Dans un article publié le 2 septembre 2026 dans Nature, des chercheurs du MIT et de l'entreprise Motional ont décrit le Concept-Wrapper Network (CW-Net), un module inséré au cœur de l'architecture d'un planificateur de conduite fondé sur l'apprentissage profond. Il traduit le raisonnement interne du modèle en concepts lisibles, comme « approche d'un véhicule arrêté » ou « proche d'un cycliste », et contraint la partie finale du planificateur à s'appuyer sur ces concepts. Selon les auteurs, les explications restent fidèles aux causes des décisions sans modifier les performances de conduite. Le module a été entraîné sur un jeu de données de 130 millions d'exemples de scènes, chacun comportant plusieurs concepts étiquetés.

Lors d'essais sur piste privée avec un robotaxi Motional et un conducteur de sécurité, les explications ont aidé ce dernier à mieux prévoir le comportement du véhicule dans des situations surprenantes. Les chercheurs citent un arrêt près d'un cycliste attribué par le conducteur à la détection du cycliste : les explications ont indiqué que le modèle n'était pas correctement configuré pour le détecter et que l'arrêt résultait du freinage d'urgence. Une simulation en ligne fondée sur des situations réelles filmées à Las Vegas a donné des résultats similaires.

Les auteurs présentent ces travaux comme une aide au diagnostic pour les ingénieurs et, à plus long terme, comme une piste pour la sécurité et la transparence des véhicules autonomes. Ils envisagent d'étendre la couverture des concepts et d'explorer d'autres méthodes d'entraînement ; ces prolongements n'étaient pas réalisés à la date de publication.