Mobil self-driving dapat memanfaatkan 'jejaring sosial bertenaga ai' untuk berbicara satu sama lain saat berada di jalan
Para peneliti telah menemukan cara bagi mobil self-driving untuk berbagi informasi secara bebas saat berada di jalan tanpa perlu membuat koneksi langsung.
“Pembelajaran Federasi Terdesentralisasi yang Di-cache” (Cached-DFL) adalah sebuah kecerdasan buatan (AI) Kerangka Berbagi Model untuk mobil self-driving Itu memungkinkan mereka untuk saling lewat dan berbagi informasi yang akurat dan terbaru. Informasi ini mencakup cara terbaru untuk menangani tantangan navigasi, pola lalu lintas, kondisi jalan, dan rambu dan sinyal lalu lintas.
Biasanya, mobil harus hampir bersebelahan dan memberikan izin untuk berbagi wawasan mengemudi yang telah mereka kumpulkan selama perjalanan mereka. Namun, dengan Cached-DFL, para ilmuwan telah membuat jaringan kuasi-sosial di mana mobil dapat saling melihat halaman profil penemuan mengemudi-semuanya tanpa berbagi informasi pribadi pengemudi atau pola mengemudi.
Kendaraan self-driving saat ini menggunakan data yang disimpan di satu lokasi pusat, yang juga meningkatkan kemungkinan pelanggaran data besar. Sistem cacheed-DFL memungkinkan kendaraan untuk membawa data dalam model AI terlatih di mana mereka menyimpan informasi tentang kondisi mengemudi dan skenario.
“Pikirkan itu seperti menciptakan jaringan pengalaman bersama untuk mobil yang bisa menyetir sendiri,” tulis Dr. Yong LiuPengawas Penelitian Proyek dan Profesor Teknik di NYU's Tandon School of Engineering. “Sebuah mobil yang hanya dikendarai di Manhattan sekarang dapat belajar tentang kondisi jalan di Brooklyn dari kendaraan lain, bahkan jika itu tidak pernah mengemudi di sana sendiri.”
Mobil -mobil dapat berbagi bagaimana mereka menangani skenario yang mirip dengan yang ada di Brooklyn yang akan muncul di jalan di daerah lain. Misalnya, jika Brooklyn memiliki lubang berbentuk oval, mobil dapat berbagi cara menangani lubang oval di mana pun mereka berada di dunia.
Para ilmuwan mengunggah mereka belajar ke basis data preprint arxiv pada 26 Agustus 2024 dan mempresentasikan temuan mereka di Asosiasi untuk Kemajuan Konferensi Kecerdasan Buatan pada 27 Februari.
Kunci untuk mobil self-driving yang lebih baik
Melalui serangkaian tes, para ilmuwan menemukan bahwa komunikasi yang cepat dan sering antara mobil self-driving meningkatkan efisiensi dan akurasi data mengemudi.
Para ilmuwan menempatkan 100 mobil self-driving virtual ke dalam versi simulasi Manhattan dan mengaturnya untuk “mengemudi” dalam pola semi-acak. Setiap mobil memiliki 10 model AI yang diperbarui setiap 120 detik, di situlah bagian yang di -cache dari percobaan muncul. Mobil-mobil berpegang pada data dan menunggu untuk membagikannya sampai mereka memiliki koneksi kendaraan-ke-kendaraan (V2V) yang tepat untuk melakukannya. Ini berbeda dari model pembagian data mobil self-driving tradisional, yang langsung dan tidak memungkinkan penyimpanan atau caching.
Para ilmuwan memetakan seberapa cepat mobil belajar dan apakah cacheed-DFL mengungguli sistem data terpusat yang umum di mobil self-driving saat ini. Mereka menemukan bahwa selama mobil berada dalam jarak 100 meter (328 kaki) satu sama lain, mereka dapat melihat dan berbagi informasi satu sama lain. Kendaraan tidak perlu saling mengenal untuk berbagi informasi.
“Skalabilitas adalah salah satu keunggulan utama FL yang terdesentralisasi,” Jie XuAssociate Professor dalam Teknik Listrik dan Komputer di University of Florida mengatakan kepada Live Science. “Alih -alih setiap mobil yang berkomunikasi dengan server pusat atau semua mobil lain, setiap kendaraan hanya bertukar model pembaruan dengan yang ditemui. Pendekatan berbagi lokal ini mencegah overhead komunikasi dari tumbuh secara eksponensial karena lebih banyak mobil yang berpartisipasi dalam jaringan.”
Para peneliti membayangkan Teknologi Pembuatan Mandiri yang disimpan lebih terjangkau dengan menurunkan kebutuhan akan daya komputasi, karena beban pemrosesan didistribusikan di banyak kendaraan alih-alih terkonsentrasi di satu server.
Langkah selanjutnya untuk para peneliti termasuk pengujian dunia nyata dari cacheed-DFL, menghilangkan hambatan kerangka kerja sistem komputer antara berbagai merek kendaraan self-driving dan memungkinkan komunikasi antara kendaraan dan perangkat lain yang terhubung seperti lampu lalu lintas, satelit, dan sinyal jalan. Ini dikenal sebagai standar kendaraan-ke-semuanya (V2X).
Tim juga bertujuan untuk mendorong langkah yang lebih luas dari server terpusat dan sebaliknya menuju perangkat pintar yang mengumpulkan dan memproses data terdekat dengan tempat data dikumpulkan, yang membuat berbagi data secepat mungkin. Ini menciptakan bentuk kecerdasan kawanan cepat bukan semata -mata untuk kendaraan tetapi untuk satelit, drone, robot, dan bentuk -bentuk lain dari perangkat yang terhubung.
“Pembelajaran federasi yang terdesentralisasi menawarkan pendekatan vital untuk pembelajaran kolaboratif tanpa mengorbankan privasi pengguna,” Javed KhanPresiden Perangkat Lunak dan Keselamatan Lanjutan dan Pengalaman Pengguna di Aptiv mengatakan kepada Live Science. “Dengan caching model secara lokal, kami mengurangi ketergantungan pada server pusat dan meningkatkan pengambilan keputusan real-time, penting untuk aplikasi kritis keselamatan seperti mengemudi otonom.”
