Automatisiertes Fahren ist einer der großen Trends in der Automobilindustrie. Neueste tech-nologische Entwicklungen und Prototypen deuten darauf hin, dass die Einführung des auto-matisierten Fahrens technisch schon bald möglich ist. Trotz der Fortschritte in der Syste-mentwicklung selbst, ist der Sicherheitsnachweis immer noch ungelöst. Ohne weitere For-schung und Weiterentwicklung von Test- und Validierungsmethoden ist eine sichere Einfüh-rung des automatisierten Fahrens nicht nachzuweisen. Derzeit verlangt die ECE-Typgenehmigung, dass das System für den Straßenbetrieb sicher sein muss und kein inak-zeptables Risiko besteht. Dies basiert auf der Annahme, dass ein menschlicher Fahrer das Fahrzeug steuert und in kritischen Szenen die Kontrolle übernimmt. Für höher automatisierte Systeme ist die Überwachung durch den Fahrer jedoch nicht mehr vorgesehen. Daher müs-sen neue Methoden des Sicherheitsnachweises entwickelt werden, die die Sicherheit in automatisierter Fahrt ohne menschliche Überwachung gewährleisten. Zunächst werden bestehende Validierungsmethoden für das automatisierte Fahren analysiert und strukturiert, um daraus offene Forschungsfragen zu Risikometriken abzuleiten. In dieser Arbeit liegt der Schwerpunkt dabei auf szenariobasiertem Testen und Feldtests. Ein Feldtest ist ein Test im realen Verkehr. Anhand der auftretenden Unfallhäufigkeit wird das Risiko des Systems in einem statistischen Ansatz abgeschätzt. Szenariobasiertes Testen erfordert hinge-gen die Identifizierung von Testfällen, um das Testen von der Straße in die Simulation oder in ein Testgelände zu verlagern. Ziel jeder Sicherheitsvalidierung ist, das Risiko der Technologie abzuschätzen und Sicherheit gemäß den Anforderungen aller Gesellschaftsgruppen nachzuweisen. In dieser Arbeit wer-den zwei verschiedene Risikobegriffe verwendet. Das durchschnittliche Risiko eines Sys-tems, z.B. die Häufigkeit tödlicher Unfälle, wird als makroskopisches Risiko (MaR) bezeich-net. Das Risiko in einer einzelnen Verkehrsszene wird als mikroskopisches Risiko (MiR) bezeichnet. Aufgrund der großen Entfernung zwischen zwei Unfällen im heutigen Verkehr kann das MaR nicht ohne umfangreiche Datenanalyse bestimmt werden. Da die durch-schnittliche Entfernung zwischen zwei Unfällen hoch ist, Eine sehr große Testdistanz ist erforderlich, um genügend Unfalldaten für eine aussagekräftige statistische Auswertung zu sammeln. Daher ist die Frage entscheidend, wie MiR-Metriken, angewendet auf Szenen einer Messfahrt, zur Extrapolation von MaR verwendet werden können. Ein weiterer Ver-wendungszweck von MiR-Metriken ist die Identifizierung kritischer Szenen in aufgezeichne-ten Daten oder online während Testfahrten. Aus diesen Daten können Testfälle für den szenariobasierten Test abgeleitet werden. Die drei wichtigsten Forschungsfragen dieser Arbeit befassen sich mit der Definition von MaR-Anforderungen und einem Top-Down-Ansatz zur Definition von MiR-Metriken, mit denen das MaR aus kritischen Szenen extrapoliert und Testfälle identifiziert werden können. Diese drei Fragen werden im Verlauf der Arbeit noch in weitere Unterfragen aufgeteilt. Was sind die Anforderungen an MiR-Metriken und wie kann die Eignung der Metri-ken für die Extrapolation von MaR und die Identifikation von Testfällen falsifiziert werden? Bereits heute sind zahlreiche MiR-Metriken vorhanden, die zum Teil auch schon für die beiden beschriebenen Ansätze verwendet werden. Daher wird in dieser Arbeit ein Bewer-tungsprozess etabliert, der beide Ansätze abdeckt. Die Metrik soll geeignet sein, Szenarien zu identifizieren, die für den Fahrer oder die Automatisierung sehr anspruchsvoll sind, um daraus Testfälle abzuleiten. Gleichzeitig soll die Metrik das Risiko in einer Szene beschrei-ben, sodass eine Extrapolation von MiR zu MaR möglich ist. Um zu bewerten, ob eine Metrik für diese Zwecke geeignet ist, werden Anforderungen definiert. Da die Erfüllung aller