Diese Arbeit entwickelt eine Validierungsstrategie der Funktion zur zuverlässigen Crash-Prädiktion gemäß den Normen ISO 26262 und ISO 21448. Durch unüberwachtes maschinelles Lernen auf Daten der Unfalldatenbank GIDAS werden repräsentative Testszenarien für die simulative Bewertung der Funktion abgeleitet.

Innovative Pre-Crash-Systeme sollen die Sicherheitslücke zwischen aktiver und passiver Fahrzeugsicherheit schließen und die Verletzungsschwere bei unvermeidbaren Kollisionen reduzieren. Diese erfordern eine zuverlässige Prädiktion des Unfalls bereits vor dem Crash. Diese Arbeit entwickelt eine Validierungsstrategie der Funktion zur zuverlässigen Crash-Prädiktion gemäß den Normen ISO 26262 und ISO 21448. Grundlage der Validierung ist die Identifikation relevanter und repräsentativer Kollisionsszenarien aus dem realen Unfallgeschehen. Durch unüberwachtes maschinelles Lernen auf Daten der Unfalldatenbank GIDAS werden repräsentative Testszenarien für die simulative Bewertung der Funktion abgeleitet. Anschließend erfolgt eine ganzheitliche Betrachtung der Systemwirksamkeit. Die Ergebnisse leisten einen Beitrag zur normativen Integration prädiktiver Sicherheitssysteme im Straßenverkehr der Zukunft.