As duas versões estão alinhadas bloco a bloco, pela ordem do texto: título, o essencial e depois parágrafo a parágrafo. Quando a tradução fundiu ou dividiu um parágrafo, a casa correspondente fica vazia — nunca aproximamos duas passagens a olho.
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.
Quando um robotáxi da Motional se aproximou de um ciclista numa pista privada, parou consistentemente. Um novo sistema desenvolvido pelo MIT e pela Motional forneceu uma explicação em tempo real juntamente com a trajectória planeada do veículo, dando ao condutor de segurança humano mais do que o simples facto de o carro ter parado.
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.
Isto é importante porque o planeador — o software que decide o que o carro deve fazer a seguir — funciona como o cérebro do veículo. Processa dados de câmaras e sensores lidar, constrói uma imagem de alto nível do que o rodeia, selecciona uma acção e produz uma trajectória. Os planeadores baseados em aprendizagem profunda podem ser difíceis de inspeccionar, deixando as pessoas sem saber ao certo como explicar comportamentos inesperados, como uma travagem fantasma ou uma paragem que poderia bloquear um veículo de emergência 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.
O sistema, chamado Concept-Wrapper Network, ou CW-Net, é um classificador de conceitos: um módulo de inteligência artificial treinado para identificar ideias de alto nível nos dados de entrada do veículo. É colocado dentro do planeador existente e faz com que a parte final desse planeador utilize conceitos como «a aproximar-se de um veículo imobilizado» e «perto de um ciclista». Esta ligação pretende manter a explicação fiel à decisão real, em vez de produzir uma história plausível depois do facto. Os investigadores conceberam a CW-Net para imitar as decisões de condução do planeador, de modo a não afectar negativamente o desempenho.
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.
Os investigadores treinaram a CW-Net com 130 milhões de exemplos de cenas de condução autónoma, cada um contendo vários conceitos anotados. No teste realizado numa pista privada, o artigo indica que os condutores de segurança se tornaram melhores a prever o comportamento do robotáxi em situações surpreendentes. Uma simulação maior com utilizadores não especialistas produziu resultados semelhantes. Julie Shah, professora do MIT e co-autora sénior, afirmou que as explicações podem ajudar as pessoas a construir um modelo mental mais preciso do 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.
Concretamente, o benefício imediato não é um carro sem condutor tornar-se subitamente isento de erros. É a disponibilização de melhor informação às pessoas que têm de supervisionar o veículo e aos engenheiros que podem usar as explicações em directo para diagnosticar problemas nos seus sistemas de inteligência artificial. O trabalho continua na fase de testes: as provas apresentadas provêm de um robotáxi numa pista privada e de uma simulação, enquanto benefícios mais fortes em matéria de segurança e transparência são descritos como possibilidades a longo prazo.