Los coches autónomos pronto tendrán su propia «red social de IA» para aprender de las experiencias de los demás.

Con su propia "red social de inteligencia artificial", los coches autónomos pueden aprender a sortear baches ovalados en cualquier lugar, basándose en la experiencia compartida con otros coches que se han encontrado en situaciones similares.

Cached-DFL crea una especie de "red social simulada" donde los coches pueden ver los "perfiles" de otros coches sin revelar la información personal del conductor. - Foto: eescorporation.com

Los científicos han desarrollado un nuevo método que permite a los coches autónomos compartir información importante mientras viajan sin conexión directa, a través de una tecnología llamada “Aprendizaje Distribuido Federado en Cajón” (Cached-DFL).

Es un marco de intercambio de modelos de inteligencia artificial (IA) que ayuda a los automóviles autónomos a intercambiar datos precisos y actualizados a medida que se cruzan, incluido el manejo de navegación, los patrones de tráfico, las condiciones de la carretera y las señales.

A diferencia del enfoque convencional que requiere que los autos estén cerca y otorguen permiso para compartir, Cached-DFL crea una forma de “red social simulada” donde los autos pueden ver los “perfiles” de otros autos sin revelar la información personal del conductor.

"Un coche que solo ha circulado por Manhattan ahora puede aprender sobre las calles de Brooklyn a partir de otros vehículos, incluso si nunca ha estado allí", afirmó el Dr. Yong Liu, de la Universidad de Nueva York. Por ejemplo, el coche podría aprender a sortear baches ovalados en cualquier lugar, basándose en la experiencia compartida con otros coches que se han encontrado en situaciones similares.

El sistema también resuelve el problema de los datos centralizados actuales, que son susceptibles a violaciones a gran escala. Con Cached-DFL, los datos se almacenan en modelos de IA entrenados en cada vehículo.

Las pruebas de simulación en Manhattan muestran que la comunicación rápida y frecuente entre vehículos dentro de un rango de 100 metros mejora significativamente la eficiencia y la precisión de los datos de conducción. Es importante destacar que los vehículos no necesitan “conocerse” entre sí para compartir información.

El Dr. Jie Xu, de la Universidad de Florida, destaca la ventaja de la escalabilidad: «Cada vehículo solo intercambia actualizaciones de modelo con los vehículos con los que se encuentra, lo que evita que los costos de comunicación se disparen a medida que la red crece». Esto también promete reducir el costo de la tecnología de conducción autónoma porque la carga de procesamiento se distribuye, en lugar de concentrarse en un servidor.

En el futuro, el equipo planea probar Cached-DFL en escenarios del mundo real, eliminando las barreras de compatibilidad entre fabricantes de automóviles y ampliando la conectividad a otras infraestructuras de transporte (V2X). El objetivo adicional es acelerar la tendencia del procesamiento descentralizado de datos, creando una forma de inteligencia colectiva de alta velocidad no sólo para automóviles, sino también para satélites, drones y robots.

“El aprendizaje federado distribuido es fundamental para el aprendizaje colaborativo sin comprometer la privacidad… Mejora la toma de decisiones en tiempo real, algo esencial para aplicaciones de seguridad como la conducción autónoma”, afirma Javed Khan de Aptiv.

Leer más Volver a temas

Volver al tema

VNA

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