@incollection{MadsenWeidl2024, author = {Madsen, Anders L. and Weidl, Galia}, title = {Bayes'sche Netze als Methode zur Implementierung transparenter, erkl{\"a}rbarer und vertrauensw{\"u}rdiger K{\"u}nstlicher Intelligenz}, series = {Vertrauen in K{\"u}nstliche Intelligenz - Eine multi-perspektivische Betrachtung}, booktitle = {Vertrauen in K{\"u}nstliche Intelligenz - Eine multi-perspektivische Betrachtung}, publisher = {Springer Verlag}, pages = {139 -- 162}, year = {2024}, abstract = {Dieser Beitrag betrachtet die Verwendung von Bayes'schen Netzen als Methode zur Implementierung von transparenter, erkl{\"a}rbarer und vertrauensw{\"u}rdiger K{\"u}nstlicher Intelligenz (KI). Er beginnt mit einer Darstellung und Diskussion von Schl{\"u}sselkonzepten im Zusammenhang mit der Verwendung von Methoden der K{\"u}nstlichen Intelligenz und der Implementierung von erkl{\"a}rbarer und vertrauensw{\"u}rdiger KI. Der Beitrag diskutiert mehrere Konzepte aus dem Bereich der Bayes'schen Netze, die f{\"u}r die praktische Anwendung dieser Modelle in Systemen mit KI relevant sind. Zu den betrachteten Konzepten geh{\"o}ren unter anderem der Bayes-Faktor, die wahrscheinlichste Erkl{\"a}rung und die relevanteste Erkl{\"a}rung. Der Beitrag endet mit einem Fallbeispiel aus dem Bereich des automatisierten Fahrens, das veranschaulicht, wie transparente und erkl{\"a}rbare KI mithilfe von Bayes'schen Netzen umgesetzt werden kann, um eine vertrauensw{\"u}rdige L{\"o}sung zu schaffen.}, subject = {K{\"u}nstliche Intelligenz}, language = {de} } @inproceedings{TalluriMadsenWeidl2025, author = {Talluri, Kranthi Kumar and Madsen, Anders L. and Weidl, Galia}, title = {Enhancing Safety Standards in Automated Systems Using Dynamic Bayesian Networks}, series = {2025 IEEE Intelligent Vehicles Symposium (IV)}, booktitle = {2025 IEEE Intelligent Vehicles Symposium (IV)}, doi = {10.48550/arXiv.2505.02050}, year = {2025}, abstract = {Cut-in maneuvers in high-speed traffic pose critical challenges that can lead to abrupt braking and collisions, necessitating safe and efficient lane change strategies. We propose a Dynamic Bayesian Network (DBN) framework to integrate lateral evidence with safety assessment models, thereby predicting lane changes and ensuring safe cut-in maneuvers effectively. Our proposed framework comprises three key probabilistic hypotheses (lateral evidence, lateral safety, and longitudinal safety) that facilitate the decision-making process through dynamic data processing and assessments of vehicle positions, lateral velocities, relative distance, and Time-to-Collision (TTC) computations. The DBN model's performance compared with other conventional approaches demonstrates superior performance in crash reduction, especially in critical high-speed scenarios, while maintaining a competitive performance in low-speed scenarios. This paves the way for robust, scalable, and efficient safety validation in automated driving systems.}, subject = {Unfallverh{\"u}tung}, language = {en} }