ستحصل السيارات ذاتية القيادة قريبًا على "شبكة اجتماعية للذكاء الاصطناعي" خاصة بها للتعلم من تجارب بعضها البعض

بفضل "شبكتها الاجتماعية للذكاء الاصطناعي"، تستطيع السيارات ذاتية القيادة أن تتعلم كيفية التعامل مع الحفر البيضاوية في أي مكان، استناداً إلى الخبرة المشتركة من السيارات التي واجهت مواقف مماثلة.

Cached-DFL ينشئ نوعًا من "الشبكات الاجتماعية المحاكاة" حيث يمكن للسيارات عرض "الملفات الشخصية" للسيارات الأخرى دون الكشف عن المعلومات الشخصية للسائق - الصورة: eescorporation.com

قام العلماء بتطوير طريقة جديدة تسمح للسيارات ذاتية القيادة بمشاركة المعلومات المهمة أثناء الحركة دون اتصال مباشر، من خلال تقنية تسمى "التعلم الفيدرالي الموزع المخزن مؤقتًا" (Cached-DFL).

إنه إطار عمل لمشاركة نماذج الذكاء الاصطناعي يساعد السيارات ذاتية القيادة على تبادل البيانات الدقيقة والمحدثة أثناء مرورها بجانب بعضها البعض، بما في ذلك التعامل الملاحي وأنماط المرور وظروف الطريق والعلامات.

على عكس النهج التقليدي الذي يتطلب من السيارات أن تكون قريبة وتمنح إذن المشاركة، فإن Cached-DFL يخلق شكلاً من أشكال "الشبكة الاجتماعية المحاكاة" حيث يمكن للسيارات عرض "الملفات الشخصية" للسيارات الأخرى دون الكشف عن المعلومات الشخصية للسائق.

وقال الدكتور يونج ليو من جامعة نيويورك: "إن السيارة التي كانت تسير فقط في مانهاتن تستطيع الآن أن تتعلم عن طرق بروكلين من المركبات الأخرى، حتى لو لم تكن هناك أبدًا". على سبيل المثال، يمكن للسيارة أن تتعلم كيفية التعامل مع الحفر البيضاوية في أي مكان، استناداً إلى الخبرة المشتركة من السيارات التي واجهت مواقف مماثلة.

ويقوم النظام أيضًا بحل مشكلة البيانات المركزية الحالية، والتي تكون عرضة للاختراقات على نطاق واسع. مع Cached-DFL، يتم تخزين البيانات في نماذج الذكاء الاصطناعي المدربة على كل مركبة.

وتظهر اختبارات المحاكاة في مانهاتن أن الاتصال السريع والمتكرر بين المركبات ضمن نطاق 100 متر يحسن بشكل كبير من كفاءة ودقة بيانات القيادة. الأمر المهم هو أن المركبات لا تحتاج إلى "التعرف" على بعضها البعض لمشاركة المعلومات.

ويؤكد الدكتور جيه شو من جامعة فلوريدا على ميزة قابلية التوسع: "تتبادل كل مركبة تحديثات النموذج فقط مع المركبات التي تصادفها، مما يمنع تكاليف الاتصالات من الارتفاع بشكل كبير مع نمو الشبكة". ومن المتوقع أيضًا أن يؤدي هذا إلى تقليل تكلفة تقنية القيادة الذاتية لأن عبء المعالجة موزع، بدلاً من تركيزه على خادم واحد.

وفي المستقبل، يخطط الفريق لاختبار Cached-DFL في سيناريوهات العالم الحقيقي، وإزالة حواجز التوافق بين شركات صناعة السيارات وتوسيع الاتصال بالبنى التحتية للنقل الأخرى (V2X). والهدف الآخر هو تسريع اتجاه معالجة البيانات اللامركزية، مما يخلق شكلاً من أشكال الذكاء الجماعي عالي السرعة ليس فقط للسيارات ولكن أيضًا للأقمار الصناعية والطائرات بدون طيار والروبوتات.

يؤكد جافيد خان من Aptiv أن "التعلم الفيدرالي الموزع أمر بالغ الأهمية للتعلم التعاوني دون المساس بالخصوصية... وتعزيز عملية اتخاذ القرار في الوقت الفعلي، وهو أمر ضروري لتطبيقات السلامة مثل القيادة الذاتية".

اقرأ المزيد العودة إلى المواضيع

العودة إلى الموضوع

في إن إيه

المصدر: https://tuoitre.vn/xe-tu-lai-sap-co-mang-xa-hoi-ai-rieng-de-hoc-kinh-nghiem-cua-nhau-20250505071111782.htm