Decentraliserede netværk klar til at fremme autonome køretøjer

Decentraliserede intelligensnetværk kan indeholde nøglen til at gøre selvkørende biler smartere og sikrere. Mange ser disse køretøjer som fremtidens transport. Der er dog stadig flere problemer, som producenter og regulatorer skal løse.

Federeret Læring

En måde, som producenter har fundet på at forbedre deres køretøjers selvkørende ydeevne, er at gøre det muligt for deres biler at dele disse data ved hjælp af et system kaldet federeret læring. Federeret Læring (FL) er en distribueret maskinlæringsmetode, hvor individuelle køretøjer træner modeller lokalt og kun deler modelopdateringer med en central server. Denne tilgang bevarer dataprivatliv ved at holde rå sensordata på køretøjet selv i stedet for at sende dem til en central server. Dataene bruges til at træne en fælles model for økosystemet.

Problemer med Federeret Læring

Det største problem med federerede læringssystemer er, at du har brug for en direkte forbindelse til serveren. Hvis du kører meget i din elbil, er chancen stor for, at din internetforbindelse varierer afhængigt af din placering. Dette scenarie kan føre til, at dit køretøj går glip af opdateringer.

Kilde – Teslaroti

Decentraliseret Federeret Læring (DFL)

Decentraliserede Federerede Læringssystemer (DFL) fjerner afhængigheden af en central server ved at gøre det muligt for køretøjer at udveksle AI‑modeller direkte gennem peer‑to‑peer‑kommunikation. Disse systemer kan overføre deres indsamlede data direkte mellem køretøjer. Denne opsætning tillader mere deling, men har stadig nogle problemer, der kan efterlade et køretøj udenfor netværket.

For det første skal dit køretøj støde på andre køretøjer i federeret læringsnetværket, for at systemet kan fungere korrekt. Når man beskæftiger sig med store områder eller tætbefolkede byer, bliver chancen for at støde på hinanden meget mindre, hvilket resulterer i, at køretøjets data bliver forældede, før de kan sendes videre. Derudover overfører disse systemer kun personligt indsamlede data gennem begrænsede interaktioner.

Privatlivsbekymringer

En anden stor udfordring ved decentraliserede federerede læringssystemer er bekymringer omkring privatliv. Når du har en central server, er det nemt at fastslå, hvem der er hovedansvarlig for personlige eller følsomme data. I et decentraliseret netværk falder ansvaret på de enkelte individer. Denne struktur har fået mange til at frygte brud på privatliv eller misbrug.

Studie af Decentraliserede Intelligensnetværk

Et hold af ingeniører introducerer en ny løsning på de problemer, som disse netværk står over for, kaldet Cached Decentralized Federated Learning (Cached-DFL). Det forbedrede køretøjs‑datadeling‑system blev præsenteret på dette års Association for the Advancement of Artificial Intelligence Conference.

Ingeniørerne introducerede en metode til EV‑datadeling, der ligner sociale medier, idet hvert køretøj frit kan overføre data mellem hinanden. Cached‑DFL‑tilgangen udnytter højhastigheds‑device‑to‑device‑kommunikation med en rækkevidde på op til 100 meter under optimale forhold. I praksis afhænger effektiviteten af faktorer som køretøjets hastighed, miljømæssig interferens og forbindelsens stabilitet. Køretøjer, der bevæger sig i modsat retning med høj hastighed, kan kun have et kort vindue til dataudveksling. Denne tilgang vil forbedre køretøjets evne til at forberede sig på skiftende vejforhold, farer og andre restriktioner.

Cached Decentralized Federated Learning (Cached-DFL)

Cached Decentralized Federated Learning (Cached-DFL)-konceptet fokuserer på at bygge et netværk, hvor intermitterende forbindelse forventes snarere end undgås. Som en del af denne tilgang sikrede ingeniørerne, at hvert køretøj kunne lagre og videresende data uafhængigt, når det var tilgængeligt.

Hvert køretøj træner sin egen AI‑model i denne opsætning. Data fra AI‑modellen indeholder vitale detaljer såsom vejforhold, signaler og forhindringer. Disse data videresendes automatisk til andre køretøjer, når de kommer ind i transmissionsrækkevidden.

Multi-hop Overførselsmekanisme

Hvert køretøj fungerer som en relæ i denne opsætning. Det lagrer sine data sammen med 10 andre eksterne modeller, som overføres mellem køretøjer. Det er vigtigt at nævne, at systemet overfører trænede AI‑modeller i stedet for de originale data, som sine forgængere gjorde. Denne strategi forbedrer ydeevnen.

Bemærkelsesværdigt er, at køretøjerne deler de mest opdaterede AI‑modeller, når de interagerer. Som en del af denne tilgang elimineres al forældet information, før den kan påvirke ydeevnen. Systemet prioriterer specifikt nyere AI‑modeller over forældede, med opdateringer baseret på køretøjs‑møder i stedet for et fast 20‑sekunders interval. Cached‑DFL anvender en forældelsesgrænse (τmax), typisk sat til 10 eller 20 epoker, for at kassere forældede modeller og sikre relevans i decentraliseret læring.

