Las dos versiones están alineadas bloque a bloque, en el orden del texto: titular, lo esencial y después párrafo a párrafo. Cuando la traducción ha fusionado o dividido un párrafo, la casilla correspondiente queda vacía — nunca emparejamos dos pasajes a ojo.
As a Motional robotaxi approached a cyclist on a private track, it consistently stopped. A new system developed by MIT and Motional supplied a real-time explanation alongside the vehicle’s planned trajectory, giving the human safety driver more than the bare fact of a stop.
Cuando un robotaxi de Motional se acercó a un ciclista en una pista privada, se detuvo de forma constante. Un nuevo sistema desarrollado por el MIT y Motional proporcionó una explicación en tiempo real junto a la trayectoria prevista del vehículo, dando al conductor de seguridad humano algo más que el simple hecho de que se había detenido.
That matters because the planner—the software that decides what the car should do next—works as the vehicle’s brain. It processes data from cameras and lidar sensors, builds a high-level picture of the surroundings, selects an action and outputs a trajectory. Deep-learning planners can be difficult to inspect, leaving people uncertain about unexpected behavior such as phantom braking or a stop that could block an oncoming emergency vehicle.
Esto es importante porque el planificador —el software que decide qué debe hacer el coche a continuación— funciona como el cerebro del vehículo. Procesa los datos de las cámaras y los sensores lidar, construye una imagen de alto nivel del entorno, selecciona una acción y genera una trayectoria. Los planificadores basados en aprendizaje profundo pueden ser difíciles de inspeccionar, lo que deja a las personas sin saber con certeza por qué se producen comportamientos inesperados, como un frenazo fantasma o una detención que podría bloquear a un vehículo de emergencia que se aproxima.
The system, called the Concept-Wrapper Network, or CW-Net, is a concept classifier: an AI module trained to identify high-level ideas in the vehicle’s input. It is placed inside the existing planner and makes the final part of that planner use concepts such as “approaching stopped vehicle” and “close to cyclist.” That link is intended to keep the explanation faithful to the actual decision rather than producing a plausible story after the fact. The researchers designed CW-Net to mimic the planner’s driving decisions, so it would not negatively affect performance.
El sistema, llamado Concept-Wrapper Network o CW-Net, es un clasificador de conceptos: un módulo de inteligencia artificial entrenado para identificar ideas de alto nivel en los datos de entrada del vehículo. Se coloca dentro del planificador existente y hace que la parte final de ese planificador utilice conceptos como «vehículo detenido aproximándose» y «cerca de un ciclista». El objetivo de ese vínculo es que la explicación sea fiel a la decisión real, en lugar de producir una historia verosímil a posteriori. Los investigadores diseñaron CW-Net para imitar las decisiones de conducción del planificador, de modo que no afectara negativamente al rendimiento.
The researchers trained CW-Net on 130 million examples of self-driving scenes, each containing multiple labeled concepts. In the private-track test, the paper reports that safety drivers became better at predicting the robotaxi’s behavior in surprising situations. A larger simulation with nonexpert users produced similar results. Julie Shah, an MIT professor and co-senior author, said explanations can help people build a more accurate mental model of the system.
Los investigadores entrenaron CW-Net con 130 millones de ejemplos de escenas de conducción autónoma, cada uno con múltiples conceptos etiquetados. En la prueba en pista privada, el artículo informa de que los conductores de seguridad mejoraron su capacidad para predecir el comportamiento del robotaxi en situaciones sorprendentes. Una simulación más amplia con usuarios no expertos produjo resultados similares. Julie Shah, profesora del MIT y coautora principal, afirmó que las explicaciones pueden ayudar a las personas a construir un modelo mental más preciso del sistema.
Concretely, the immediate benefit is not a driverless car suddenly becoming error-free. It is better information for the people who must supervise the vehicle and for engineers who may use the live explanations to troubleshoot its artificial-intelligence systems. The work remains at the testing stage: the reported evidence comes from a private-track robotaxi and simulation, while stronger safety and transparency benefits are described as possibilities for the longer term.
En términos concretos, el beneficio inmediato no consiste en que un coche sin conductor pase de repente a estar libre de errores. Se trata de ofrecer mejor información a las personas que deben supervisar el vehículo y a los ingenieros que pueden utilizar las explicaciones en directo para solucionar problemas en sus sistemas de inteligencia artificial. El trabajo sigue en fase de pruebas: las pruebas presentadas proceden de un robotaxi en una pista privada y de una simulación, mientras que los beneficios más sólidos en seguridad y transparencia se describen como posibilidades a largo plazo.