شبكات لامركزية مستعدة لتطوير المركبات ذاتية القيادة

قد تكون الشبكات الذكية اللامركزية هي المفتاح لجعل السيارات ذاتية القيادة أكثر ذكاءً وأمانًا. يرى الكثيرون أن هذه المركبات هي مستقبل السفر. ومع ذلك، لا تزال هناك عدة مشكلات يحتاج المصنعون والجهات التنظيمية إلى حلها.

في جوهرها، تعتمد المركبات ذاتية القيادة على المستشعرات والبيانات الأخرى للبقاء على المسار الصحيح، وتجنب العقبات، وتوصيل الركاب بأمان إلى وجهاتهم. يمكن أن تشمل هذه المستشعرات الليدار والرادار والتصوير الحراري وأنظمة متقدمة أخرى. جميع هذه الأنظمة تُنشئ بصمة بيانات يمكن استخدامها لتحسين أداء السيارة في المستقبل.

التعلم المتجمع

إحدى الطرق التي وجدها المصنعون لتحسين أداء سياراتهم ذاتية القيادة هي تمكين سياراتهم من مشاركة هذه البيانات باستخدام نظام يُسمى التعلم المتجمع. يُعد التعلم المتجمع (FL) نهجًا موزعًا لتعلم الآلة حيث تقوم المركبات الفردية بتدريب النماذج محليًا وتشارك فقط تحديثات النماذج مع خادم مركزي. يحافظ هذا النهج على خصوصية البيانات من خلال إبقاء بيانات المستشعر الخام على المركبة نفسها بدلاً من إرسالها إلى خادم مركزي. تُستخدم البيانات لتدريب نموذج مشترك للنظام البيئي.

مشكلات التعلم المتجمع

المشكلة الرئيسية في أنظمة التعلم المتجمع هي الحاجة إلى اتصال مباشر بالخادم. إذا كنت تسافر كثيرًا بسيارتك الكهربائية، فمن المحتمل أن يتفاوت اتصال الإنترنت حسب موقعك. يمكن أن يؤدي هذا السيناريو إلى فقدان سيارتك للتحديثات.

المصدر – Teslaroti

التعلم المتجمع اللامركزي (DFL)

تُزيل أنظمة التعلم المتجمع اللامركزي (DFL) الاعتماد على الخادم المركزي من خلال تمكين المركبات من تبادل نماذج الذكاء الاصطناعي مباشرة عبر التواصل من نظير إلى نظير. يمكن لهذه الأنظمة تمرير البيانات التي تم جمعها مباشرة بين المركبات. يتيح هذا الإعداد مزيدًا من المشاركة لكنه لا يزال يواجه بعض المشكلات التي قد تُخرج مركبة من الحلقة.

أحد الأسباب هو أن مركبتك تحتاج إلى الالتقاء بمركبات أخرى ضمن شبكة التعلم المتجمع لكي يعمل النظام بشكل صحيح. عند التعامل مع مساحات واسعة أو مدن مكتظة، تقل فرص الالتقاء ببعضها البعض بشكل كبير، مما يؤدي إلى تقادم البيانات القديمة للمركبة قبل إرسالها إلى الآخرين. بالإضافة إلى ذلك، تنقل هذه الأنظمة البيانات التي تم جمعها شخصيًا فقط عبر تفاعلات محدودة.

مخاوف الخصوصية

مشكلة رئيسية أخرى في أنظمة التعلم المتجمع اللامركزية هي مخاوف الخصوصية. عندما يكون لديك خادم مركزي، يكون من السهل تحديد من هو المسؤول الرئيسي عن البيانات الشخصية أو الحساسة. ومع ذلك، عند التعامل مع شبكة لامركزية، تقع المسؤولية على الأفراد. أدى هذا الهيكل إلى قلق الكثيرين بشأن خروقات الخصوصية أو الانتهاكات.

