KI-Modelle wurden bereits sehr erfolgreich im Bereich des autonomen und vernetzten Fahrens eingesetzt. Allerdings sind KI-Modelle zum Einen in der Regel Black-Box-Modelle, die zwar meistens die richtigen Entscheidungen treffen, hier konkret das Fahrverhalten, aber nur unzureichenden Einblick in die Entscheidungsfindung liefern. Dies ist insbesondere beim autonomen Fahren problematisch, denn eventuellen Fehlentscheidungen kann nicht hinreichend auf den Grund gegangen werden und falls es zu einem Unfall durch ein autonom fahrendes Fahrzeug kommt, kann der Öffentlichkeit keine vernünftige Erklärung dafür geliefert werden. Eine weitere Schwäche der KI-Modelle ist die Voraussetzung von sehr großen und damit zeit- und kostenaufwändig zu beschaffenden Datenmengen, da sich herausgestellt hat, dass simulierte Daten oft nur unzureichend auf reale Daten verallgemeinerbar sind. Aufgrund der Komplexität des Straßenverkehrs ist selbst durch enorme Datenmengen nicht gewährleistet, dass alle relevanten Situationen abgedeckt sind. Mit den Daten wird implizit über das Fahrverhalten der jeweiligen Agenten in den zugrunde liegenden Fahrszenarien zwar vorhandenes Wissen, beispielsweise im Sinne Verkehrsregeln oder Verhaltensnormen, bereitgestellt, jedoch werden diese Wissensquellen bisher nicht explizit in die KI-Modelle integriert.

Das Ziel von KI Wissen ist die explizite Einbindung von Wissen aus verschiedenen Arten von Wissensquellen (beispielsweise mathematisch-physikalisches Wissen, Verkehrsregeln, Verhaltensnormen) in bestehende KI-Modelle für autonomes und vernetztes Fahren, um die funktionale Güte der Modelle durch die Integration vorhandenen Wissens zu steigern und gleichzeitig eine Plausibilisierung und Absicherung der KI-Vorhersagen und -Entscheidungen zu ermöglichen. Ferner soll eine Steigerung der Dateneffizienz erreicht werden, sodass synthetische Daten effektiver genutzt werden können und die Anzahl an benötigten realen Daten verringert wird. Ein weiteres Ziel ist neben der Einspeisung von Wissen in die KI auch die Extraktion von bisher unbekanntem Wissen.

OFFIS wird sich der Frage widmen, wie sich bereits formalisiertes Wissen in den Trainingsprozess der KI bzw. in die KI-Komponenten integrieren lässt und sich darüber hinaus mit der Identifikation sowie der Formalisierung von relevantem, mathematisch-physikalischem Wissen beschäftigen. OFFIS ist ebenso daran beteiligt, KI-Vorhersagen auf funktionaler Ebene zu plausibilisieren, d.h., mit Hilfe der Wissensquellen zu begründen, warum die entsprechenden Vorhersagen zustande kamen, sowie unzulässige Generalisierungen zu detektieren. Ferner ist OFFIS an der Identifikation und Verbesserung von Gütekriterien für die Bewertung von Fahrszenarien, beispielsweise der Bemessung der Kritikalität, sowie der simulativen Erzeugung kritischer Szenarien beteiligt.