در سال 2015 ایلان ماسک پیش‌بینی کرد که صنعت خودروسازی تا سال 2018 باید انتظار ظهور وسایل نقلیه کاملاً مستقل را داشته باشد، اما این اتفاق هرگز نیفتاد. همچنین در سال 2014 کمپانی نیسان نیز وعده داده بود که تا سال 2020 خودروهای بدون راننده را به صورت متعدد تولید کرده و این خودروها برای افراد مختلف در دسترس خواهند بود. همه‌گیری COVID-19 هم نه تنها کمکی به پیشرفت این سیستم ها نکرد بلکه خود عاملی برای جلوگیری از گسترش این خودروها شد تا سرانجام این وعده‌ها تحقق نیافته باقی‌بمانند. اما چرا تولیدکنندگان خودرو باید بر روی تولید وسایل نقلیه بدون راننده سرمایه گذاری کنند؟
طبق یک مقاله تحقیقاتی که اخیراً در مرکز ارتباطات متصل و خودکار (CCAT) منتشر شده، یکی از موانعی که مانع توسعه وسایل نقلیه خودکار می‌شود، عدم کارایی روش‌های آزمایش و ارزیابی خودروهای بدون راننده است.
امروزه صحبت‌های اطراف وسایل نقلیه بدون راننده کاملا چند وجهی است، اما بیشتر آن‌ها مربوط به پیش‌بینی کاهش تلفات در رانندگی و امکان دسترسی بیشتر و بهتر به آموزش‌ها و ایجاد فرصت‌های شغلی برای جوامع محروم است. اما برای تصویب گسترده وسایل نقلیه خودران باید با انجام یک سری آزمایش‌های دقیق، توانایی رانندگی ایمن این فناوری‌ها ارزیابی شود تا بتوان هوش وسایل نقلیه خودران را با رانندگی انسانی مقایسه کرد. متأسفانه در حال حاضر هیچ آزمایش استاندارد شناخته شده‌ای برای ارزیابی میزان هوشمندی وسایل نقلیه خودران وجود ندارد.
مشکل اکثر نرم‌افزارهای شبیه سازی موجود و مسیرهای آزمایشی آن‌ها این است که رویدادهای خاص از جمله تصادفات به ندرت در آن اتفاق می‌افتد. بنابراین سیستم‌ها برای نشان دادن عملکرد ایمنی خود ممکن است به صدها میلیون یا گاهی میلیاردها مایل مسافت نیاز داشته باشند. یکی از این شبیه‌سازها Waymo نام دارد که از زمان آغاز به کار خود تا به امروز فقط 15 میلیارد مایل شبیه‌سازی کرده است. آزمایشات استفاده شده در این شبیه‌ساز معمولا مبتنی بر سناریوهای از قبل تعیین شده است، جایی که موارد خاص توسط متخصصان ایمنی طراحی می‌شوند یا از آزمایش‌های جاده‌ای جمع‌آوری می‌شوند و برای بررسی نحوه پاسخگویی وسایل نقلیه بدون راننده بازپخش می‌شوند.
با این حال لیست کردن همه‌ی سناریوهای موجود عملا غیرممکن است. در حال حاضر و به طور معمول این سناریوها فقط شامل مانورهای ساده برای تعداد کمی از وسایل نقلیه در یک زمان بسیار کوتاه هستند. کار انجام شده توسط دکتر لیو و تیم وی با هدف ساختن محیط رانندگی طبیعت‌گرایانه و کاملا دشوار، به امید بهبود کارایی آزمایش‌ها و ارزیابی‌های مربوط به وسایل نقلیه بدون راننده در مسیرهای دشوار انجام شده است که آن را NADE نام گذاری کرده‌اند.
دکتر هنری لیو، استاد مهندسی عمران و محیط زیست در دانشگاه میشیگان، یک محیط رانندگی شبیه‌سازی شده را با استفاده از داده‌های رانندگی طبیعی‌گرایانه در مقیاس بزرگ ساخت که اطلاعات آن توسط انستیتوی تحقیقات حمل و نقل دانشگاه میشیگان (UMTRI) جمع‌آوری شده است. این سیستم با آموزش وسایل نقلیه برای یادگیری و اجرای برخی از مانورهای دشوار، در عین حال که بیشتر محیط رانندگی را طبیعی نگه می‌دارد، اشتباهات در تصمیم گیری وسایل نقلیه خودران را از بین می‌برد و کارایی آن‌ها را بهبود می‌بخشد.
برخلاف رویکردهای مبتنی بر سناریو، NADE به صورت مداوم عمل می‌کند و امکان تعامل بی‌وقفه بین وسایل نقلیه خودران با سایر وسایل نقلیه را فراهم می‌کند. به عنوان مثال، اگر یک محقق می‌خواهد وسیله نقلیه خودران خود را در یک محیط شهری آزمایش کند، این روش به وی اجازه می‌دهد تا به طور مداوم رانندگی کند و سناریوهای بسیار دشوار از جمله پارگی لاستیک و وقایع مربوط به ترمز‌های شدید را با نرخی بسیار بالاتر تجربه کند. نتایج نشان می‌دهد که این محیط با چند مرتبه اندازه گیری، ناکارآمدی گزینه‌های موجود را از بین می‌برد. پیش‌بینی می‌شود که این روش جدید بتواند استقرار و توسعه وسایل نقلیه خودران را تسریع کند.
روش پیشنهادی این مقاله که به سیستم آزمایش واقعیت افزوده مجهز شده است به زودی در مرکز سنجش تحرک آمریکا (ACM) اجرا خواهد شد. این مرکز در سال 2016 تاسیس شد که یک شهر هوشمند با وسعت 500 هکتار است. ACM از مشارکت بخش‌های مختلفی از جمله دولت، بخش‌هایی مختلف از صنعت و سازمان‌های دانشگاهی متمرکز برای تسریع و بهبودی هرچه بیشتر صنعت پویایی از طریق تحقیق، آزمایش، تدوین استاندارد‌ها و برنامه ریزی آموزشی تشکیل شده است.
یک مایل رانندگی در ACM با استفاده از شبیه‌سازی واقعیت افزوده با NADE که بر روی مسیر سوار شده است می‌تواند برابر با صدها یا هزاران مایل رانندگی در جاده‌های عمومی باشد که این امر می‌تواند به کاهش چشمگیر هزینه و زمان منجر شده و اینگونه اعتبار سنجی خودروهای خودران در یک محیط آزمایشی امن‌تر، کنترل‌شده و قابل تکرار انجام می‌شود.