دراسة الشبكات الذكية اللامركزية

يقدم فريق من المهندسين حلاً جديدًا للمشكلات التي تواجه هذه الشبكات يُدعى Cached Decentralized Federated Learning (Cached-DFL). تم الكشف عن نظام مشاركة بيانات المركبة المحسن في مؤتمر جمعية تقدم الذكاء الاصطناعي لهذا العام.

قدم المهندسون طريقة لمشاركة بيانات السيارات الكهربائية تشبه وسائل التواصل الاجتماعي حيث يمكن لكل مركبة تمرير البيانات إلى بعضها بحرية. تستفيد نهج Cached-DFL من التواصل عالي السرعة بين الأجهزة، بمدى يصل إلى 100 متر في الظروف المثالية. ومع ذلك، تعتمد الفعالية في العالم الحقيقي على عوامل مثل سرعة المركبة، والتداخل البيئي، واستقرار الاتصال. قد يكون لدى المركبات التي تتحرك في اتجاهات متعاكسة بسرعات عالية نافذة زمنية قصيرة فقط لتبادل البيانات. سيعزز هذا النهج قدرة المركبة على الاستعداد لتغيرات ظروف الطريق، والمخاطر، والقيود الأخرى.

التعلم المتجمع اللامركزي المخزن (Cached-DFL)

يركّز مفهوم التعلم المتجمع اللامركزي المخزن (Cached-DFL) على بناء شبكة يُتوقع فيها الاتصال المتقطع بدلاً من تجنبه. كجزء من هذا النهج، ضَمَنَ المهندسون أن كل مركبة يمكنها تخزين وإعادة توجيه البيانات بشكل مستقل عندما تكون متاحة.

تقوم كل مركبة بتدريب نموذج الذكاء الاصطناعي الخاص بها في هذا الإعداد. تشمل البيانات المستخرجة من نموذج الذكاء الاصطناعي تفاصيل حيوية مثل ظروف الطريق، والإشارات، والعقبات. ثم تُمرَّر هذه البيانات تلقائيًا إلى المركبات الأخرى عندما تدخل نطاق الإرسال.

آلية النقل متعدد القفزات

تعمل كل مركبة كجهاز ترحيل في هذا الإعداد. تقوم بتخزين بياناتها إلى جانب 10 نماذج خارجية أخرى يتم تمريرها بين المركبات. من الضروري الإشارة إلى أن النظام ينقل نماذج الذكاء الاصطناعي المدربة بدلاً من البيانات الأصلية، مثلما كان الحال في الأنظمة السابقة. تُحسّن هذه الاستراتيجية الأداء.

من الجدير بالذكر أن المركبات تشارك أحدث نماذج الذكاء الاصطناعي عند تفاعلها. كجزء من هذا النهج، يتم حذف جميع المعلومات القديمة قبل أن تؤثر سلبًا على الأداء. على وجه التحديد، يعطي النظام أولوية للنماذج الأحدث على القديمة، وتحدث التحديثات بناءً على لقاءات المركبات بدلاً من فاصل ثابت قدره 20 ثانية. يستخدم Cached-DFL عتبة قدم (τmax)، عادةً ما تُحدد عند 10 أو 20 دورة، لتصفية النماذج القديمة وضمان الصلة في التعلم اللامركزي.

التعلم من الآخرين

الميزة الرئيسية لهذا النظام هي أنه يسمح لمركبتك بالتعلم من لقاءات المركبات الأخرى. كما أن هذه الاستراتيجية تُحسّن سرعة مشاركة البيانات ذات الصلة عبر الشبكة. تأخذ في الاعتبار الحالة المتقطعة للشبكة في الوقت الحالي، مما يمكّن السائقين من الوصول إلى البيانات خارج تفاعلاتهم الفورية.

