalstreuung mit einer Zunahme von Falsch-Negativ-Erkennungen korrelierten.
Einflussklassifizierung: Unter Verwendung der Metrik $Pl - Bel$ wurden Unsicherheitsquellen kategorisiert:
- Hoher Einfluss: Regenintensität, LiDAR-Sensorleistung und Oberflächentyp.
- Moderater Einfluss: Nasse Straßenverhältnisse, Rauschen in LiDAR-Daten, Trainingsqualität des DL-Modells und Objektnähe.
- Geringer Einfluss: Nebeldichte, Streuung von LiDAR-Signalen und Reflexionsvariabilität.
Sensitivitätsanalyse: Die VBSA-Ergebnisse zeigten, dass Regenintensität und Streuung von LiDAR-Signalen die höchste Varianz in der Erkennungsleistung erzeugen, gefolgt von nassen Straßenverhältnissen und Sensorleistung.
Minderungsvorschläge: Basierend auf diesen Erkenntnissen schlagen die Autoren vor:
- Entwicklung adaptiver Algorithmen zur Anpassung an wechselnde Wetterbedingungen.
- Anwendung von Rauschreduktionstechniken zur Minimierung von Umwelteinflüssen.
- Erweiterung der Trainingsdatensätze mit simulierten Extremwetterdaten zur Verbesserung der Modellgeneralisierung.

Bedeutung und Einschränkungen
Der Beitrag beansprucht Bedeutung darin, einen strukturierten Rahmen zu liefern, um zu bewerten, wie Unsicherheiten die Erkennungsgenauigkeit beeinflussen, und geht über einfache Leistungsmetriken hinaus zu einer tieferen Analyse, warum die Leistung variiert. Durch die Nutzung der DST argumentieren die Autoren für eine nuanciertere Darstellung von Unsicherheit, die sowohl mangelndes Wissen (epistemisch) als auch inhärente Variabilität (aleatorisch) berücksichtigt, ohne schwer zu rechtfertigende A-priori-Wahrscheinlichkeiten zu erfordern.

Die Autoren räumen bescheiden mehrere Einschränkungen ein:

Subjektivität: Die Zuweisung von BPAs beinhaltet ein Maß an Subjektivität, das Verzerrungen einführen kann.
Statische Natur: Die aktuelle Analyse ist statisch und erfasst keine zeitlichen Dynamiken, die für die Echtzeit-Entscheidungsfindung in dynamischen Umgebungen kritisch sind.
Empfindlichkeit gegenüber Annahmen: Schlussfolgerungen sind empfindlich gegenüber initialen Annahmen und der spezifischen Wahl der Kombinationsregeln in der DST.

Als zukünftige Arbeiten wird vorgeschlagen, diesen statischen Rahmen in einen dynamischen zu erweitern, möglicherweise durch die Integration zeitlicher Modelle wie Hidden-Markov-Modelle (HMMs) oder Bayes'sche Netze, um die Ausbreitung von Unsicherheiten über die Zeit zu verfolgen, und diese Modelle gegen reale Daten zu validieren.