Auta s vlastním pohonem se mohou propojit do „sociální sítě poháněné AI“, aby si navzájem mluvily na silnici
Vědci objevili způsob, jak automobily s vlastním pohonem volně sdílet informace na silnici, aniž by museli navázat přímé spojení.
„Decentralizované federované učení v mezipaměti“ (mezipaměti-dfl) je Umělá inteligence (AI) Rámec pro sdílení modelu pro Automobily s vlastním pohonem které jim umožňují projít navzájem a sdílet přesné a nedávné informace. Tato informace zahrnuje nejnovější způsoby, jak zvládnout navigační výzvy, provozní vzorce, podmínky silnic a dopravní značky a signály.
Auta obvykle musí být prakticky vedle sebe a udělit oprávnění ke sdílení jízdních poznatků, které shromáždili během svých cest. S mezipaměti-DFL však vědci vytvořili kvazi-sociální síť, kde si automobily mohou navzájem prohlížet profilovou stránku pro řízení objevů-to vše bez sdílení osobních údajů řidiče nebo řízení řízení.
Vozidla s vlastním pohonem v současné době používají data uložená v jednom centrálním místě, což také zvyšuje šance na narušení velkých dat. Systém mezipaměti-DFL umožňuje vozidlům přenášet data ve vyškolených modelech AI, ve kterých ukládají informace o podmínkách a scénářích.
„Přemýšlejte o tom, jako je vytvoření sítě sdílených zkušeností pro automobily s vlastním pohonem,“ napsal Dr. Yong LiuVýzkumný vedoucí projektu a profesor inženýrství na NYU Tandon School of Engineering. „Auto, které řídilo pouze na Manhattanu, se nyní mohlo dozvědět o podmínkách silnic v Brooklynu z jiných vozidel, i když tam nikdy nejezdí.“
Auta mohou sdílet, jak zpracovávají scénáře podobné scénářům v Brooklynu, které by se objevily na silnicích v jiných oblastech. Například pokud má Brooklyn oválné výmoly, mohou auta sdílet, jak zacházet s oválnými výmoly bez ohledu na to, kde jsou na světě.
Vědci nahráli své studie na databázi předtisku ARXIV dne 26. srpna 2024 a představila svá zjištění na Asociaci pro povýšení konference o umělé inteligenci 27. února.
Klíč k lepšímu automobilu
Prostřednictvím řady testů vědci zjistili, že rychlá a častá komunikace mezi automobily s vlastním pohonem zlepšila účinnost a přesnost dat řízení.
Vědci umístili 100 virtuálních automobilů do simulované verze Manhattanu a nastavili je na „řídit“ v pololetivém vzoru. Každé auto mělo 10 modelů AI, které se aktualizovaly každých 120 sekund, což je místo, kde se objevila část experimentu v mezipaměti. Auta drží data a čekají na jejich sdílení, dokud nebudou mít správné připojení vozidla k vozidlu (V2V). To se liší od tradičních modelů pro sdílení dat pro vlastní řízení automobilů, které jsou okamžité a neumožňují žádné skladování ani ukládání do mezipaměti.
Vědci zmapovali, jak rychle se automobily naučily a zda v mezipaměti DFL překonaly centralizované datové systémy běžné v dnešních automobilech. Zjistili, že pokud jsou auta do 100 metrů (328 stop) od sebe, mohli si navzájem prohlížet a sdílet informace. Vozidla se nemusela navzájem znát, aby sdíleli informace.
„Škálovatelnost je jednou z klíčových výhod decentralizovaného FL,“ Dr. Jie XuDocent v elektrotechnice a počítačové inženýrství na University of Florida řekl Live Science. „Místo toho, aby každé auto komunikovalo s centrálním serverem nebo všemi ostatními vozy, každé vozidlo si vyměňuje aktualizace modelu pouze s těmi, s nimiž se setkává. Tento lokalizovaný přístup sdílení brání komunikaci v exponenciálně rostoucí růstu, protože se více vozů účastní sítě.“
Vědci si představují dostupnější technologii vlastního řízení v oblasti mezipaměti-dfl tím, že snižují potřebu výpočetního výkonu, protože zpracování je distribuováno na mnoha vozidlech namísto koncentrovaného na jednom serveru.
Mezi další kroky pro výzkumné pracovníky patří testování v mezipaměti v mezipaměti-DFL, odstranění bariér počítačového systému mezi různými značkami vozidel s vlastním pohonem a umožňování komunikace mezi vozidly a jinými připojenými zařízeními, jako jsou semafory, satelity a signály silnic. Toto je známé jako standardy na všechno (V2X).
Cílem týmu je také řídit širší přesun od centralizovaných serverů a místo toho směrem k inteligentním zařízením, která shromažďují a zpracovávají data nejblíže k tomu, kde jsou data shromažďována, což zvyšuje sdílení dat co nejrychleji. To vytváří formu inteligence rychlé roje nejen pro vozidla, ale pro satelity, drony, roboty a další nově vznikající formy připojených zařízení.
„Decentralizované Federated Learning nabízí zásadní přístup ke spolupráci učení bez ohrožení soukromí uživatelů,“ Javed KhanPrezident softwaru a pokročilé bezpečnosti a uživatelské zkušenosti v APTIV řekl Live Science. „Lokálním ukládáním do mezipaměti modely ukládáme spoléhání na centrální servery a zvyšujeme rozhodování v reálném čase, což je zásadní pro bezpečnostní kritické aplikace, jako je autonomní řízení.“
