แม้ว่าระบบวางแผนการเคลื่อนที่ (Motion Planner) ในปัจจุบันจะทำคะแนนได้ดีในการทดสอบกับชุดข้อมูลเดิม แต่การนำไปใช้งานในเมืองที่มีผังเมืองต่างออกไปหรือเมื่อเกิดความผิดพลาดทางกายภาพยังเป็นเรื่องที่ต้องศึกษา งานวิจัยนี้จึงนำเสนอ 'Shift & Drift' ซึ่งเป็นเกณฑ์มาตรฐาน (Benchmark) ใหม่ที่แบ่งการทดสอบเป็นสองด้านหลัก ได้แก่ Semantic Shift ที่ทดสอบการทำงานข้ามเมือง เช่น นำโมเดลที่ฝึกจากอเมริกาเหนือไปใช้ในเยอรมนีที่มีผู้สัญจรหนาแน่น และ State-Distribution Drift ที่ทดสอบความสามารถในการกู้คืนตำแหน่งเมื่อรถเกิดการส่ายหรือความล่าช้าในการตอบสนอง
ผลการประเมินพบว่า วิธีการเรียนรู้แบบเลียนแบบ (Imitation Learning) มักจะล้มเหลวเมื่อต้องเจอกับสภาพแวดล้อมใหม่ที่มีคนเดินเท้าและนักปั่นจักรยานจำนวนมาก ขณะที่วิธีการเรียนรู้แบบเสริมกำลัง (Reinforcement Learning) แสดงให้เห็นถึงความทนทานและความปลอดภัยที่สูงกว่า ชุดทดสอบนี้มุ่งหวังให้เป็นมาตรฐานในการประเมินว่าระบบขับขี่อัตโนมัติพร้อมสำหรับการใช้งานจริงในวงกว้างหรือไม่