اختبار الشبكات الذكية اللامركزية

اختبر فريق البحث نظريتهم باستخدام محاكاة حاسوبية. أنشأ المهندسون نسخة افتراضية من مانهاتن وضبطوا سياراتهم الكهربائية الرقمية لتسير على مساراتها المتعددة. كانت سرعة المركبات 14 مترًا في الثانية. ومن المثير للاهتمام أن المحاكاة صُممت بحيث يتخذ كل مركبة خيارًا عشوائيًا بنسبة 50/50 عند كل تقاطع. سمح هذا النهج لكل مركبة بإنشاء نموذج فريد ومشاركته.

نتائج اختبار الشبكات الذكية اللامركزية

سلّطت نتائج الاختبار بعض الضوء على كيفية تحسين هذا النظام للسيارات الكهربائية في المستقبل. أظهرت أن هناك العديد من العوامل التي يمكن أن تؤثر على دقة وتوقيت البيانات المستخدمة لإنشاء نماذج السيارات الكهربائية وكيفية إنشائها ومشاركتها.

أظهر الاختبار أنه كلما زاد تواصل هذه المركبات مع بعضها البعض، تحسّن الأداء. بالإضافة إلى ذلك، أثبت أن النظام مثالي لمشاركة البيانات في الوقت المناسب عبر شبكات كبيرة من السيارات الكهربائية التي تُدار بشكل خاص. لاحظ الفريق أن البيانات الرئيسية مثل السرعة، وحجم الذاكرة المؤقتة، وانتهاء صلاحية النموذج جميعها تلعب دورًا في كفاءة التعلم.

فوائد الشبكات الذكية اللامركزية

هناك العديد من الفوائد لنهج Cached-DFL. أولاً، فهو أكثر كفاءة بكثير من حيث انتشار البيانات. تمكن الباحثون من ضمان أن غالبية المركبات في محاكاتهم كانت تمتلك نماذج في الوقت المناسب مقارنة بالأنظمة السابقة التي قد تستمر في تشغيل نماذج قديمة لأسابيع.

يوفر هذا النظام مسارًا موثوقًا للسيارات ذاتية القيادة لتتعلم معًا وتُعلِّم بعضها البعض لتصبح سائقين أفضل. نظرًا لأن الطريقة تأخذ في الاعتبار أن مركبتك لن تكون متصلة بنسبة 100٪، فهي مناسبة تمامًا للاستخدام في العالم الحقيقي ويمكن أن تكون أداة قيمة يستخدمها المصنعون لبرمجة الأساطيل بسرعة أكبر.

مشاركة البيانات

إن الجمع بين فوائد الشبكات اللامركزية والقدرة على مشاركة وتخزين ما يصل إلى 10 نماذج ذكاء اصطناعي يُغيّر قواعد اللعبة. يسمح ذلك للنماذج بالانتقال بشكل غير مباشر عبر الشبكة لضمان وصول جميع المركبات إلى أهم البيانات. بالإضافة إلى ذلك، يولي النظام تلقائيًا الأولوية للمعلومات الأكثر صلة من النماذج المتنوعة المستمدة من مناطق مختلفة، مما يعزز صلتها.

البيانات المفتوحة

فائدة رئيسية أخرى لهذا البحث هي القرار بجعل البيانات متاحة للجميع عبر ملفات Github. سيساهم هذا القرار في تعزيز الابتكار ويسمح للباحثين الآخرين بتحسين نتائجهم. يمكن للمهندسين العثور على أمثلة، واختبارات، وملفات مخزنة مؤقتًا، وتقارير تقنية، والمزيد.

تطبيقات الشبكات الذكية اللامركزية

هناك تطبيقات واسعة النطاق لهذه التقنية تتجاوز قطاع السيارات الكهربائية. في أي مكان توجد فيه أساطيل من المركبات ذاتية القيادة، من المؤكد أن هذه التقنية ستحدث فرقًا. بعض المجالات الرئيسية التي استكشفها الباحثون تشمل الطائرات بدون طيار، والروبوتات، والأقمار الصناعية.

