Hoe MIT en Motional eindelijk doorhebben wat zelfrijdende auto's denken

Sophie Jansen · 2026-09-02

Stel je voor: je zit in een zelfrijdende auto op een verder lege weg. Plotseling remt de auto keihard af. Geen idee waarom. Geen andere auto's, geen obstakels. Dat ongemakkelijke, lichtelijk beangstigende moment – dat is precies waarom het vertrouwen in autonoom rijden soms wankelt. Het is het zogenaamde 'black-box' probleem: de AI neemt beslissingen, maar legt niet uit waaróm. Dat is nu veranderd. Onderzoekers van MIT en het bedrijf Motional hebben een systeem ontwikkeld dat zelfrijdende auto's in real-time hun beslissingen laat uitleggen. Het werk werd gepubliceerd in het prestigieuze tijdschrift Nature en het zou weleens een keerpunt kunnen zijn voor de acceptatie van deze technologie. ### Het mysterie van de zwarte doos doorbreken Het nieuwe systeem heet CW-Net, wat staat voor Concept-Wrapper Network. De kern van het idee is briljant eenvoudig: het vertaalt de complexe, interne berekeningen van een neuraal netwerk naar begrijpelijke menselijke concepten. Denk aan zinnen als ‘Naderend stilstaand voertuig’ of ‘Fietser dichtbij’. Die concepten kunnen vervolgens op een dashboard worden getoond, zodat zowel de passagier als de veiligheidsbestuurder precies ziet welke overwegingen op dat moment de rijstijl van de auto beïnvloeden. Het mooie is: dit is geen verklaring achteraf, een soort gok naar wat de AI misschien dacht. Nee, het voertuig neemt zijn beslissingen zelf gebaseerd op deze begrijpelijke concepten. Een remingreep is dus direct terug te leiden naar een specifieke trigger. Laura Major, CEO van Motional, legt uit waarom dit cruciaal is: “Een puur end-to-end deep learning aanpak kan tot een heel goede 80-90 procent oplossing komen – misschien zelfs 95 procent. Maar dat is niet goed genoeg om de bestuurder weg te halen of om het vertrouwen van steden, gemeenschappen en klanten te winnen.” ### Van het lab de weg op: testen in Las Vegas Veel onderzoek naar uitlegbare AI blijft steken in computersimulaties. Het team van MIT en Motional koos voor een andere, dappere aanpak. Ze installeerden CW-Net op een echte autonome auto en gingen de weg op – zowel op een privé testbaan als op de openbare weg rond Las Vegas, met een ervaren veiligheidsbestuurder achter het stuur. Ze gebruikten een experimenteel planningssysteem dat goed presteerde, maar nog wel tekortkomingen had. CW-Net moest die blootleggen. En dat deed het. Twee voorbeelden illustreren de kracht: - **Het mysterieuze verkeerskegeltje:** De auto stopte steeds bij een kegel. De bestuurder dacht dat de kegel de oorzaak was. Toen onderzoekers de kegel verwijderden, stopte de auto nog steeds. CW-Net liet de echte reden zien: het systeem ‘hallucineerde’ een stilstaand voertuig voor zich, een patroon dat terug te voeren was op de trainingsdata. Opeens was het probleem te begrijpen en op te lossen. - **De onzichtbare fietser:** De auto detecteerde een fietser en stopte zoals verwacht. CW-Net onthulde echter dat het experimentele planningssysteem de beslissing níét baseerde op de aanwezigheid van die fietser. De remingreep kwam van een veiligheidsback-upsysteem. De veiligheidsbestuurder werd zich hierdoor bewust van een potentieel risico en kon daarop anticiperen. ### Waarom deze stap zo belangrijk is Het gaat hier om meer dan alleen een technische noviteit. Het gaat om vertrouwen. Als we straks massaal in zelfrijdende auto's stappen, moeten we een basis van begrip hebben. We moeten kunnen vertrouwen op meer dan alleen statistieken. We moeten, in zekere zin, een gesprek kunnen voeren met de technologie die ons vervoert. CW-Net biedt die mogelijkheid. Het maakt de gedachtegang van de AI transparant, voorspelbaar en – misschien wel het belangrijkst – bespreekbaar. Het zet de deur open voor een nieuwe fase, waarin de ontwikkeling van autonoom rijden niet alleen draait om prestaties, maar ook om begrip en acceptatie. En dat is precies wat nodig is om deze technologie van een fascinerend prototype naar een betrouwbare realiteit te brengen.