Forschungsprototyp · Fahrzeugvalidierung
Von Unfallevidenz zu nachvollziehbaren Validierungsszenarien.
CalibraScene ist ein evidenzgebundener KI-Workflow. Er überführt heterogene Unfallevidenz in Szenariendarstellungen und unsicherheitsbewusste Entscheidungen zur Validierungsabdeckung.
Fehlende Evidenz bleibt sichtbar. Widersprüche bleiben explizit. Nur zielrelevante Unsicherheit kann eine Entscheidung offenhalten; entscheidende Aussagen behalten ihre Provenienz.
Warum es das gibt
Eine sichere Antwort ist nicht dasselbe wie eine belegte.
Unfallevidenz ist unvollständig. Das ist normal — Datensätze werden für andere Zwecke codiert, Berichte lassen Details aus, und manches wurde nie gemessen. Kritisch ist, was danach passiert: Ein generatives System, das ein vollständiges Szenario liefern soll, liefert meist eines — und füllt die Lücken mit plausiblen statt belegten Werten.
In der Validierungsplanung wiegt das schwerer, als es zunächst scheint. Abdeckungsentscheidungen sind Vergleiche gegen Parameterbänder. Ein erfundener Wert ist spezifisch genug, um innerhalb oder außerhalb eines Bandes zu liegen. Er erzeugt also nicht nur Rauschen, sondern kann eine Entscheidung von „ungeklärt“ zu einem sicheren Treffer oder Ausschluss kippen. Die nachgelagerte Fachperson kann nicht erkennen, dass der ausschlaggebende Wert nie in der Evidenz stand.
Erzwungene Vervollständigung
- Bewegung des Gegenübersstehend
- Fahrspurbeziehunggleiche Spur
- Aufprallgeschwindigkeit42 km/h
Entschieden durch einen Wert ohne Evidenzgrundlage.
Scheinbar vollständig. Der entscheidende Wert wurde nie beobachtet.
Evidenzgebunden
- Bewegung des GegenübersstehendOBSERVED
- Fahrspurbeziehunggleiche SpurDERIVED
- Aufprallgeschwindigkeitnicht erfasstUNKNOWN
Bleibt offen, bis die Geschwindigkeitsevidenz vorliegt oder geklärt ist.
Sichtbar unvollständig. Die Lücke ist der Befund — und sie ist bearbeitbar.
Illustrativer Vergleich. Synthetische Werte, keine Unfallrekonstruktion.
Funktionsweise
Drei Stufen, ein Evidenzrückgrat.
Evidenz kommt als Datensätze aus verschiedenen Quellen herein und verlässt das System als Entscheidung über Validierungsabdeckung. Entscheidend ist, dass nichts unterwegs seine epistemische Identität verliert: Ein in Stufe zwei abgeleiteter Wert ist auch dann als abgeleitet markiert, wenn er in Stufe drei etwas entscheidet.
C1: Funktionales Szenario
Heterogene Unfallevidenz, normalisiert zu wiederkehrender Szenarienstruktur.
Strukturierte nationale Unfalldaten werden über explizite Adapter statt über ein Sprachmodell verarbeitet — die Schemata sind bekannt, generative Extraktion würde Risiko ohne Informationsgewinn hinzufügen. Datensätze werden in eine gemeinsame Taxonomie überführt, damit Szenarien verschiedener Quellen vergleichbar werden.
- Quellenadapter
- Normalisierung
- Wiederkehrende Struktur
C2: Logisches Szenario + SSR
Begrenzte Anreicherung zu einer strukturierten Szenariendarstellung.
Unstrukturierte Evidenz — Berichte, Skizzen, Bilder — ist der Ort, an dem generative Extraktion ihren Platz verdient. Vorgeschlagene Kandidaten werden als Aussagen mit Quellenrolle und epistemischem Status aufgenommen, nie als blanke Fakten. Akteure, Straße und Umfeld, Ereignisse und Parameterdomänen entstehen mit Unsicherheit und Provenienz.
- Akteure
- Straße & Umfeld
- Ereignisse
- Parameterdomänen
- Unsicherheit
- Provenienz
C3: Validierungsabdeckung
Dimensionsweise Prüfung gegen versionierte Katalogbedingungen.
