TY - CHAP A1 - Madsen, Anders L. A1 - Weidl, Galia T1 - Bayes’sche Netze als Methode zur Implementierung transparenter, erklärbarer und vertrauenswürdiger Künstlicher Intelligenz T2 - Vertrauen in Künstliche Intelligenz - Eine multi-perspektivische Betrachtung N2 - Dieser Beitrag betrachtet die Verwendung von Bayes’schen Netzen als Methode zur Implementierung von transparenter, erklärbarer und vertrauenswürdiger Künstlicher Intelligenz (KI). Er beginnt mit einer Darstellung und Diskussion von Schlüsselkonzepten im Zusammenhang mit der Verwendung von Methoden der Künstlichen Intelligenz und der Implementierung von erklärbarer und vertrauenswürdiger KI. Der Beitrag diskutiert mehrere Konzepte aus dem Bereich der Bayes’schen Netze, die für die praktische Anwendung dieser Modelle in Systemen mit KI relevant sind. Zu den betrachteten Konzepten gehören unter anderem der Bayes-Faktor, die wahrscheinlichste Erklärung und die relevanteste Erklärung. Der Beitrag endet mit einem Fallbeispiel aus dem Bereich des automatisierten Fahrens, das veranschaulicht, wie transparente und erklärbare KI mithilfe von Bayes’schen Netzen umgesetzt werden kann, um eine vertrauenswürdige Lösung zu schaffen. KW - Bayes'sche Netze KW - Künstliche Intelligenz KW - Automatisiertes Fahren KW - Mischverkehr KW - Künstliche Intelligenz KW - Bayes-Netz KW - Autonomes Fahrzeug Y1 - 2024 UR - https://link.springer.com/chapter/10.1007/978-3-658-43816-6_8 SP - 139 EP - 162 PB - Springer Verlag ER - TY - CHAP A1 - Talluri, Kranthi Kumar A1 - Madsen, Anders L. A1 - Weidl, Galia T1 - Enhancing Safety Standards in Automated Systems Using Dynamic Bayesian Networks T2 - 2025 IEEE Intelligent Vehicles Symposium (IV) N2 - 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. KW - Unfallverhütung KW - Schnellfahrstrecke KW - Autonomes Fahrzeug Y1 - 2025 UR - https://www.researchgate.net/publication/391461422_Enhancing_Safety_Standards_in_Automated_Systems_Using_Dynamic_Bayesian_Networks U6 - https://doi.org/10.48550/arXiv.2505.02050 ER -