🔬 Un equipo desplegó CW-Net en un coche autónomo real y halló que sus explicaciones basadas en conceptos ayudaron a conductores a anticipar mejor su conducta, sobre todo ante eventos inesperados. En un estudio en línea con 100 personas, mejoraron medidas de conciencia situacional en esos casos sin reducirlas en situaciones previsibles.
CW-Net reemplaza la capa final de recompensa de un planificador de caja negra por un clasificador de conceptos, como «cerca de otro vehículo» o «aproximación a vehículo detenido». Esos conceptos pasan a determinar la decisión del sistema. En pruebas de referencia, el vehículo mantuvo un rendimiento equivalente al modelo original, con menos de 1 % de diferencia en las métricas evaluadas.
En una pista privada, las explicaciones ayudaron a identificar por qué el coche se detenía junto a vehículos estacionados o ante un cono. También revelaron que el planificador no detectaba bien a un ciclista: el coche frenaba gracias a un sistema de respaldo. Estudios posteriores incluyeron a 9 expertos, 30 personas no expertas y una prueba con 100 participantes.
✅ Mostrar qué concepto guía cada decisión puede ayudar al conductor a prever errores y actuar con más cautela. El método solo cubrió entre 8 y 10 conceptos, y su clasificación tuvo una exactitud media del 54 %; el sistema aún necesita ampliar qué situaciones puede explicar.