Jedes Validierungsziel bewertet nur die Dimensionen, die es tatsächlich einschränkt. Fehlende oder widersprüchliche Evidenz in einer erforderlichen Dimension führt zu UNKNOWN oder CONFLICT statt zu einer Vermutung; ungelöste Evidenz außerhalb dieses Ziels kontaminiert die Entscheidung nicht, und ein unabhängig belegter Widerspruch kann weiterhin EXCLUDED rechtfertigen.
- MATCH
- EXCLUDED
- UNKNOWN
- CONFLICT
Evidenz- und ProvenienzrückgratQuelle, epistemischer Status und Provenienz begleiten jede Aussage durch alle drei Stufen.
Interaktive Demo
Evidenz ändern. Entscheidung beobachten.
Ein funktionierendes Modell der Entscheidungssemantik, vollständig in Ihrem Browser. Szenario wählen, Evidenz hinzufügen oder zurückziehen und beobachten, wie die Abdeckungsentscheidung reagiert. Nichts davon verlässt diese Seite.
Ego vehicle approaches a stationary vehicle in the same lane. Impact speed decides whether the case falls inside the target’s tested band.
Evidenz ändern
Abdeckungsentscheidungen
- Target AMATCH
Same-lane stationary counterpart, low-speed band.
Belegte Übereinstimmung. Jede entscheidende Dimension ist durch zulässige Evidenz positiv gestützt.
- Entscheidend
- Counterpart road user
- Counterpart motion
- Path relation
- Impact speed
- Target BEXCLUDED
Same-lane stationary counterpart, higher-speed band.
Belegter Ausschluss. Ein belegter Wert widerspricht diesem Ziel. Der Ausschluss steht auf Evidenz.
- Entscheidend
- Impact speed
Woher weiß das System das?
Parameter auswählen, um die Provenienz zu verfolgen.
Aufgelöste Parameter
Evidenzregister
- Counterpart road userpassenger carHistorische BeobachtungEntscheidungsfähigSource A — structured collision record
- Ego motiontravelling forwardHistorische BeobachtungEntscheidungsfähigSource A — structured collision record
- Counterpart motionstoppedHistorische BeobachtungEntscheidungsfähigSource A — structured collision record
- Path relationsame lane, same directionDeterministische AbleitungEntscheidungsfähigDerived from ego and counterpart headings
- Road contextsingle carriagewayHistorische BeobachtungEntscheidungsfähigSource B — narrative report
- Visibilitydaylight, clearHistorische BeobachtungEntscheidungsfähigSource B — narrative report
- Impact speed28–34 km/hHistorische BeobachtungEntscheidungsfähigSource A — recorded impact speed band
Synthetische Demonstration. Sie veranschaulicht die Evidenz- und Entscheidungssemantik von CalibraScene; sie ist keine Unfallrekonstruktion, keine Sicherheitszertifizierung und kein empirischer Genauigkeits-Benchmark.
Target A: MATCH. Target B: EXCLUDEDAktuelle Evidenz
Was das System nachweislich leistet.
Der Prototyp ist implementiert und wird aktiv getestet. Statt Kennzahlen zu veröffentlichen, die beim nächsten Forschungs-Freeze ohnehin revidiert werden, beschreibt dieser Abschnitt das Verhalten, das über Releases hinweg gilt — und benennt klar, wo die Evidenz endet.
- RegressionsgetestetPrototyp-Implementierung
Ein funktionierender Prototyp, durch Tests abgesichert
Die private Forschungsimplementierung ist durch automatisierte Regressions-, Schema- und Evidenzvertragsprüfungen abgedeckt. Eine Änderung, die die Evidenzsemantik bricht, scheitert damit in der Testsuite und nicht erst in einer Demo. Exakte Release-Zahlen sind je Evidenz-Snapshot versioniert und werden hier nach dem nächsten Freeze veröffentlicht.
- DeterministischReproduzierbarkeit
Ein deterministischer Evidenzpfad
Die deterministischen Stufen sind so gebaut, dass sie aus denselben fixierten Eingaben und derselben Konfiguration dieselben strukturierten Ausgaben und Validierungsentscheidungen liefern. Modell, Prompt, Retrieval-Set und Konfiguration sind versioniert, sodass ein Ergebnis auf die Bedingungen zurückführbar bleibt, die es erzeugt haben.
- EvidenzgebundenUmgang mit Evidenz
Zielrelative Fail-closed-Semantik
Fehlende, widersprüchliche oder nicht zulässige Evidenz kann eine davon abhängige Zieldimension nicht entscheiden. Unsicherheit an anderer Stelle bleibt sichtbar, blockiert aber nicht automatisch unabhängige Ziele; jedes Ergebnis behält die eingeschränkten Dimensionen, die entscheidend oder ungeklärt waren.
