⚡ electrical engineering

Active inference as a unified model of collision avoidance behavior in human drivers

Dieser Beitrag schlägt ein einheitliches rechnerisches Modell der aktiven Inferenz vor, das durch die Integration von Mechanismen zur Evidence-Akkumulation, um empirische Befunde zu Reaktionszeitpunkten, Manöverauswahl und -ausführung nachzubilden, erfolgreich diverse menschliche Kollisionsvermeidungsverhalten in unterschiedlichen Szenarien erklärt.

Ursprüngliche Autoren: Julian F. Schumann, Johan Engström, Leif Johnson, Matthew O'Kelly, Joao Messias, Jens Kober, Arkady Zgonnikov

Veröffentlicht 2026-05-13

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Julian F. Schumann, Johan Engström, Leif Johnson, Matthew O'Kelly, Joao Messias, Jens Kober, Arkady Zgonnikov

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 auf der Autobahn. Plötzlich bremst das Auto vor Ihnen abrupt ab, oder ein Fahrzeug aus dem Gegenverkehr weicht in Ihren Fahrweg aus. Sie haben eine Sekundebruchteil Zeit, um zu entscheiden: Bremsen ich hart? Weiche ich aus? Hoffe ich einfach auf das Beste?

Dieser Artikel stellt eine neue Methode vor, um zu verstehen, wie menschliche Gehirne diese Entscheidungen in Sekundenschnelle treffen. Die Autoren entwickelten ein Computermodell, das auf einer Theorie namens „Aktive Inferenz" basiert.

Hier ist die einfache Zusammenfassung dessen, was sie taten und fanden, unter Verwendung alltäglicher Analogien:

Die Kernidee: Der „Überraschungsminimierer"

Stellen Sie sich Ihr Gehirn als Wettervorhersager vor. Jede Sekunde sagt es voraus, was als Nächstes passieren wird, basierend darauf, was es zu erwarten glaubt.

Normales Fahren: Sie erwarten, dass das Auto vor Ihnen in seiner Spur bleibt. Ihre „Vorhersage" stimmt mit der Realität überein. Sie fühlen keine „Überraschung".
Die Gefahr: Wenn dieses Auto plötzlich ausweicht, ist Ihre Vorhersage falsch. Ihr Gehirn registriert einen massiven Anstieg der Überraschung.

Der Artikel argumentiert, dass menschliche Fahrer handeln, um diese Überraschung zu minimieren. Wenn der „Überraschungsmesser" zu hoch wird (weil eine Kollision wahrscheinlich ist), löst das Gehirn eine vollständige „Neuplanung" dessen aus, was als Nächstes zu tun ist.

Wie das Modell funktioniert (Die drei Schlüsselzutaten)

Die Forscher bauten einen Roboterfahrer, der wie ein Mensch denkt, indem er drei spezifische Tricks anwendet:

1. Das „Looming"-Auge (Gefahr sehen)
Menschen berechnen keine exakten Geschwindigkeiten und Entfernungen wie ein Supercomputer. Stattdessen nutzen sie einen visuellen Trick namens „Looming" (optische Vergrößerung).

Die Analogie: Stellen Sie sich vor, Sie schauen auf einen Insekten, der auf Ihr Gesicht zufliegt. Je näher es kommt, wird es nicht nur größer; es wird schneller größer. Ihr Gehirn nutzt diese Expansionsrate, um zu wissen, wann es zuschlagen muss.
Das Modell: Der Roboter nutzt denselben visuellen Trick. Er hat auch einen „Schwellenwert", was bedeutet, dass er winzige Geschwindigkeitsänderungen aus der Ferne nicht erkennen kann. Dies erklärt, warum Menschen manchmal eine Sekundebruchteil zu spät auf ein bremsendes Auto in der Ferne reagieren – sie konnten die Gefahr buchstäblich nicht „sehen", bis sie nah genug war, um zu „loomen".

2. Der „Soziale Norm"-Filter (Andere vertrauen)
Wenn ein Roboter für jedes mögliche verrückte Ding planen müsste, das ein anderer Fahrer tun könnte (wie Fahren auf dem Dach oder Donuts drehen), wäre er vor Angst gelähmt und würde ständig bremsen.