Anforderung und damit die Eignung der Metrik nicht immer nachweisbar ist, wird stattdes-sen eine Falsifizierungsstrategie vorgeschlagen, die zwei Schritte enthält: Zunächst werden Testszenen definiert, die von einer Metrik korrekt bewertet werden müssen. Wenn keine Falsifizierung durch die Testszenen erreicht wird, wird die Metrik auf aufgezeichnete Daten von vom Menschen gefahrenen Fahrzeugen angewendet. Wenn die tatsächliche Unfallrate der Hochrechnung des Risikos auf der Grundlage der Metrik innerhalb statistischer Toleran-zen widerspricht, ist die Eignung der Metrik falsifiziert. Da der letzte Falsifizierungsschritt sehr aufwändig ist, werden Design-Richtlinien festgelegt, die zu einer aussagekräftigen Metrik führen, wenn sie bei der Entwicklung der Metrik befolgt werden. Welche Methoden und Metriken können verwendet werden, um das MaR des auto-matisierten Fahrens aus kritischen Szenen in Feldtests zu extrapolieren? Bei Feldtests wird die Sicherheit eines Fahrsystems basierend auf der Auftretensrate von Ereignissen bestimmter Kategorie, z.B. Unfälle mit Todesfolge, mit Hilfe eines statistischen Nachweises ermittelt. Handelt es sich bei dem untersuchten Ereignis nicht um einen Unfall, sondern um eine kritische Szene, erhöht sich die Auftrittsrate; und bei gleicher statistischer Signifikanz sind weniger Kilometer erforderlich. Das Auftreten von kritischen Szenen allein gibt jedoch keine Auskunft über das Unfallrisiko. Wenn davon ausgegangen wird, dass der Fahrer eine Kritikalität über einer bestimmten Schwelle zu verhindern versucht und dass das Auftreten einer Kritikalität über diesem Wert aus der Beobachtung in einem Feldtest extrapo-liert werden kann, wäre es möglich auf das Auftreten von Szenen mit noch höherer Kritikali-tät und sogar Unfällen hochzurechnen. Zunächst wird untersucht, ob bestehende Metriken, Datenerfassungen und Extrapolationsmethoden die abgeleiteten Anforderungen erfüllen. Anschließend wird die Extremwerttheorie als statistisches Instrument zur Extrapolation des Risikos ausgewählt. Voraussetzung ist, dass es sich bei hochkritischen Ereignissen um Ext-remereignisse handelt, die nicht durch eine Approximation einer Verteilung aller auftretenden Kritikalitätswerte angenähert werden können. Abschließend wird eine Metrik basierend auf diesen Designrichtlinien entwickelt. Die Metrik verwendet eine modellprädiktive Optimie-rung, um die Trajektorie mit den minimalen Fahranforderungen in einer bestimmten Szene zu finden. Die Metrik erfüllt alle definierten Testfälle und vergleicht die Fahranforderungen mit dem geschätzten menschlichen Fahrkönnen. Nach den festgelegten Designrichtlinien wird eine Sensitivitätsanalyse für willkürlich festgelegte Parameter und den Einfluss der Parame-terdefinition auf das Ergebnis durchgeführt. Zu diesem Zweck wird der highD-Datensatz analysiert, der aus Drohnenvideos aufgenommen wurde. Was ist das akzeptable MaR für automatisiertes Fahren? Die allgemeine Erwartung ist, dass die Einführung von automatisierten Fahrzeugen die Anzahl der Unfälle zumindest langfristig und pro Fahrleistung verringert. Gleichzeitig ist es offensichtlich, dass die Einführung neue Risiken für die Gesellschaft mit sich bringt, wie bei fast jeder neuen Technologie. Vermutlich werden Erstkunden aufgrund der neuen Erfahrun-gen und des persönlichen Nutzens bereitwillig Risiken oder Ungewissheiten in Bezug auf Risiken akzeptieren. Andererseits haben Passanten, die keinen persönlichen Vorteil verspü-ren, vermutliche höhere Anforderungen. In dieser Arbeit werden akzeptable Risiken aus Unfallstatistiken, Risikoakzeptanzstudien und dem Vergleich mit anderen Technologien abgeleitet. Basierend auf den Anforderungen werden Einführungsstrategien unter Ungewiss-heit diskutiert. Die zugrundeliegenden Annahmen dabei sind, dass Benutzer die Hypothese akzeptieren, dass Fahrzeuge sicher sind, während Passanten und die Gesellschaft die Hypo-these eher ablehnen.