- ImplementiertDurchgängige Integration
Der Pfad C1 → C2 → C3 läuft durchgängig
Der private Prototyp verbindet die Verarbeitung funktionaler Szenarien, die szenariobezogene Evidenzdarstellung und das deterministische Schließen über Validierungsabdeckung zu einem Pfad statt zu drei getrennten Experimenten. Diese Seite beschreibt diese Architektur, ohne private Datensätze oder Implementierungslogik zu veröffentlichen.
Arbeiten zum Fehlermodus
Erzeugt unbelegte Vervollständigung falsche Ausschlüsse?
Ein bewusst kleines, eingefrorenes Experiment prüft, ob eine Strategie, die einen fehlenden Wert mit einem plausiblen Standard auffüllt, ihre zusätzliche Vollständigkeit mit selbstsicheren, falschen Ausschlüssen erkauft — genau jenem Fehler, den dieses Projekt verhindern soll. Es ist als Machbarkeits- und Fehlermodus-Sonde angelegt, nicht als Leistungsschätzung.
Fehlermodus-Arbeiten dieser Größe können keine Aussage über die Genauigkeit in der Grundgesamtheit stützen und werden auch nicht so dargestellt. Zahlen werden veröffentlicht, sobald ein freigegebenes Evidenz-Release sie trägt.
Detaillierte Benchmark-Zahlen sind mit eingefrorenen Forschungs-Releases versioniert. Diese Seite berichtet nachgewiesenes Systemverhalten und Evidenzgrenzen statt vorläufiger Kennzahlen. Weitergehende Aussagen zu semantischer Genauigkeit und fachlicher Validierung bleiben bewusst unveröffentlicht, bis eine unabhängig beurteilte Evaluation vorliegt.
Evidenzarchitektur
Was ein Szenario strukturell ist.
Die strukturierte Szenariendarstellung ist das Artefakt, gegen das alles andere definiert ist. Ihre Form trägt die Garantien: Der epistemische Status wird getrennt von der Quellenrolle gespeichert, und voneinander abhängige Parameter bleiben verbunden.
Knoten für Details auswählen.
- Scenario
Quellen
Jede Quelle wird mit Version und Zugangsbedingungen registriert. Eine Aussage verweist immer auf eine davon.
Status und Rolle sind getrennt
Wie sicher wir sind und woher ein Wert stammt, sind zwei Fragen. Ihre getrennte Speicherung erlaubt es, einen Protokollwert zu erfassen, ohne dass er zur Beobachtung wird.
UNKNOWN ist zielrelativ
Ein Parameter ohne zulässige Stützung blockiert nur ein Ziel, dessen Bedingungen von diesem Parameter abhängen. Andere Ziele werden anhand ihrer eigenen eingeschränkten Dimensionen bewertet; ein separat belegter Widerspruch kann weiterhin EXCLUDED rechtfertigen.
Widerspruch bleibt Widerspruch
Widersprechende Quellen werden nicht gemittelt, nach Konfidenz gereiht oder still aufgelöst. Der Widerspruch ist das Ergebnis.
Verbunden bleibt verbunden
Abhängige Parameter bleiben Tupel. Ihre Auffächerung zu einem Kreuzprodukt erfände Kombinationen, die kein Fall stützt.
Wo die generative KI sitzt
Generativ, wo es hilft. Deterministisch, wo es muss.
Die Architektur ist bewusst hybrid. Strukturierte nationale Unfalldatenbanken haben bekannte Schemata und werden daher über explizite Adapter verarbeitet — sie einem Sprachmodell zu übergeben, brächte Fehlermodi ohne Zugewinn. Generative und multimodale Modelle kommen dort zum Einsatz, wo Evidenz unstrukturiert und semantisches Lesen wirklich schwierig ist.
Die Arbeitsteilung ist der Kern. Generative Modelle schlagen vor; die Evidenzschicht entscheidet, was ein Vorschlag werden darf. Ein Modell, das einen Bericht liest, kann ein Geschwindigkeitsband vorschlagen, und dieser Vorschlag wird als begrenzte, modellinferierte Aussage aufgenommen. Er kann keine Beobachtung werden und sich nicht zu einem Wert verengen, den die Quelle nie gestützt hat.
