Learning Pedestrian Failure-to-yield Maneuver Patterns from Fatal Crash Data: Evidence from Explainable AutoML

Jeden Tag steigen Millionen von Menschen vom Bordstein auf die Straße, im Vertrauen darauf, dass Autofahrer sie sehen und anhalten werden. Doch in Städten in den Vereinigten Staaten wird dieses Vertrauen häufig gebrochen. Wenn ein Fußgänger die Straße überquert, ohne auf eine sichere Lücke zu warten oder ein Signal ignoriert, und ein Fahrzeug nicht ausweicht, ist das Ergebnis oft eine Tragödie. Diese „Versäumnisse beim Vorranggewähren“ (failure-to-yield) sind keine zufälligen Unfälle; sie folgen spezifischen Mustern basierend darauf, wo die Person steht, zu welcher Tageszeit es geschieht und wer am Steuer sitzt. Seit Jahrzehnten versuchen Sicherheitsexperten, diese Momente zu verstehen, indem sie Polizeiberichte manuell prüfen oder Videomaterial sichten, aber diese Methoden sind langsam und haben Schwierigkeiten, die heutige enorme Menge an verfügbaren Daten zu bewältigen. Die Frage bleibt: Können wir die massiven Archive von Verkehrsdaten nutzen, um die verborgenen Regeln zu entschlüsseln, die diese gefährlichen Interaktionen bestimmen, und können wir dies auf eine Weise tun, die erklärt, warum ein Unfall passierte, und nicht nur, dass er passierte?

Ein Forscherteam der Texas State University setzte sich zum Ziel, diese Frage zu beantworten, indem es sich einer neuen Art von künstlicher Intelligenz zuwandte. Sie sammelten Daten aus dem Fatality Analysis Reporting System, einer nationalen Datenbank, die detaillierte Aufzeichnungen über jeden tödlichen Verkehrsunfall in den USA zwischen 2016 und 2023 enthält. Anstatt zu versuchen, eine einzelne Zahl vorherzusagen, wie etwa die Gesamtzahl der Todesfälle, ließen sie den Computer diese tragischen Ereignisse in spezifische Kategorien einteilen, basierend darauf, wie sich der Fußgänger im Moment des Aufpralls bewegte. Sie verwendeten ein Klassifizierungssystem namens Pedestrian and Bicycle Crash Analysis Tool, das Unfälle in Typen unterteilt, wie etwa eine Person, die von links überquert, von rechts überquert, in eine ungewöhnliche Richtung überquert oder in eine unbekannte Richtung überquert. Durch das Einspeisen dieser Daten in ein automatisiertes maschinelles Lernsystem namens AutoGluon ermöglichten die Forscher dem Computer, seine eigenen Modelle zu erstellen, um den genauesten Weg zu finden, zwischen diesen verschiedenen Arten von Unfällen zu unterscheiden.

Der Computer rät nicht nur; er lernt. Nach dem Testen dutzender verschiedener mathematischer Ansätze entschied sich das System für eine Methode namens LightGBM, die sich als am genauesten erwies. Dieses Modell identifizierte den Typ des Fußgänger-Manövers in fast 80 Prozent der getesteten tödlichen Fälle korrekt. Noch wichtiger ist, dass die Forscher den Computer nicht als eine „Black Box“ zurückließen, die einfach eine Antwort gibt, ohne eine Erklärung zu liefern. Sie nutzten eine Technik namens SHAP, die wie eine Lupe wirkt, um in das Modell hineinzuschauen und zu sehen, welche Faktoren die Vorhersage in die eine oder andere Richtung drängten. Dies enthüllte, dass das Jahr, in dem der Unfall geschah, die genaue Position des Fußgängers, der Typ der Straße und das Alter des Fahrers die stärksten Hinweise waren, um zu bestimmen, wie ein Unfall ablief.

Als die Forscher die Ergebnisse genauer untersuchten, traten deutliche Geschichten für jede Art des Überquerens hervor. Bei Unfällen, bei denen ein Fußgert von links überquerte, zeigte der Computer, dass der kritischste Faktor die Position des Fußgängers war. Diese Vorfälle standen in engem Zusammenhang mit Menschen, die die Straße mitten auf der Fahrbahn überquerten, fernab von markierten Zebrastreifen, wo Autofahrer sie nicht erwarten. Die Analyse verdeutlichte auch, dass ältere Fahrer in diesen Szenarien besonders gefährdet waren, wahrscheinlich weil ihre Reaktionszeiten langsamer werden, wenn sie mit einer plötzlichen, unerwarteten Person konfrontiert werden, die von der Seite auftaucht.