Die Analogie: Wenn Sie fahren, gehen Sie davon aus, dass andere Menschen die Regeln befolgen. Sie gehen davon aus, dass das Auto in der anderen Spur dort bleibt. Sie fangen erst an zu panikieren, wenn Sie Beweise dafür sehen, dass sie es nicht tun.
Das Modell: Der Roboter verwendet einen „Norm-Conditioned Particle Filter". Er geht davon aus, dass andere Fahrer sich höflich verhalten (in Spuren bleiben, Vorfahrt gewähren). Er hört erst auf, diese Annahme zu vertrauen, wenn das andere Auto tatsächlich gegen die Regeln verstößt. Dies verhindert, dass der Roboter auf normalen Verkehr überreagiert.

3. Der „Überraschungs-Akkumulator" (Der Reaktionszeitgeber)
Dies ist der wichtigste Teil für das Timing. Der Roboter reagiert nicht sofort, wenn er ein Problem sieht. Er wartet, bis sich die „Überraschung" aufbaut.

Die Analogie: Stellen Sie sich einen Eimer vor, der sich mit Wasser füllt.
- Ein kleines Problem (ein Auto weicht leicht ab) fügt ein paar Tropfen hinzu.
- Ein großes Problem (ein Auto weicht in Ihre Spur aus) fügt einen Wasserschlauch hinzu.
- Der Roboter „spritzt" (greift ein) erst, wenn der Eimer überläuft (einen Schwellenwert erreicht).
Das Ergebnis: Dies erklärt, warum Menschen nicht sofort reagieren. Wir brauchen ein wenig Zeit, um sicher zu sein, dass die Gefahr real ist, bevor wir uns auf eine Manöver festlegen.

Was sie testeten

Das Team testete diesen Roboterfahrer in drei verschiedenen „Crash-Szenarien" und verglich sein Verhalten mit echten menschlichen Daten aus Fahrsimulatoren:

Der Auffahrunfall: Ein Auto vor Ihnen bremst plötzlich ab.
Der Frontal-Ausweichmanöver: Ein Auto aus dem Gegenverkehr schneidet Ihren Weg.
Die Kreuzung: Ein Auto biegt ohne Anhalten rechts vor Ihnen ab.

Was sie fanden

Das Modell war überraschend genau. Es riet nicht nur; es reproduzierte menschliches Verhalten im Detail:

Timing: Es reagierte genau so schnell wie Menschen.
Wahl: Es wählte den richtigen Zug (Bremsen vs. Ausweichen) basierend darauf, wie schnell die Autos fuhren, genau wie Menschen es tun.
Der „Einfrieren"-Effekt: Im Szenario „Frontal-Ausweichmanöver" stürzte das Modell manchmal ab, genau wie Menschen es tun. Warum? Weil die „Überraschung" so verwirrend war (das andere Auto könnte zurückkehren oder weiterkommen), dass der Roboter keine sichere Bahn rechtzeitig finden konnte. Dies entspricht der echten menschlichen Zögerlichkeit.

Die „Ablations"-Tests (Das Gehirn auseinandernehmen)

Um zu beweisen, dass ihr Modell richtig war, schalteten sie die verschiedenen „Zutaten" nacheinander aus, um zu sehen, was kaputtging:

Kein „Überraschungs-Akkumulator": Der Roboter reagierte sofort auf alles. Er wurde zu zappelig und traf schlechte Entscheidungen, weil er nicht wartete, um sicher zu sein.
Kein „Soziale Norm"-Filter: Der Roboter wurde zu einem paranoiden Feigling. Er ging davon aus, dass jedes Auto in ihn hineinfahren würde, also bremste er unnötig oder geriet in Panik.
Keine „Looming"-Sicht: Der Roboter reagierte zu langsam auf Autos in der Ferne, weil er die Gefahr visuell nicht „sehen" konnte, wie sie sich aufbaute.

Das Fazit

Dieser Artikel zeigt, dass menschliche Kollisionsvermeidung nicht nur eine mechanische Berechnung von Geschwindigkeit und Entfernung ist. Es ist ein komplexer Tanz aus Erwartungen, visuellen Tricks und einem „Überraschungs"-Alarmsystem.

Indem sie ein Modell bauten, das diese menschlichen Eigenheiten nachahmt (wie das Warten darauf, dass der „Eimer" überläuft oder davon ausgehen, dass andere Fahrer höflich sind), schufen die Forscher ein Werkzeug, das vorhersagen kann, wie Menschen in gefährlichen Situationen reagieren werden. Dies ist ein großer Schritt hin zu besseren Sicherheitssystemen für selbstfahrende Autos, denn um einem Auto beizubringen, wie man einen Unfall vermeidet, muss es zuerst verstehen, wie ein menschliches Gehirn entscheidet, auszuweichen.

