Naukowcy opracowali nową metodę nauki dla samochodów autonomicznych, która łączy wiedzę eksperta z pomiarem niepewności w procesie uczenia. Pomysł polega na tym, by system nie ślepo ufał radom doświadczonego kierowcy czy instruktora, ale uczył się oceniać, kiedy te rady są wiarygodne, a kiedy mogą być zawodne. Podejście to wykorzystuje temporal scaling - dynamiczne dostosowywanie wagi porad eksperta w zależności od zmiennych warunków jazdy, od pogody po tempo zmian na drodze.
Znaczenie tego rozwiązania jest poważne dla całej branży autonomicznych pojazdów. Dotychczasowe systemy uczenia przez wzmacnianie często albo zbyt wiele ufają eksperckim wskazówkom, albo ich kompletnie ignorują, co w obu przypadkach skutkuje gorszymi wynikami i niebezpiecznym zachowaniem. Nowa metoda ma potencjał by wyjść z tego impasu - auto nauczy się nie tylko, co robić, ale również jak mierzyć, czy dane źródło informacji jest w danej sytuacji godne zaufania. To szczególnie ważne w rzeczywistych scenariuszach jazdy, gdzie warunki ciągle się zmieniają.
Opracowanie takich technik może przesunąć termin komercyjnego wdrożenia samochodów autonomicznych bliżej rzeczywistości. Systemy, które potrafią uczyć się od ekspertów inteligentnie i bezpiecznie, przyspieszą proces testowania i certyfikacji nowych modeli. To również oznacza mniejsze ryzyko polegania wyłącznie na zbiorach danych historycznych czy symulacjach, które zawsze opuszczają jakieś realne scenariusze - żywy ekspert wciąż może nauczyć auto rzeczy, których zbiory danych nie zawierają.