机器人技术的研究存在可重复性问题，部分原因是机器人的各种交互组件。这些组件往往很复杂，只能部分观察到，并使用AI技术进行训练，这些技术在不同环境下的性能差异很大。为了应对自动驾驶领域特有的一些挑战，苏黎世联邦理工学院，丰田技术研究所，蒙特利尔米拉和NuTonomy的研究人员开发了他们所谓的去中心化城市协作基准网络(DuckieNet)，该网络使用开源Duckietown平台。DuckieNet提供了用于开发，测试和部署感知和导航算法的框架，研究人员声称它具有高度的可扩展性，但构建成本低。
该Duckietown项目，由2016年的研究生班在麻省理工学院的设想，采用廉价的轮式机器人名为Duckiebots建几乎完全关闭的，现成的零件。唯一的机载传感器是前向摄像头。Raspberry Pi负责计算，一对直流电动机为车轮供电。Duckietowns包含由运动垫和胶带构成的道路，以及机器人用来四处导航的标牌。交通信号灯具有与Duckiebots相同的硬件(不包括车轮)，并能够通过其LED进行感应，计算和致动。
DuckieNet通过在平台上添加专用组件来在Duckietown上构建。一个挑战服务器存储的机器学习算法，基准和结果。服务器计算排行榜，将要执行的作业分配给一组评估机。评估机可以是本地的或基于云的，可以运行自动驾驶模拟。安装了DuckieNet的物理实验室将进行真实世界的实验，并建立一个“ watch望台”(使用与Duckiebots相同的传感和计算功能的低成本结构)本地化网络，以跟踪粘贴在Duckiebots身上的标签。
DuckieNet在某种程度上类似于亚马逊的AWS DeepRacer服务，该服务为开发人员提供了基于云的模拟器，用于开发自动驾驶模型并将其部署到模型车上。但是，DuckieNet用户可以在提交给挑战服务器的Docker容器中定义基准，例如平均位置偏差(Duckiebot从车道中心的横向位移)和平均方向偏差(相对于车道方向的平均方向)。(算法也可以作为Docker容器提交并观察。)此外，除了重置实验和为Duckiebots充电等任务外，该平台是完全自主的。
研究人员说，DuckieNet的主要应用之一是举办研究竞赛。实际上，DuckieNet自2019年初以来一直在AI Driving Olympics中使用，这是一年两次的竞赛，旨在基准测试自动驾驶汽车的最新技术水平。DuckieNet生成性能指标和排行榜的可视化，同时提供对基础原始数据(包括开源基准和文档)的访问。
研究人员在描述其工作的论文中写道：“我们的争辩是，需要为机器人技术的可重复性研究做出更大的努力，为了实现这一目标，我们需要与算法本身平等地考虑评估。”“通过这种方式，我们可以通过研发过程中的设计来获得可重复性。大规模实现这一目标将有助于对机器人技术的研究进行更系统的评估，进而提高开发进度。”
