Les voitures autonomes disposeront bientôt de leur propre « réseau social d'IA » pour apprendre des expériences des autres

Grâce à leur propre « réseau social d'IA », les voitures autonomes peuvent apprendre à gérer les nids-de-poule ovales n'importe où, en se basant sur l'expérience partagée des voitures qui ont rencontré des situations similaires.

Cached-DFL crée une sorte de « réseau social simulé » où les voitures peuvent consulter les « profils » d'autres voitures sans révéler les informations personnelles du conducteur. Photo : eescorporation.com

Des scientifiques ont développé une nouvelle méthode qui permet aux voitures autonomes de partager des informations importantes en déplacement sans connexion directe, grâce à une technologie appelée « Cached Distributed Federated Learning » (Cached-DFL).

Il s'agit d'un cadre de partage de modèles d'intelligence artificielle (IA) qui aide les voitures autonomes à échanger des données précises et à jour lorsqu'elles se croisent, notamment la gestion de la navigation, les schémas de circulation, les conditions routières et la signalisation.

Contrairement à l’approche conventionnelle qui exige que les voitures soient à proximité et accordent l’autorisation de partage, Cached-DFL crée une forme de « réseau social simulé » où les voitures peuvent voir les « profils » d’autres voitures sans révéler les informations personnelles du conducteur.

« Une voiture qui n'a jamais roulé qu'à Manhattan peut désormais apprendre à connaître les routes de Brooklyn grâce à d'autres véhicules, même si elle n'y est jamais allée », a déclaré le Dr Yong Liu de l'Université de New York. Par exemple, la voiture pourrait apprendre à gérer les nids-de-poule ovales n'importe où, en se basant sur l'expérience partagée de voitures ayant rencontré des situations similaires.

Le système résout également le problème des données centralisées actuelles, qui sont susceptibles de faire l’objet de violations à grande échelle. Avec Cached-DFL, les données sont stockées dans des modèles d'IA formés sur chaque véhicule.

Des tests de simulation à Manhattan montrent qu'une communication rapide et fréquente entre les véhicules dans un rayon de 100 mètres améliore considérablement l'efficacité et la précision des données de conduite. Il est important de noter que les véhicules n’ont pas besoin de se « connaître » pour partager des informations.

Le Dr Jie Xu de l'Université de Floride souligne l'avantage de l'évolutivité : « Chaque véhicule échange uniquement des mises à jour de modèle avec les véhicules qu'il rencontre, ce qui empêche les coûts de communication de monter en flèche à mesure que le réseau s'agrandit. » Cela promet également de réduire le coût de la technologie de conduite autonome, car la charge de traitement est répartie plutôt que concentrée sur un seul serveur.

À l’avenir, l’équipe prévoit de tester Cached-DFL dans des scénarios réels, en supprimant les barrières de compatibilité entre les constructeurs automobiles et en étendant la connectivité à d’autres infrastructures de transport (V2X). L’objectif supplémentaire est d’accélérer la tendance au traitement décentralisé des données, en créant une forme d’intelligence collective à grande vitesse non seulement pour les voitures mais aussi pour les satellites, les drones et les robots.

« L'apprentissage fédéré distribué est essentiel pour l'apprentissage collaboratif sans compromettre la confidentialité... Améliorer la prise de décision en temps réel, ce qui est essentiel pour les applications de sécurité comme la conduite autonome », affirme Javed Khan d'Aptiv.

En savoir plus Retour aux sujets

Retour au sujet

Analyseur de réseau vectoriel

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