Generative Extraktion
VLM- und retrieval-gestütztes Lesen von Berichten, Skizzen und Bildern.
Evidenzaufnahme
Quellenrolle, Provenienz und Entailment-Prüfung. Unbelegte Verengung wird abgelehnt.
Szenariendarstellung
Aussagen werden mit Status und Unsicherheit in die SSR eingefügt.
Deterministische Prüfung
Katalogvergleich und Abdeckungsentscheidungen, lauffähig reproduzierbar.
Die hier beschriebenen Evidenz- und Entscheidungsschichten sind im aktuellen Prototyp umgesetzt. Die breitere generative und multimodale Extraktionsschicht ist Zielarchitektur der Advance-Phase: Sie wird als beabsichtigt beschrieben, nicht als gemessen. Es wird nicht behauptet, dass eine produktive VLM- oder Retrieval-Schicht in diesem Stadium evaluiert wurde.
Konstruktive Kontrollen
Gebaut, um überprüfbar zu sein.
Das sind technische Kontrollen, keine Leitsätze. Jede ist eine Eigenschaft der Darstellung — deshalb halten sie unter Druck, statt sich darauf zu verlassen, dass ein Modell sich gut verhält.
Nützliche Unsicherheit
Das System gibt UNKNOWN zurück, wenn einer zielrelevanten Dimension die zulässige Stützung fehlt. Fehlende Evidenz außerhalb dieses Ziels bleibt sichtbar, hebt eine ansonsten gestützte Entscheidung aber nicht auf.
Sichtbarer Widerspruch
Widersprüchliche Evidenz bleibt CONFLICTING. Nichts wird zu einem falschen Konsens gemittelt oder still von der zuletzt gelesenen Quelle entschieden.
Provenienz durch Konstruktion
Ein entscheidender Parameter behält den Verweis auf die Evidenz oder die deterministische Regel dahinter. Die Spur wird nicht nachträglich rekonstruiert.
Expliziter Prüfstatus
Menschliche Prüfung ist im Datensatz abgebildet, sodass geprüfte und ungeprüfte Aussagen nie verwechselt werden.
Getrennte Quellenrollen
Modellinferenz, historische Beobachtung, externer Kontext, deterministische Ableitung und Protokollwerte bleiben dauerhaft unterscheidbar.
CalibraScene setzt Entwurfskontrollen mit hohem Zusicherungsgrad ein, wie sie für sicherheitsorientierte technische Nutzung angemessen sind. Die endgültige regulatorische Einordnung hängt vom beabsichtigten Einsatz ab.
Aktueller Stand
TRL3 · v0.21TRL3-Forschungsprototyp.
CalibraScene ist ein funktionierender Forschungsprototyp, der den Evidenzpfad C1 → C2 → C3 umsetzt: Verarbeitung funktionaler Szenarien, szenariobezogene Evidenzdarstellung und deterministisches Schließen über Validierungsabdeckung. Das private Forschungspaket steht in aktiver technischer und fachlicher Prüfung.
Aktueller Schwerpunkt
- Externe technische Kritik zu Evidenzsuffizienz und Katalogsemantik.
- Belastbarere, unabhängig beurteilte Evaluation.
- Konsolidierung des nächsten eingefrorenen Evidenzpakets.
- Integrationsplanung für die Advance-Phase.
Nicht behauptet
CalibraScene beansprucht keine Homologation, keine Euro-NCAP-Zertifizierung, keine unfallrekonstruktive Autorität, keine Einsatzsicherheit und keinen vollständigen Automotive-Sicherheitsnachweis. Es ist Entscheidungsunterstützung für die Validierungsvorbereitung — und es ist früh.
Kontext
AI-BOOST Challenge 4
CalibraScene wird als Bewerbung für AI-BOOST Challenge 4 vorbereitet: Generative AI for Automatic Test Case Generation from Crash Databases & Standards. Die Auswahl steht aus.
CalibraScene ist ein unabhängiges Projekt und wird nicht als von AI-BOOST, Siemens oder Euro NCAP gefördert, unterstützt oder zertifiziert dargestellt.
Über das Projekt
Ein unabhängiges Forschungs- und Engineering-Projekt.
CalibraScene wird von Tomi Šeregi entwickelt. Implementierung und Evidenzarchiv sind privat; diese Seite beschreibt Architektur und Semantik, statt das System zu veröffentlichen.