Investigadores del MIT y la empresa de tecnología para vehículos autónomos Motional desarrollaron la Concept-Wrapper Network (CW-Net), un método que traduce el razonamiento interno de los planificadores de aprendizaje profundo en conceptos comprensibles, como "aproximándose a un vehículo detenido" o "cerca de un ciclista". El trabajo se publicó el 2 de septiembre de 2026 en Nature, según el anuncio del MIT.

En pruebas con un robotaxi de Motional en una pista privada, con un conductor de seguridad, las explicaciones de CW-Net le ayudaron a predecir mejor el comportamiento del vehículo en situaciones sorprendentes. En un caso, el vehículo se detenía ante un ciclista; las explicaciones revelaron que el modelo no estaba configurado para detectarlo y que la parada se debió a la frenada de emergencia. Un estudio de simulación con usuarios no expertos, basado en situaciones reales de Las Vegas, arrojó resultados similares. El módulo fue entrenado con 130 millones de ejemplos de escenas.

Los autores señalan que el método busca explicaciones fieles a las decisiones del modelo sin alterar su conducción. Plantean que, a largo plazo, la técnica podría mejorar la seguridad y transparencia de los vehículos autónomos, aunque los resultados corresponden a experimentos y no establecen un rendimiento clínico ni un despliegue comercial.