In stedelijke zijn verkeersproblemen zoals ongevallen, congestie en vervuiling veel voorkomend, vooral voor kwetsbare weggebruikers (KWG's) zoals voetgangers en fietsers. Autonome voertuigen (AV's) en geavanceerde bestuurdersassistentiesystemen (GBAS) worden gezien als veelbelovende oplossingen, maar er blijft nog steeds een gat tussen theoretische prestaties en realistische resultaten, vooral onder extreme omstandigheden. Dit proefschrift voorstellen robuuste detectiealgoritmen die betrouwbaar zijn in verschillende rijsituaties, zelfs bij sensordegradatie of lage zichtbaarheid. Door de nauwkeurigheid van KWG-detectie te verbeteren, wordt de verkeersveiligheid naar een nieuw niveau getild. De focus ligt op het adresseren van uitdagingen zoals het annoteren van multimodale sensorgegevens, onjuiste sensor dominantie en robuustheid onder extreme omstandigheden. Nieuwe benaderingen omvatten een semi-gesuperviseerd leer-kader voor radarlabeling en een netwerkarchitectuur die samenwerking tussen thermische en RGB-sensoren mogelijk maakt om detectiefouten te verminderen. Een coöperatieve fusiearchitectuur wordt geïntroduceerd om sensoren te combineren en de innovatieve trainingsmethode verbetert de robuustheid van het systeem door blootstelling aan extreme gegevens. Het onderzoek heeft geleid tot praktische toepassingen voor slimme steden en autonoom rijden, met input van bedrijven en overheden, en publicaties in internationale tijdschriften en conferenties.