ความท้าทายหลักในการพัฒนารถยนต์ไร้คนขับคือการขาดแคลนข้อมูลเกี่ยวกับเหตุการณ์อันตรายที่เกิดขึ้นได้ยาก (Tail Events) ในชุดข้อมูลปกติ งานวิจัยนี้เสนอแนวคิด Evaluation as Evolution (E^2) ซึ่งเปลี่ยนกระบวนการทดสอบให้กลายเป็นหลักสูตรการเรียนรู้แบบวนลูปปิด (Closed-loop Curriculum)
ระบบนี้ใช้เทคนิค Adversarial Scenario Synthesis ในการสร้างสถานการณ์ที่มีความสมจริงแต่มีความท้าทายสูง โดยใช้การควบคุมแบบกระจาย (Sparse Control) เหนือโครงข่ายประสาทแบบ Diffusion ทำให้สามารถค้นหาจุดบกพร่องของระบบ เช่น โอกาสการชน ได้มากขึ้นถึง 21.43% เมื่อเทียบกับวิธีเดิม และข้อมูลที่ค้นพบนี้จะถูกนำกลับไปใช้ในการปรับแต่ง (Fine-tuning) นโยบายการขับขี่ให้มีความทนทานต่ออุบัติเหตุได้ดียิ่งขึ้น
