Les deux versions sont alignées bloc par bloc, dans l’ordre du texte : titre, l’essentiel, puis paragraphe par paragraphe. Quand la traduction a fusionné ou scindé un paragraphe, la case correspondante reste vide — on ne rapproche jamais deux passages au jugé.
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.
Alors qu’un robotaxi de Motional s’approchait d’un cycliste sur un circuit privé, il s’arrêtait systématiquement. Un nouveau système mis au point par le MIT et Motional fournissait une explication en temps réel en parallèle de la trajectoire prévue par le véhicule, donnant au conducteur de sécurité humain davantage que le simple fait que le véhicule s’était arrêté.
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.
C’est important, car le planificateur — le logiciel qui décide de ce que la voiture doit faire ensuite — fonctionne comme le cerveau du véhicule. Il traite les données des caméras et des capteurs lidar, construit une représentation générale de l’environnement, sélectionne une action et produit une trajectoire. Les planificateurs fondés sur l’apprentissage profond peuvent être difficiles à examiner, laissant les utilisateurs dans l’incertitude face à des comportements inattendus comme un freinage fantôme ou un arrêt susceptible de bloquer un véhicule d’urgence arrivant en sens inverse.
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.
Le système, appelé Concept-Wrapper Network, ou CW-Net, est un classificateur de concepts : un module d’IA entraîné à identifier des idées générales dans les données reçues par le véhicule. Il est intégré au planificateur existant et fait utiliser à sa dernière partie des concepts comme « approche d’un véhicule à l’arrêt » et « proche d’un cycliste ». Ce lien vise à maintenir une explication fidèle à la décision réelle plutôt qu’à produire après coup un récit plausible. Les chercheurs ont conçu CW-Net pour reproduire les décisions de conduite du planificateur, afin qu’il ne nuise pas aux performances.
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.
Les chercheurs ont entraîné CW-Net sur 130 millions d’exemples de scènes de conduite autonome, chacun contenant plusieurs concepts annotés. Lors de l’essai sur circuit privé, l’article indique que les conducteurs de sécurité sont devenus plus aptes à prédire le comportement du robotaxi dans des situations surprenantes. Une simulation plus vaste menée avec des utilisateurs non spécialistes a produit des résultats similaires. Julie Shah, professeure au MIT et coauteure principale de l’étude, a déclaré que les explications pouvaient aider les utilisateurs à se faire une représentation mentale plus juste du système.
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.
Concrètement, le bénéfice immédiat n’est pas qu’une voiture autonome devienne soudainement exempte d’erreurs. Il réside dans l’amélioration des informations fournies aux personnes chargées de superviser le véhicule et aux ingénieurs, qui peuvent utiliser les explications en direct pour diagnostiquer ses systèmes d’intelligence artificielle. Les travaux en sont encore au stade des tests : les éléments rapportés proviennent d’un robotaxi testé sur circuit privé et d’une simulation, tandis que des gains plus importants en matière de sécurité et de transparence sont présentés comme des possibilités à plus long terme.