자율주행차는 곧 서로의 경험을 통해 학습할 수 있는 자체 'AI 소셜 네트워크'를 갖게 될 것입니다.

Cached-DFL은 운전자의 개인 정보를 공개하지 않고도 자동차가 다른 자동차의 "프로필"을 볼 수 있는 일종의 "시뮬레이션된 소셜 네트워크"를 생성합니다. - 사진: eescorporation.com

과학자들은 "캐시 분산 연합 학습"(Cached-DFL)이라는 기술을 통해 자율주행차가 직접 연결하지 않고도 이동 중에 중요한 정보를 공유할 수 있는 새로운 방법을 개발했습니다.

자율주행차가 서로 지나갈 때 내비게이션 핸들링, 교통 패턴, 도로 상황, 표지판 등 정확하고 최신 데이터를 교환할 수 있도록 돕는 인공지능(AI) 모델 공유 프레임워크입니다.

차량이 근처에 있어야 하고 공유 허가를 받아야 하는 기존 방식과 달리 Cached-DFL은 운전자의 개인 정보를 공개하지 않고도 차량이 다른 차량의 "프로필"을 볼 수 있는 일종의 "시뮬레이션 소셜 네트워크"를 만듭니다.

뉴욕 대학의 용 류 박사는 "맨해튼에서만 주행하던 자동차가 이제 브루클린 도로에 가본 적이 없더라도 다른 차량으로부터 브루클린 도로에 대한 정보를 얻을 수 있다"고 말했습니다. 예를 들어, 자동차는 비슷한 상황을 겪은 다른 자동차들의 경험을 바탕으로 타원형 움푹 패인 곳을 어떻게 처리하는지 학습할 수 있습니다.

또한 이 시스템은 대규모 침해에 취약한 현재의 중앙 집중화된 데이터 문제를 해결합니다. Cached-DFL을 사용하면 데이터가 각 차량의 훈련된 AI 모델에 저장됩니다.

맨해튼에서 실시한 시뮬레이션 테스트 결과, 100m 범위 내 차량 간의 빠르고 빈번한 통신이 주행 데이터의 효율성과 정확성을 크게 향상시키는 것으로 나타났습니다. 중요한 점은, 차량들이 정보를 공유하기 위해 서로를 "알" 필요가 없다는 것입니다.

플로리다 대학교의 Jie Xu 박사는 확장성의 이점을 강조합니다. "각 차량은 만나는 차량과만 모델 업데이트를 교환하므로 네트워크가 커져도 통신 비용이 급등하는 것을 방지할 수 있습니다." 또한 이를 통해 처리 부담이 하나의 서버에 집중되는 것이 아니라 분산되기 때문에 자율 주행 기술의 비용이 절감될 것으로 기대됩니다.

앞으로 이 팀은 실제 시나리오에서 Cached-DFL을 테스트하여 자동차 제조업체 간의 호환성 장벽을 제거하고 다른 교통 인프라(V2X)로의 연결성을 확대할 계획입니다. 또 다른 목표는 분산형 데이터 처리 추세를 가속화하여 자동차뿐만 아니라 위성, 드론, 로봇을 위한 고속 집단 지능 형태를 만드는 것입니다.

Aptiv의 자베드 칸은 "분산형 연합 학습은 개인정보를 침해하지 않으면서 협력적인 학습을 수행하는 데 필수적입니다. 자율주행과 같은 안전 애플리케이션에 필수적인 실시간 의사 결정을 강화하는 데에도 필수적입니다."라고 주장합니다.

더 읽어보세요 주제로 돌아가기

주제로 돌아가기

VNA

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