Nowy sposób na wymianę wiedzy między pojazdami autonomicznymi
Badacze z NYU Tandon opracowali metodę umożliwiającą pojazdom autonomicznym wymianę wiedzy o warunkach drogowych w sposób pośredni. Dzięki temu samochody mogą uczyć się od siebie nawzajem, nawet jeśli rzadko się spotykają na drodze.
Rozwiązanie problemu prywatności danych
Nowe podejście ma na celu rozwiązanie problemu, jakim jest współdzielenie doświadczeń między pojazdami przy zachowaniu prywatności danych. Tradycyjnie samochody dzielą się informacjami jedynie podczas bezpośrednich, krótkotrwałych spotkań, co ogranicza ich zdolność do szybkiego dostosowywania się do zmieniających się warunków.
Sieć wspólnych doświadczeń
Według profesora Yong Liu, pojazdy mogą tworzyć sieć wymiany doświadczeń. Oznacza to, że samochód poruszający się wyłącznie po jednej dzielnicy może zdobywać wiedzę o warunkach panujących w innej, nawet jeśli nigdy tam nie był. Takie rozwiązanie zwiększa inteligencję i zdolność adaptacyjną każdego pojazdu.
Cached Decentralized Federated Learning
Nowa metoda nazwana Cached Decentralized Federated Learning (Cached-DFL) różni się od klasycznego Federated Learning tym, że nie wymaga centralnego serwera do koordynacji aktualizacji. Zamiast tego pojazdy trenują swoje modele AI lokalnie i wymieniają je bezpośrednio z innymi.
Wymiana modeli zamiast danych
Kiedy pojazdy znajdują się w odległości do 100 metrów od siebie, korzystają z komunikacji urządzenie-urządzenie, aby wymieniać wytrenowane modele AI, zamiast surowych danych. Dodatkowo mogą przekazywać modele, które otrzymały wcześniej, umożliwiając rozpowszechnianie wiedzy w całej sieci pojazdów.
Zarządzanie modelem uczenia
Każdy pojazd przechowuje maksymalnie 10 zewnętrznych modeli i aktualizuje swoją sztuczną inteligencję co 120 sekund. System usuwa starsze modele według ustalonego progu ważności, aby zapewnić aktualność i trafność przetwarzanych informacji.
Testy w symulowanym środowisku
Metoda została przetestowana w symulowanym środowisku opartym na układzie ulic Manhattanu. Pojazdy poruszały się z prędkością około 14 metrów na sekundę, a ich trasy były wybierane losowo na skrzyżowaniach.
Inspiracja sieciami społecznościowymi
Nowy system działa na podobnej zasadzie jak sieci społecznościowe, gdzie informacje mogą być przekazywane pomiędzy użytkownikami, nawet jeśli nie spotykają się bezpośrednio. Dzięki temu modele AI mogą „podróżować” przez sieć pojazdów i docierać tam, gdzie są najbardziej potrzebne.
Przewaga nad tradycyjnymi metodami
Tradycyjne podejścia do zdecentralizowanego uczenia się cierpią z powodu rzadkich interakcji między pojazdami. Cached-DFL eliminuje ten problem, umożliwiając modelom przemieszczanie się przez wiele pośrednich węzłów, co znacząco zwiększa efektywność procesu uczenia.
Ochrona prywatności i poprawa bezpieczeństwa
Nowe rozwiązanie pozwala na prywatne gromadzenie informacji dotyczących warunków drogowych, sygnalizacji świetlnej i przeszkód. Jest to szczególnie przydatne w miastach, gdzie różnorodność warunków utrudnia uczenie się wyłącznie na podstawie własnych doświadczeń.
Kluczowe czynniki wpływające na efektywność
Badania wykazały, że szybkość pojazdów, rozmiar pamięci podręcznej i okres ważności modeli mają kluczowy wpływ na skuteczność uczenia się. Większa prędkość i częstsza komunikacja zwiększają efektywność, podczas gdy przestarzałe modele mogą prowadzić do spadku dokładności.
