ปัจจุบันการประเมินความน่าเชื่อถือ (Trust Assessment) ในระบบยานยนต์ไร้คนขับแบบเชื่อมต่อ มักมุ่งเน้นไปที่ระดับรถยนต์รายคัน ซึ่งทำให้ยากต่อการมองเห็นแนวโน้มความเสี่ยงที่เกิดขึ้นในระดับโครงข่ายถนน งานวิจัยนี้จึงนำเสนอแนวคิด "Trust as a Field" ซึ่งเป็นการสร้างฟิลด์ความน่าเชื่อถือที่ต่อเนื่องทั้งในมิติของพื้นที่และเวลา
ทีมวิจัยได้ใช้ Deep Learning แบบ Field-informed ในการกู้คืนข้อมูลความน่าเชื่อถือจากอุปกรณ์ข้างทาง (RSU) ที่มีอยู่อย่างจำกัด โดยผลการทดลองแสดงให้เห็นว่า วิธีการที่มองความน่าเชื่อถือเป็นค่าที่ต่อเนื่องจะสามารถระบุพฤติกรรมเสี่ยงหรือความน่าเชื่อถือต่ำได้แม่นยำกว่าวิธีการประเมินแบบดั้งเดิม
แนวคิดนี้จะช่วยให้ระบบบริหารจัดการจราจรและยานยนต์ไร้คนขับสามารถคาดการณ์ความเสี่ยงที่เกิดขึ้นบนถนนแต่ละเส้นทางได้ดียิ่งขึ้น โดยเฉพาะในสถานการณ์ที่ข้อมูลจากเซ็นเซอร์แต่ละคันอาจไม่เพียงพอ
