Der Einsatz von maschinellem Lernen im Bereich der Fahrzeugsicherheit nimmt zu, da man damit komplexe Beziehungen zwischen Ein- und Ausgängen modellieren kann. Die derzeit verwendeten maschinellen Lernansätze sind meist Offline-Lernmethoden, bei denen das Modell in einem ausgelagertem Computer trainiert und abgestimmt wird, bevor es in einem Fahrzeug implementiert wird. Der Bereich der Online-Lernmethoden, bei dem die Modellparameter während des Betriebs angepasst werden, wird für Fahrzeugsicherheitsanwendungen noch nicht ausreichend untersucht.  
Ziel dieses Projekts ist es, Online-Lernmethoden zu erforschen, um geeignete Deeskalationsmanöver zu berechnen. Die Grundidee beruht darauf, dass Manöver für autonome Fahrzeuge durch die Beobachtung des Verhaltens von menschlichen Fahrern erlernt werden können, da ähnliche Verkehrsszenarien ähnliche Reaktionen erfordern, um ein sicheres und komfortables Fahrerlebnis zu gewährleisten. Als Eingang für den maschinellen Lernalgorithmus wird eine kompakte Darstellung eines Verkehrsszenarios verwendet, die entweder aus Simulationen oder von Sensoren in realen Fahrzeugen generiert werden kann. Der zu erlernende Ausgang des Algorithmus ist die menschliche Fahreraktion, die die Kritikalität des Szenarios gering hält.
Die Daten von realen Fahrzeugen mit Sensoren wie LiDAR, Kamera und INS sowie Daten aus Simulationen werden verwendet, um eine hierarchische maschinelle Lernarchitektur zu trainieren, die Offline- und Online-Lernmethoden kombiniert (Abb. 1). Die erlernten Manöverentscheidungen werden mit Hilfe modellbasierter Trajektorienplanungsalgorithmen in Lenkwinkel- und Pedalpositionssignale umgewandelt. Die erforschten Methoden werden den Übergang zur Stufe 4 des automatisierten Farhrens unterstützen, indem sie Fahrzeugtrajektorien berechnen, die die Kritikalität niedrig halten.