自動運転車はまもなく、互いの経験から学ぶ独自の「AIソーシャルネットワーク」を持つようになるだろう。

Cached-DFL は、ドライバーの個人情報を明かすことなく、車が他の車の「プロフィール」を閲覧できる、一種の「シミュレートされたソーシャル ネットワーク」を作成します - 写真: eescorporation.com

科学者たちは、「Cached Distributed Federated Learning（Cached-DFL）」と呼ばれる技術を通じて、自動運転車が直接接続することなく移動中に重要な情報を共有できる新しい方法を開発した。

これは、自動運転車がすれ違う際に、ナビゲーション処理、交通パターン、道路状況、標識などの正確で最新のデータを交換するのに役立つ人工知能 (AI) モデル共有フレームワークです。

車が近くにいて共有の許可を与える必要がある従来のアプローチとは異なり、Cached-DFL は、ドライバーの個人情報を明かすことなく車が他の車の「プロフィール」を閲覧できる「シミュレートされたソーシャル ネットワーク」の形を作成します。

「これまでマンハッタンしか走ったことのない車でも、ブルックリンに行ったことがなくても、他の車からブルックリンの道路について学習できるようになります」とニューヨーク大学のヨン・リウ博士は語った。たとえば、車は、同様の状況に遭遇した車の共有経験に基づいて、どこでも楕円形の穴に対処する方法を学習することができます。

このシステムは、大規模な侵害を受けやすい現在の集中化データの問題も解決します。 Cached-DFL では、データは各車両のトレーニング済み AI モデルに保存されます。

マンハッタンでのシミュレーションテストでは、100メートルの範囲内の車両間で迅速かつ頻繁に通信を行うことで、運転データの効率と精度が大幅に向上することが示されました。重要なのは、情報を共有するために車両が互いを「知る」必要がないことです。

フロリダ大学の Jie Xu 博士は、スケーラビリティの利点を強調し、次のように述べています。「各車両は、遭遇した車両とのみモデルの更新を交換するため、ネットワークが拡大しても通信コストが急騰するのを防ぎます。」また、処理の負担が 1 つのサーバーに集中するのではなく分散されるため、自動運転技術のコストも削減されると期待されます。

今後、チームは実際のシナリオで Cached-DFL をテストし、自動車メーカー間の互換性の障壁を取り除き、他の交通インフラ (V2X) との接続を拡大する予定です。さらなる目標は、分散型データ処理のトレンドを加速し、自動車だけでなく衛星、ドローン、ロボットにも高速な集合知を生み出すことです。

「分散型連合学習は、プライバシーを損なうことなく協調学習を行うために不可欠です。自動運転などの安全アプリケーションに不可欠なリアルタイムの意思決定を強化します」とAptivのJaved Khan氏は主張しています。

続きを読むトピックに戻る

トピックに戻る

VNA

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