Der immense Aufwand für die Sicherheitsvalidierung eines automatisierten Fahrsystems des SAE-Levels 3 oder höher ist bekanntermaßen nicht alleine durch reale Testfahrten darstellbar. Daher ist die Simulation selbst für begrenzte Betriebsbereiche die Lösung für die Homologation automatisierter Fahrfunktionen. Folglich müssen alle Simulationsmodelle vorher qualifiziert sein, die hierfür als Werkzeug verwendet werden. Dafür ist neben deren Verifizierung und Validierung auch die Unsicherheits-Quantifizierung (VV&UQ) und -Vorhersage in den Anwendungsbereich für die Glaubwürdigkeit des Simulationsmodells erforderlich. Um eine solche VV&UQ zu ermöglichen, werden am Beispiel einer eigens erarbeiteten Simulation von Lidar-Sensorsystemen neue Metriken vorgestellt, die ganzheitlich zum Nachweis der Modellglaubwürdigkeit und -reife für Simulationsmodelle aktiver Wahrnehmungssensorsysteme verwendet werden können. Der ganzheitliche Prozess hin zur Modellglaubwürdigkeit beginnt bei der Formulierung der Anforderungen an die Modelle. Die Schwellwerte der Metriken als Akzeptanzkriterien sind dabei quantifizierbar durch die Relevanzanalyse der Ursache-Wirkungs-Ketten, die in verschiedenen Szenarien vorherrschen, und sollten dafür intuitiv in der gleichen Einheit wie die simulierte Messgröße vorliegen. Diese Zusammenhänge können über die vorgestellten, aufeinander abgestimmten Methoden “Perception Sensor Collaborative Effect and Cause Tree” (PerCollECT) und “Cause, Effect, and Phenomenon Relevance Analysis” (CEPRA) abgeleitet werden. Für die Stichprobenvalidierung muss jedes Experiment von Referenzmessungen begleitet werden, da diese dann als Simulations-Input dienen. Da die Referenzdatenerhebung neben aleatorischer auch epistemischer Unsicherheit unterliegt, welche in Form unterschiedlicher Eingangsdaten durch die Simulation durchpropagiert werden, führt dies zu mehreren leicht unterschiedlichen Simulationsergebnissen. Bei der hier betrachteten Simulation von Messsignalen und Daten über die Zeit lässt sich diese Kombination der Unsicherheiten am besten als übereinandergelegte kumulierte Wahrscheinlichkeitsfunktionen ausdrücken. Die Metrik muss daher in der Lage sein, solche sog. P-Boxen als Ergebnis der Massensimulationen zu verarbeiten. Die Flächenvalidierungsmetrik (engl. AVM) wird durch eine detaillierte Analyse als beste der bereits genutzten Metriken ausgewählt und erweitert, um alle Voraussetzungen erfüllen zu können. Dabei entsteht die korrigierte AVM (engl. CAVM), die den Modellfehler in der Streuung der simulierten Messwerte quantifiziert. Schließlich wird die Doppelvalidierungsmetrik (DVM) herausgearbeitet als Doppelvektor aus dieser mit dem Schätzwert für den Modell-Mittelwert-Fehler. Die neuartige Metrik wird beispielhaft auf die empirischen kumulativen Verteilungsfunktionen von Lidar-Messungen und den P-Boxen aus deren Re-Simulationen angewendet. Dabei werden zum ersten Mal aleatorische und epistemische Unsicherheiten berücksichtigt und die neuartigen Metrik erfolgreich etabliert. Hierbei wird auch die Quantifizierung der Unsicherheiten und Fehlervorhersage für ein Sensormodell auf Basis der Stichprobenvalidierung erstmals demonstriert.