Скоро у беспилотных автомобилей появится собственная «социальная сеть искусственного интеллекта», где они смогут учиться на опыте друг друга

Благодаря собственной «социальной сети искусственного интеллекта» беспилотные автомобили могут научиться справляться с овальными выбоинами в любом месте, основываясь на опыте, полученном от автомобилей, которые сталкивались с аналогичными ситуациями.

Cached-DFL создает своего рода «симулированную социальную сеть», в которой автомобили могут просматривать «профили» других автомобилей, не раскрывая личную информацию водителя. Фото: eescorporation.com

Ученые разработали новый метод, который позволяет беспилотным автомобилям обмениваться важной информацией во время движения без прямого подключения с помощью технологии под названием «Кэшированное распределенное федеративное обучение» (Cached-DFL).

Это платформа обмена моделями искусственного интеллекта (ИИ), которая помогает беспилотным автомобилям обмениваться точными и актуальными данными при проезде друг мимо друга, включая навигационную информацию, схемы движения, дорожные условия и знаки.

В отличие от традиционного подхода, требующего, чтобы автомобили находились поблизости и предоставляли разрешение на обмен данными, Cached-DFL создает своего рода «симулированную социальную сеть», в которой автомобили могут просматривать «профили» других автомобилей, не раскрывая при этом личную информацию водителя.

«Автомобиль, который когда-либо ездил только по Манхэттену, теперь может узнать о дорогах Бруклина от других транспортных средств, даже если он никогда там не был», — сказал доктор Юн Лю из Нью-Йоркского университета. Например, автомобиль может научиться справляться с овальными выбоинами в любом месте, основываясь на опыте, полученном от автомобилей, которые сталкивались с аналогичными ситуациями.

Система также решает проблему текущих централизованных данных, которые подвержены масштабным утечкам. Благодаря Cached-DFL данные хранятся в обученных моделях ИИ на каждом транспортном средстве.

Имитационные испытания в Манхэттене показывают, что быстрая и частая связь между транспортными средствами в радиусе 100 метров значительно повышает эффективность и точность данных о вождении. Важно отметить, что транспортным средствам не обязательно «знать» друг друга, чтобы обмениваться информацией.

Доктор Цзе Сюй из Университета Флориды подчеркивает преимущество масштабируемости: «Каждое транспортное средство обменивается обновлениями модели только с теми транспортными средствами, с которыми оно сталкивается, что предотвращает резкий рост расходов на связь по мере роста сети». Это также обещает снизить стоимость технологии беспилотного вождения, поскольку вычислительная нагрузка распределяется, а не концентрируется на одном сервере.

В будущем команда планирует протестировать Cached-DFL в реальных сценариях, устраняя барьеры совместимости между автопроизводителями и расширяя возможности подключения к другим транспортным инфраструктурам (V2X). Дальнейшая цель — ускорить тенденцию децентрализованной обработки данных, создав форму высокоскоростного коллективного интеллекта не только для автомобилей, но и для спутников, беспилотников и роботов.

«Распределенное федеративное обучение имеет решающее значение для совместного обучения без ущерба для конфиденциальности... Улучшение принятия решений в реальном времени, что имеет важное значение для приложений безопасности, таких как автономное вождение», — утверждает Джавед Хан из Aptiv.

Читать далее Вернуться к темам

Вернуться к теме

ВНА

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