باحثو الشبكات الذكية اللامركزية

قدَّم دراسة Cached-DFL فريق من المهندسين من جامعة نيويورك (NYU) بقيادة يونغ ليو، شياويو وانغ، قوجون شونغ، جيان لي، وهووي كاو. ومن الجدير بالذكر أن المجموعة تلقت دعمًا ماليًا على شكل عدة منح من المؤسسة الوطنية للعلوم وبرنامج الأنظمة الذكية والمرنة للجيل التالي (RINGS).

الشركات الرائدة في سباق تقنية المركبات ذاتية القيادة

السباق لإدخال المركبات ذاتية القيادة إلى الطرق في كامل قوته. يواصل المصنعون الاقتراب من تحقيق المركبات ذاتية القيادة بالكامل كل عام. ومع ذلك، يتطلب هذا المهمة الضخمة الكثير من الموارد، والتقنية، وشبكة ضخمة من الموردين. وبالتالي، هناك عدد قليل فقط من اللاعبين الرئيسيين الذين يهيمنون على السوق حاليًا. إليكم شركة واحدة تقود ثورة المركبات ذاتية القيادة.

Uber Technologies, Inc.

بينما لا يزال Cached-DFL في مراحله الأولية، قد تقوم الشركات التي تجرب تقنية القيادة الذاتية، مثل Uber، في النهاية بدمج الشبكات الذكية اللامركزية في أساطيلها.

دخلت Uber (UBER ) السوق في عام 2009 ومقرها في سان فرانسيسكو، كاليفورنيا. كانت أول تطبيق مشاركة رحلات لامركزي يكتسب شهرة. مؤسسو التطبيق هم أوسكار سالازار غايتان، تراڤيس كالانيك، وجاريت كامب. رؤيته لاقتصاد مشاركة الرحلات اللامركزي غيرت السوق إلى الأبد.

عندما تفكر في Uber، لا يتبادر إلى ذهنك أولاً سيارة أجرة روبوتية. بل ربما تتخيل شخصًا عشوائيًا يقترب بسيارته الخاصة ليعطيك توصيلة. ومع ذلك، قد يتغير كل ذلك في المستقبل لأن Uber هي واحدة من أكبر الداعمين لتقنية المركبات ذاتية القيادة، حيث أسست ودعمت شراكات مع مبتكرين رائدين مثل Waymo.

وضعت الشركة بالفعل سيارات Uber ذاتية القيادة على الطرق للاختبار في عدة مدن، بما في ذلك أحدث مشروع لها في أوستن، تكساس. كجزء من النهج، تعاونت الشركة مع Waymo المملوكة لألفابت، مما يسمح لعملاء Uber في منطقة أوستن بالترقية إلى سيارة Jaguar I-PACE كهربائية بالكامل بدون تكلفة إضافية.

اليوم، تهيمن Uber على سوق مشاركة الرحلات وتوسعت إلى قطاعات أخرى مثل الخدمات اللوجستية، وتوصيل الطعام، وأكثر. توظف الشركة حاليًا أكثر من 31,100 شخص. يرى الكثيرون أن Uber إضافة ذكية لأي محفظة استثمارية بفضل موقعها، تاريخها، وروحها الابتكارية.

آخر المستجدات حول Uber Technologies, Inc.

الشبكات الذكية اللامركزية – تمكين السفر المستقبلي

تحتاج السيارات الذكية إلى أنظمة ذكية. وبالتالي، سيزداد الطلب على الشبكات الذكية اللامركزية في الأشهر والسنوات القادمة. ستمكن هذه الأنظمة المركبات من تحسين قدرات القيادة الذاتية وتمكين السيارات ذاتية القيادة من تعزيز الأداء، والانتشار إلى مسافات أبعد، وتوفير بيانات مفيدة للآخرين.

تعرف على مشاريع تعلم الآلة الأخرى الآن

مرجع الدراسة:

^{1. Wang, X., Xiong, G., Cao, H., Li, J., & Liu, Y. (2025). Decentralized federated learning with model caching on mobile agents [Conference paper]. Association for the Advancement of Artificial Intelligence Conference. Retrieved from https://arxiv.org/abs/2408.14001v2}