Automatisierte Fahrzeuge bergen ein inhärentes Sicherheitsrisiko für Insassen und andere Verkehrsteilnehmer. Eine stringente Absicherung ist erforderlich, um ihren Betrieb auf öffentlichen Straßen zuzulassen. Aber das Testen in der realen Welt ist nicht nur sehr zeitaufwändig und teuer, sondern gefährdet auch Probanden sowie Ingenieurinnen und Ingenieure. Daher werden immer mehr Tests in die virtuelle Welt verlagert, bevor sie auf Testgeländen und schließlich im realen Verkehr durchgeführt werden. In der realen Welt sind Umfelderfassungssensoren von automatisierten Fahrzeugen einer Vielzahl von widrigen Umweltbedingungen ausgesetzt, wie beispielsweise Nebel, Regen, Schnee, grelles Sonnenlicht oder Gischt von anderen Fahrzeugen. Da im Stand der Technik bereits schwerwiegende Auswirkungen auf Sensoren, insbesondere Lidar, identifiziert wurden, müssen diese Einflüsse auch in der virtuellen Welt und in Modellen der Sensoren abgebildet werden. Um den Einfluss dieser Bedingungen systematisch zu quantifizieren, werden sie zunächst in zwei Hauptkategorien von objektunabhängigen Bedingungen wie Nebel, Regen, Schnee und objektabhängigen Bedingungen wie nasser Fahrbahn und Gischt eingeteilt. Für die erste Kategorie werden Messungen in einem stationären Aufbau über einen Zeitraum von sechs Monaten aufgezeichnet. Mehrere Lidar-Sensoren mit zusätzlichen Referenzsensoren für Regenintensität, Temperatur, Helligkeit, Sichtweite etc. liefern Daten in diesem Experiment. Die Messwerte werden nach Wetterlage sortiert und Lidar-Werte wie die Anzahl der Detektionen in der Atmosphäre aggregiert. Daraus ergeben sich Erwartungswerte bezogen auf quantifizierte Umweltbedingungen. Als prominentes Beispiel für objektabhängige Bedingungen wird in einem zweiten Versuchsaufbau Gischt untersucht. Auf einem Testgelände werden Messungen mit Objekten durchgeführt, die über eine künstlich bewässerte Fahrbahn fahren. Wasserfilmhöhe und Objektgeschwindigkeiten werden systematisch zwischen den Messungen variiert. Das auffälligste Phänomen in den Daten ist das Clustern von Detektionen in der Gischtwolke aufgrund der Verwirbelungen der Gischt. Das Clusterverhalten sowie Detektionswahrscheinlichkeiten innerhalb dieser Cluster werden als Erwartungswerte für die Modellierung quantifiziert. Die gesammelten Erwartungswerte werden dann verwendet, um stochastische Simulationsmodelle zu entwickeln. Die Modelle werden in einem modularen Ansatz unter Verwendung des Open Simulation Interface in ein Lidar-Basismodell integriert. Die beiden wichtigsten Modellierungsansätze sind das Hinzufügen falsch positiver atmosphärischer Detektionen und das Abschwächen oder Entfernen von Detektionen, die vom Basismodell generiert werden. Abschließend werden die gewonnenen Erkenntnisse aus den Messungen und der Modellentwicklung genutzt, um Anforderungen an Ground-Truth-Daten zur Quantifizierung der Umweltbedingungen abzuleiten. Die spezifizierte Ground-Truth dient als Input für die Simulationsmodelle.