CW-Net wiąże decyzje planera z pojęciami zrozumiałymi dla człowieka i uzasadnia je przyczynowo, nie obniżając jakości jazdy. Zespół Julie Shah z MIT wdrożył go w testach drogowych: kierowca lepiej przewidywał zachowanie pojazdu, zwłaszcza w sytuacjach zaskakujących. To pokazuje, że wyjaśnialne uczenie głębokie bywa zrozumiałe i użyteczne poza symulacją.
To toruje drogę do bardziej przejrzystych dronów autonomicznych




















