Ziel des Verbundvorhabens „TRAITS“ ist es, eine zertifizierbare Sicherheitsebene zu entwickeln, Entscheidungen die von Künstlicher Intelligenz im Voraus überwacht und korrigiert. Der Ansatz basiert auf mathematisch rigorosen Techniken. Diese sogenannten formalen Methoden gewinnen in der Software-Industrie und auch in anderen Bereichen, wie z. B. bei cyber-physischen Systemen, immer mehr an Bedeutung. Mithilfe der Kombination von Ergebnissen früherer Zeiträume (Propagation von Mengen) sinkt der Rechenaufwand und eine Just-in-Time-Verifikation der Entscheidungen der Künstlichen Intelligenz wird möglich. Die geplante Sicherheitsebene soll nicht nur Unfälle vermeiden, sondern auch zu schnelleren und sichereren Trainingszyklen führen, indem sie zusätzliche Trainingsdaten aus automatisch generierten Familien von kritischen Trajektorien generieren kann. Verwandte Ansätze verwenden Optimierungsverfahren, die aufgrund von Erfüllbarkeitsproblemen, numerischen Fehlern oder hohen Rechenkosten teilweise keine gültige Lösung liefern. Im Gegensatz dazu soll der hier gewählte Ansatz sowohl mathematisch als auch numerisch korrekt und mit vorhersagbaren, niedrigen Laufzeiten implementiert werden können. Um die Vorzüge des Ansatzes zu demonstrieren, wird abschließend eine vergleichende Evaluierung mit Ansätzen aus der modellprädiktiven Regelung und klassischen Lernverfahren sowohl in Simulationen als auch in Realexperimenten durchgeführt. Unter anderem sollen Tests an einem autonomen Auto, einem autonomen Boot und einem Roboter erfolgen.