Das Validieren autonomer Fahrzeuge stellt eine Schlüsseldisziplin der aktuellen Automobilforschung dar. Neben dem sich daraus ergebenden Vertrauen der Öffentlichkeit und der Kunden, stellt diese auch eine rechtliche Relevanz dar. Eine statistisch signifikante Demonstration, dass ein autonomes Fahrzeug 20% weniger Verkehrstote verursacht als der durchschnittliche deutsche Fahrer, würde mehr als 10 Milliarden gefahrene Kilometer voraussetzen (Abb. 1). Das Einfahren einer solchen Strecke ist wirtschaftlich nur schwer realisierbar. Hier wird häufig auf szenarienbasierte Ansätze zurückgegriffen. Dazu werden lediglich repräsentative Szenarien getestet. Das Identifizieren von repräsentativen, relevanten und wichtigen Szenarien leistet einen Beitrag zur Reduzierung des Testaufwands. Zusätzlich reduziert eine solche Erkennung den erforderlichen Speicherbedarf für aufgenommene Daten massiv. Das Ziel dieses Projekts ist es, mittels regelbasierter Methoden und maschineller Lernverfahren, neue und relevante Szenarien zu identifizieren.