Technisches Fazit: Aktive Inferenz als Modell für Kollisionsvermeidungsverhalten menschlicher Fahrer

Problemstellung
Die Kollisionsvermeidung ist eine kritische, hochriskante kognitive Aufgabe, die eine schnelle Bedrohungserkennung und die Ausführung angemessener Ausweichmanöver erfordert. Bestehende rechnerische Modelle menschlicher Kollisionsvermeidung sind weitgehend fragmentiert; sie konzentrieren sich typischerweise auf spezifische Szenariotypen (z. B. Front-zu-Rück-Konflikte), spezifische erklärende Faktoren (z. B. kognitive Belastung) oder isolierte Verhaltensmetriken (z. B. Reaktionszeiten). Obwohl maschinelle Lernmodelle, die auf großen Fahrdatensätzen trainiert wurden, vielversprechend in Bezug auf die Generalisierung sind, haben sie oft Schwierigkeiten, sicherheitskritische Verhaltensweisen darzustellen, da Kollisionsszenarien in den Trainingsdaten unterrepräsentiert sind. Folglich fehlt es an einheitlichen Modellen, die in der Lage sind, die Schlüsselaspekte menschlicher Kollisionsvermeidung – Auswahl der Reaktion, Timing und Ausführung – über diverse Szenarien hinweg zu erfassen.

Methodik
Die Autoren schlagen ein rechnerisches kognitives Modell vor, das auf aktiver Inferenz basiert, einem Rahmenwerk, das auf dem Prinzip der freien Energie fußt und davon ausgeht, dass Agenten handeln, um „Überraschung" (oder erwartete freie Energie, EFE) zu minimieren. Das Modell simuliert einen menschlichen Fahrer (den Ego-Agenten), der in einem zeitdiskreten, sequenziellen Prozess mit anderen Verkehrsteilnehmern interagiert.

Zu den wichtigsten mechanistischen Komponenten des Modells gehören:

Looming-basierte Wahrnehmung: Der Agent nimmt kinematische Zustände (Position/Geschwindigkeit) nicht direkt wahr, sondern leitet sie aus dem Sehwinkel ( $\phi$ ) und der Winkelgeschwindigkeit ( $\dot{\phi}$ , oder Looming) ab. Ein Detektionsschwellenwert ( $\dot{\phi}_0$ ) wird implementiert, um die Unfähigkeit zu simulieren, kleine Relativgeschwindigkeiten in großen Entfernungen wahrzunehmen, was Verzögerungen bei der Erkennung von Ereignissen wie abruptem Bremsen erklärt.
Norm-konditionierter Partikelfilter: Um das zukünftige Verhalten anderer Agenten vorherzusagen, verwendet das Modell einen Partikelfilter, der durch Verkehrsnormen (z. B. Spurhalten, Vorfahrt gewähren) verzerrt ist. Dies verhindert zu pessimistische Vorhersagen in nicht-konfliktreichen Situationen, ermöglicht es dem Modell jedoch, diese Annahmen zu lockern und „Long-Tail"-Trajektorien zu sampeln, die Normen verletzen, sobald Anzeichen eines Konflikts vorliegen.
Akkumulation von Evidenz für Neuplanung: Der Agent akkumuliert kontinuierlich „Überraschung" (definiert als der verbleibende negative pragmatische Wert der aktuellen Politik) als Evidenz für eine vollständige Neuplanung der Politik. Wenn die akkumulierte Evidenz einen Schwellenwert überschreitet, plant der Agent die gesamte Politik neu; andernfalls erweitert er die aktuelle Politik. Dieser Mechanismus modelliert die Dynamik menschlicher Reaktionszeiten.
Eingeschränktes Sampling von Politiken: Neue Politiken werden unter Verwendung der Cross-Entropy-Methode generiert, begrenzt durch eine begrenzte Planungskapazität (eine feste Anzahl bewerteter Politiken). Entscheidend ist, dass Beschleunigungsbeschränkungen die menschliche Pedalbedienung nachahmen, einschließlich einer Haltezeit von 0,2 Sekunden bei nahezu null Beschleunigung, um die physische Verzögerung beim Wechseln des Fußes zwischen den Pedalen zu simulieren.
Auswahl der Politik: Der Agent wählt die Politik aus, die die Erwartete Freie Energie (EFE) minimiert, indem er pragmatischen Wert (Vermeidung von Kollisionen, Beibehaltung der Geschwindigkeit, Spurhalten, Minimierung des Steuerungsaufwands) und epistemischen Wert (Reduzierung von Unsicherheit) ausbalanciert. In Kollisionsszenarien ist der pragmatische Wert der primäre Treiber.

