سیستم CW-Net به انسان‌ها کمک می‌کند خطاهای خودروهای خودران را پیش‌بینی کنند

محققان MIT و شرکت Motional روشی به نام CW-Net توسعه داده‌اند که فرآیند تصمیم‌گیری خودروهای خودران را به مفاهیم قابل فهم برای انسان ترجمه می‌کند. این فناوری می‌تواند به رانندگان و مهندسان کمک کند رفتار خودرو را بهتر پیش‌بینی کنند و ایمنی را افزایش دهند. شفافیت بیشتر در عملکرد خودروهای خودران، اعتماد کاربران را تقویت خواهد کرد.

خودروهای خودران معمولاً با مدل‌های یادگیری عمیق کنترل می‌شوند که تصمیمات آن‌ها برای انسان‌ها شفاف نیست و گاهی در شرایط غیرمنتظره دچار خطا می‌شوند. تیمی از MIT و Motional روشی به نام CW-Net معرفی کرده‌اند که فرآیند تصمیم‌گیری این مدل‌ها را به مفاهیم قابل فهم برای انسان‌ها تبدیل می‌کند.

CW-Net به عنوان یک طبقه‌بند مفهومی، مفاهیمی مانند «نزدیک شدن به خودروی متوقف‌شده» یا «نزدیک بودن به دوچرخه‌سوار» را از داده‌های ورودی استخراج و توضیح می‌دهد. این توضیحات به صورت همزمان با حرکت خودرو ارائه می‌شوند و به رانندگان ایمنی و مهندسان بازخورد فوری می‌دهند.

در آزمایش‌های میدانی، CW-Net به رانندگان ایمنی کمک کرد تا رفتار خودرو را در موقعیت‌های غیرمنتظره بهتر پیش‌بینی کنند. همچنین در شبیه‌سازی‌های آنلاین با کاربران غیرمتخصص، نتایج مشابهی به دست آمد و توانایی پیش‌بینی رفتار خودرو بهبود یافت.

این فناوری می‌تواند به مهندسان کمک کند تا خطاهای مدل را شناسایی و اصلاح کنند و به رانندگان و سرنشینان امکان دهد در شرایط بحرانی واکنش مناسب‌تری نشان دهند.

یکی از چالش‌های اصلی خودروهای خودران، شفاف نبودن تصمیمات مدل‌های یادگیری ماشین است که می‌تواند منجر به خطاهای غیرمنتظره و کاهش اعتماد کاربران شود. CW-Net با ارائه توضیحات قابل فهم و دقیق از رفتار خودرو، این شکاف را پر می‌کند. این رویکرد نه تنها ایمنی را افزایش می‌دهد، بلکه به مهندسان امکان می‌دهد مدل‌ها را بهتر ارزیابی و بهبود دهند. برای کاربران ایرانی که با فناوری‌های خودران مواجه می‌شوند، چنین سیستمی می‌تواند اطمینان بیشتری نسبت به عملکرد خودرو ایجاد کند و پذیرش عمومی را تسهیل کند. همچنین، این فناوری می‌تواند به عنوان الگویی برای توسعه سامانه‌های توضیح‌پذیر در سایر حوزه‌های هوش مصنوعی مورد توجه قرار گیرد.