Clara Hoffmann und Prof. Nadja Klein von der Forschungsgruppe Methods for Big Data wurden für ihr Paper "Marginally calibrated response distributions for end-to-end learning in autonomous driving", das in "The Annals of Applied Statistics" veröffentlicht wurde, mit dem renommierten Mitchell-Prize der International Society for Bayesian Analysis (ISBA) ausgezeichnet. Der Preis wird gefördert von der Section on Bayesian Statistical Science (SBSS) of the ASA, der International Society for Bayesian Analysis (ISBA) und dem Mitchell Prize Founders’ Committee. Er würdigt herausragende Beiträge zur statistischen Methodik mit hoher Relevanz für die Praxis. Die prämierte Arbeit beschäftigt sich mit der Unsicherheitsquantifizierung in neuronalen Netzwerken für das autonome Fahren – ein zentraler Aspekt für die Sicherheit solcher Systeme.

End-to-End-Modelle sagen den Lenkwinkel direkt aus Kamerabildern voraus, liefern aber meist nur Punktschätzungen. Die im prämierten Paper ausgezeichnete Methode basiert auf dem „Implicit Copula Neural Linear Model“ (IC-NLM), das Wahrscheinlichkeitsverteilungen für Lenkwinkel erzeugt und dabei besonders gut kalibriert ist. Um das Verfahren für große Datenmengen nutzbar zu machen, wurde eine schnelle Schätztechnik mittels variationaler Inferenz genutzt.


Der Ansatz von Hoffmann und Klein (rot, orange) kann durch die Nutzung von Wahrscheinlichkeitsverteilungen statt Punktschätzern gezielt verschiedene Lenkoptionen unterscheiden: das Fahrzeug geradeaus zu steuern oder die Autobahnabfahrt zu nehmen.

Tests mit realen Fahrdaten zeigen: Das IC-NL-Modell ist nicht nur präzise, sondern kann im Vergleich zu anderen Modellen auch seine eigene Vorhersagesicherheit verlässlicher einschätzen und trägt so zur Erklärbarkeit neuronaler Netze bei. Die Auszeichnung unterstreicht die Bedeutung statistischer Methoden für sichere KI-Anwendungen – ein Forschungsschwerpunkt am SCC.
 

Kontakt am SCC: Clara Hoffmann, Prof. Nadja Klein