Evaluation und Ergebnisse
Das Modell wurde gegen empirische menschliche Daten in drei unterschiedlichen Kollisionsvermeidungsszenarien evaluiert:

Front-zu-Rück: Ein vorausfahrendes Fahrzeug bremst plötzlich. Das Modell reproduzierte meta-analytische Befunde zu Bremsreaktionszeiten und Verzögerungsstärken und zeigte eine Abhängigkeit von der Szenariokinematik (z. B. kürzere Reaktionszeiten und härteres Bremsen in dringenderen Szenarien). Es sagte auch die Auswahl des Manövers (Bremsen vs. Ausweichen) basierend auf Geschwindigkeit und Zeitabstand voraus.
Seitliches Eindringen aus Gegenrichtung: Ein entgegenkommendes Fahrzeug dringt in die Ego-Spur ein. Das Modell wurde gegen Simulatordaten mit variierender „Steilheit" des Eindringens getestet. Es reproduzierte erfolgreich menschliche Tendenzen, in steilen Szenarien nach links zu lenken, in flachen Szenarien nach rechts und in „mittleren" Szenarien aufgrund hoher Unsicherheit über den Weg des anderen Fahrzeugs zu kollidieren.
Kreuzung Rechtsabbiegen in den Weg: Ein Fahrzeug gewährt an einer Kreuzung keine Vorfahrt. Das Modell, das nur auf den ersten beiden Szenarien abgestimmt war, generalisierte auf dieses ungesehene Szenario und reproduzierte menschliche Kollisionsraten und Reaktionszeiten (schnellere Reaktionen in kritischeren „nicht-gehalten"-Varianten).

Ablationsstudien
Die systematische Entfernung von Modellmechanismen (z. B. Entfernung der Evidenzakkumulation, Rauschen in der Vorhersage oder Norm-Konditionierung) zeigte, dass jede Komponente essenziell ist, um spezifische Aspekte menschlichen Verhaltens zu erfassen. Beispielsweise führte das Entfernen der Evidenzakkumulation zu unrealistisch schnellen Reaktionen, während das Entfernen der Norm-Konditionierung zu übermäßig konservativem Verhalten oder vorzeitigen Reaktionen führte.

Bedeutung und Behauptungen
Die Arbeit behauptet, das erste veröffentlichte rechnerische Modell vorzustellen, das eine detaillierte Darstellung menschlichen Kollisionsvermeidungsverhaltens über mehrere Konfliktszenarien hinweg auf der Grundlage von ersten Prinzipien bietet. Zu den wichtigsten Beiträgen gehören:

Einheitlicher Rahmen: Der Nachweis, dass aktive Inferenz als generalisierbarer Rahmen zur Modellierung menschlichen Verhaltens in komplexen, sicherheitskritischen Fahraufgaben dienen kann, der Reaktionszeit, Manöverauswahl und Ausführung vereint.
Generalisierung: Der Nachweis, dass ein auf spezifischen Szenarien abgestimmtes Modell menschliches Verhalten in ungesehenen Szenarien ohne Neu-Parametrisierung genau vorhersagen kann.
Mechanistische Einsicht: Bereitstellung einer rechnerischen Erklärung dafür, warum menschliche Fahrer manchmal versagen, Kollisionen zu vermeiden (z. B. in mittleren Eindringungsszenarien), und Zuweisung dieser Versagen zum Zusammenspiel von begrenzter Planungskapazität, Vorhersageunsicherheit und der Verzerrung hin zu normkonformem Verhalten.
Geschlossene-Regelkreise-Dynamik: Im Gegensatz zu vielen bestehenden Modellen, die „One-Shot"-Open-Loop-Manöver verwenden, implementiert dieses Modell dynamische, geschlossene Regelkreise-Neuplanungen, die menschlicher Entscheidungsfindung ähneln.

Die Autoren positionieren aktive Inferenz nicht nur als rechnerisches Werkzeug, sondern als theoretischen Rahmen zum Verständnis des Verhaltens von Verkehrsteilnehmern, der die Lücke zwischen kognitiver Theorie und praktischen Anwendungen der Verkehrssicherheit schließt. Sie räumen Einschränkungen ein, wie die Annahme nicht-reagierender anderer Agenten und die Notwendigkeit zukünftiger Arbeiten zu kulturellen Normvariationen und komplexeren Wahrnehmungsvariablen, behaupten jedoch, dass das Modell eine robuste Grundlage für die Simulation menschlicher Agenten in Tests automatisierter Fahrzeuge und in der Sicherheitsforschung bietet.