Als Teil der zentralen Vorentwicklung für künstliche Intelligenz (KI) sind wir für die Entwicklung innovativer Technologien verantwortlich, um den Einsatz von KI für unsere Produkte zu ermöglichen. Sie arbeiten in einem engagierten, innovativen Team aus Continental-Mitarbeitern (m/w/divers) und Studenten (m/w/divers) und erstellen eine Forschungsarbeit mit dem Ziel der Promotion. Thema: Untersuchung und Entwicklung von Algorithmen zur Auflösung divergierender Normen im Bereich des Autonomen Fahrens. Kurzbeschreibung: Ein wichtiges Ziel beim autonomen Fahren ist die Entwicklung von Methoden zur Einbeziehung von Welt- und Expertenwissen. Die Berücksichtigung von Welt- und Expertenwissen hat erhebliche Herausforderungen zu bewältigen, nicht zuletzt im Fall des verkehrlichen Wissens. Rechtliche und soziale Normen werden im Vergleich zu mathematischen oder naturgesetzlichen Regeln oft als »verhandelbar« oder »weich« charakterisiert, da sie Veränderungen unterliegen und sowohl generell als auch in einem situativen Kontext neu definiert werden können. Damit einher geht die Existenz konkurrierender Normen im Sinne divergierender Regeln mit identischem Anwendungsbereich (Normenkonflikt). Daten liegen typischerweise in speziellen Repräsentationsformen vor, wie z.B. Bilder, Text, Sensordaten oder Ähnliches. Weltwissen und Expertenwissen wird mit Hilfe von den genannten Repräsentationsformen formalisiert, wie z.B. logische Regeln, Ontologien oder Graph-Datenbanken. Diese Formalismen lassen sich jedoch nicht ohne Weiteres in subsymbolische Lernarchitekturen wie tiefe neuronale Netze integrieren und verarbeiten. Existierende Verfahren ermöglichen es, aus oben genannten Repräsentationsformen sogenannte subsymbolische Repräsentationen zu erzeugen, um in neuronalen Netzen verwendet werden zu können. Eine Fragestellung im Bereich des autonomen Fahrens beschäftigt sich mit der Auflösung existierender Normenkonflikte, die durch verschiedene Regeln und Daten erzeugt werden. Letztere werden in typischen Folgearchitekturen, wie z.B. in der für Manöverplanung, entsprechend berücksichtigt und aufgelöst. In dieser Arbeit sollen neuronale Architekturen mit Schwerpunkt auf Attention-Mechanismen hinsichtlich der Bewertung und Berücksichtigung von divergierenden Normen untersucht werden. Zusätzlich sollen entweder neue Verfahren oder auch existierende Algorithmen weiterentwickelt und in die vorhandene Algorithmenlandschaft zur Erstellung von subsymbolischen Wissensrepräsentationen integriert werden. Die entwickelten Verfahren werden dementsprechend an Hand des UseCases der wissensbasierten Trajektorienvorhersage evaluiert.