Die Geschichte war anders bei Unfällen, an denen ein Fußgänger von rechts überquerte. Hier spielte das Alter des Fahrers erneut eine große Rolle, aber auch der Fahrzeugtyp und die Tageszeit. Die Daten legten nahe, dass diese Unfälle oft passieren, wenn ein Fahrer eine Rechtskurve fährt – ein Manöver, das erfordert, in mehrere Richtungen gleichzeitig zu schauen. Die Analyse des Computers deutete darauf hin, dass Autofahrer oft den Bereich nicht scannen, in dem ein Fußgänger auftauchen könnte, insbesondere wenn die Sicht durch die Säulen des eigenen Autos blockiert ist oder die Straßenführung Gleisspuren (Slip Lanes) umfasst, die es Autos ermöglichen, zu wenden, ohne vollständig anzuhalten. In diesen Fällen ist die Aufmerksamkeit des Fahrers geteilt, und der Fußgänger verbirgt sich in einem toten Winkel, bis es zu spät ist.

Für die verwirrendste Kategorie, in der die Richtung des Fußgängers unbekannt oder ungewöhnlich war, deutete das Muster auf ältere Fußgänger und schlechte Sichtverhältnisse hin. Diese Unfälle involvierten häufig Menschen, die mitten in der Nacht oder bei schlechtem Wetter überquerten, oft weit entfernt von einem ausgewiesenen Übergangspunkt. Die Daten zeigten, dass diese Vorfälle in den Wintermonaten häufiger vorkamen und oft größere Fahrzeuge wie SUVs involvierten, die die Sicht des Fahrers auf eine Person am Boden blockieren können. Der Computer lernte, dass bei einer unvorhersehbaren Überquerung durch einen Fußgänger die Kombination aus Dunkelheit, Wetter und der Größe des Fahrzeugs einen perfekten Sturm für einen fatalen Fehler schafft.

Die Erkenntnisse stellen die Vorstellung infrage, dass alle Fußgängerunfälle gleich sind. Stattdessen zeigen sie, dass jeder Typ eines Überquerungsfehlers seine eigenen, einzigartigen Ursachen hat. Ein Unfall, der durch einen Wilden (Jaywalker) mitten auf der Fahrbahn verursacht wird, wird durch andere Faktoren getrieben als ein Unfall, der durch einen Fußgänger entsteht, der während einer Rechtskurve auftaucht. Diese Unterscheidung ist entscheidend für die Verkehrsplanung. Sie legt nahe, dass eine einzige Lösung, wie das Streichen von mehr Zebrastreifen, nicht jedes Problem lösen wird. Um wirklich Leben zu retten, müssen Städte möglicherweise spezifische Kreuzungen neu gestalten, um die Sichtlinien für abbiegende Fahrer zu verbessern, bessere Beleuchtung für Nachtüberquerungen installieren und gezielte Bildungsprogramme für ältere Fahrer schaffen, die Schwierigkeiten haben könnten, schnell auf unerwartete Fußgänger zu reagieren.

Durch die Nutzung von automatisiertem Lernen, um jahrelange tödliche Unfalldaten zu durchsieben, ist diese Studie über einfache Statistiken hinausgegangen, um die spezifischen Mechanismen der Gefahr aufzudecken. Sie beweist, dass wir mit den richtigen Werkzeugen die präzisen Bedingungen verstehen können, die zu Tragödien führen. Die Forschung bietet keine magische Lösung, aber sie liefert eine klare Karte der Risikolagen. Sie zeigt, dass Sicherheit nicht nur daraus besteht, Regeln zu befolgen, sondern darin, den komplexen Tanz zwischen menschlichem Verhalten, Fahrzeugdesign und Straßengeometrie zu verstehen, der in der Sekunde vor einem Unfall stattfindet. Mit diesem Wissen können Ingenieure und politische Entscheidungsträger endlich damit beginnen, Straßen zu bauen, die nicht nur für den Durchschnittstag sicher sind, sondern auch widerstandsfähig genug sind, um die Schwächsten zu schützen, wenn Dinge schiefgehen.