Selbstfahrende Autos werden bald über ein eigenes „KI-Soziales Netzwerk“ verfügen, um von den Erfahrungen der anderen zu lernen

Mithilfe ihres eigenen „KI-Sozialen Netzwerks“ können selbstfahrende Autos lernen, mit ovalen Schlaglöchern überall umzugehen. Dabei werden die Erfahrungen anderer Autos genutzt, die bereits in ähnlichen Situationen waren.

Cached-DFL erstellt eine Art „simuliertes soziales Netzwerk“, in dem Autos die „Profile“ anderer Autos anzeigen können, ohne die persönlichen Daten des Fahrers preiszugeben – Foto: eescorporation.com

Wissenschaftler haben eine neue Methode entwickelt, die es selbstfahrenden Autos ermöglicht, unterwegs wichtige Informationen ohne direkte Verbindung auszutauschen. Dazu wird eine Technologie namens „Cached Distributed Federated Learning“ (Cached-DFL) verwendet.

Es handelt sich um ein Framework zum Teilen von Modellen auf Basis künstlicher Intelligenz (KI), das selbstfahrenden Autos dabei hilft, beim Vorbeifahren genaue und aktuelle Daten auszutauschen, darunter Informationen zum Navigationsverhalten, zu Verkehrsmustern, Straßenbedingungen und Verkehrsschildern.

Im Gegensatz zum herkömmlichen Ansatz, bei dem sich die Autos in der Nähe befinden und die Freigabeberechtigung erteilen müssen, erstellt Cached-DFL eine Art „simuliertes soziales Netzwerk“, in dem Autos die „Profile“ anderer Autos anzeigen können, ohne die persönlichen Daten des Fahrers preiszugeben.

„Ein Auto, das bisher nur in Manhattan gefahren ist, kann jetzt von anderen Fahrzeugen etwas über die Straßen von Brooklyn lernen, auch wenn es nie dort war“, sagte Dr. Yong Liu von der New York University. Beispielsweise könnte das Auto lernen, mit ovalen Schlaglöchern umzugehen, und zwar auf Grundlage gemeinsamer Erfahrungen mit Autos, die bereits in ähnlichen Situationen waren.

Das System löst außerdem das Problem der derzeit zentralisierten Daten, die anfällig für groß angelegte Datenschutzverletzungen sind. Mit Cached-DFL werden Daten in trainierten KI-Modellen auf jedem Fahrzeug gespeichert.

Simulationstests in Manhattan zeigen, dass eine schnelle und häufige Kommunikation zwischen Fahrzeugen in einem Umkreis von 100 Metern die Effizienz und Genauigkeit der Fahrdaten erheblich verbessert. Wichtig ist, dass die Fahrzeuge sich nicht „kennen“ müssen, um Informationen auszutauschen.

Dr. Jie Xu von der University of Florida betont den Skalierbarkeitsvorteil: „Jedes Fahrzeug tauscht Modellaktualisierungen nur mit den Fahrzeugen aus, denen es begegnet. Dadurch wird verhindert, dass die Kommunikationskosten mit zunehmender Größe des Netzwerks in die Höhe schnellen.“ Dies verspricht auch eine Kostensenkung bei der selbstfahrenden Technologie, da die Verarbeitungslast verteilt und nicht auf einem Server konzentriert wird.

In der Zukunft plant das Team, Cached-DFL in realen Szenarien zu testen, Kompatibilitätsbarrieren zwischen Automobilherstellern zu beseitigen und die Konnektivität mit anderen Transportinfrastrukturen (V2X) zu erweitern. Das weitere Ziel besteht darin, den Trend zur dezentralen Datenverarbeitung zu beschleunigen und so eine Art kollektive Hochgeschwindigkeitsintelligenz nicht nur für Autos, sondern auch für Satelliten, Drohnen und Roboter zu schaffen.

„Verteiltes föderiertes Lernen ist entscheidend für kollaboratives Lernen ohne Beeinträchtigung der Privatsphäre … Es verbessert die Entscheidungsfindung in Echtzeit, was für Sicherheitsanwendungen wie autonomes Fahren von entscheidender Bedeutung ist“, erklärt Javed Khan von Aptiv.

Mehr lesen Zurück zu den Themen

Zurück zum Thema

VNA

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