Lær af Andre

Den største fordel ved dette system er, at det gør det muligt for dit køretøj at lære af andre køretøjers møder. Strategien øger også hastigheden, hvormed relevant data kan deles i hele netværket. Den tager højde for netværkets intermitterende tilstand på nuværende tidspunkt, så førere kan få adgang til data fra ud over deres umiddelbare interaktioner.

Test af Decentraliserede Intelligensnetværk

Forskningsholdet testede deres teori ved hjælp af computersimuleringer. Ingeniørerne oprettede en virtuel Manhattan og satte deres digitale EV’er til at køre på dens mange ruter. Køretøjerne havde en hastighed på 14 meter per sekund. Interessant nok var simuleringen designet, så hvert køretøj foretog et tilfældigt 50/50‑valg ved hver krydsning. Denne tilgang gjorde det muligt for hvert køretøj at skabe en unik model og dele den.

Resultater af Test af Decentraliserede Intelligensnetværk

Testresultaterne kastede lys over, hvordan dette system kan forbedre EV’er i fremtiden. De viste, at mange faktorer kan spille en rolle for, hvor præcis og rettidig de data, der bruges til at skabe EV‑modeller, er, samt hvordan de oprettes og deles.

Testen viste, at jo flere af disse køretøjer mødes, desto bedre er ydeevnen. Derudover demonstrerede den, at systemet var ideelt til at dele rettidig data på tværs af store netværk af privat kontrollerede EV’er. Holdet bemærkede, at nøgledata såsom hastighed, cache‑størrelse og modeludløb alle spillede en rolle i læringseffektiviteten.

Fordele ved Decentraliserede Intelligensnetværk

Der er mange fordele ved Cached‑DFL‑tilgangen. For det første er den langt mere effektiv med hensyn til datapropagation. Forskerne kan sikre, at flertallet af køretøjerne i deres simulationer havde rettidige modeller sammenlignet med forgængersystemer, som kunne have køretøjer kørende med forældede modeller i uger.

Dette system giver en pålidelig vej for selvkørende biler til kollektivt at lære og undervise hinanden i at blive bedre chauffører. Da metoden tager højde for, at dit køretøj ikke vil have 100 % oppetid, er den ideelt egnet til brug i den virkelige verden og kan blive et værdifuldt værktøj, som producenter bruger til hurtigere at programmere flåder.

Datadeling

Kombinationen af fordelene ved decentraliserede netværk med evnen til at dele og lagre op til 10 AI‑modeller er en game‑changer. Det gør det muligt for modeller at rejse indirekte gennem netværket for at sikre, at alle køretøjer har adgang til de mest vitale data. Derudover prioriterer systemet automatisk den mest relevante information fra forskellige modeller, der er afledt fra forskellige områder, hvilket øger relevansen.

Åbne Data

En anden stor fordel ved denne forskning er beslutningen om at gøre dataene åbne for alle via Github‑filer. Denne beslutning vil fremme innovation og give andre forskere mulighed for at udbygge deres fund. Ingeniører kan finde eksempler, tests, cache‑filer, tekniske rapporter og mere.

Anvendelser af Decentraliserede Intelligensnetværk

Der er vidtrækkende anvendelser for denne teknologi, som strækker sig ud over EV‑sektoren. Hvor end du har flåder af autonome køretøjer, vil denne teknologi helt sikkert gøre en forskel. Nogle nøgleområder, som forskerne har undersøgt, inkluderer droner, robotter og satellitter.

Forskere inden for Decentraliserede Intelligensnetværk

Cached‑DFL‑studiet blev fremsat af et hold af ingeniører fra NYU ledet af Yong Liu, Xiaoyu Wang, Guojun Xiong, Jian Li og Houwei Cao. Bemærkelsesværdigt modtog gruppen økonomisk støtte i form af flere National Science Foundation‑bevillinger og Resilient & Intelligent NextG Systems (RINGS)‑programmet.

Virksomheder der Leder den Autonome Køretøjsteknologikonkurrence

Løbet om at få autonome køretøjer på vejene er i fuld gang. Producenter kommer hvert år tættere på fuldt autonome køretøjer. Denne monumentale opgave kræver dog mange ressourcer, teknologi og et enormt netværk af leverandører. Som følge heraf er der kun få nøglespillere, der dominerer markedet i øjeblikket. Her er én virksomhed, der fører den autonome køretøjsrevolution.

Uber Technologies, Inc.

Selvom Cached‑DFL stadig er i sine tidlige faser, kan virksomheder, der eksperimenterer med selvkørende teknologi, såsom Uber, efterhånden integrere decentraliserede intelligensnetværk i deres flåder.

Uber (UBER ) gik ind på markedet i 2009 og har hovedkontor i San Francisco, CA. Det var den første decentraliserede ride‑sharing‑app, der opnåede berømmelse. Appens grundlæggere er Oscar Salazar Gaitan, Travis Kalanick og Garrett Camp. Dens vision om en decentraliseret ride‑sharing‑økonomi har ændret markedet for altid.

Når du tænker på Uber, er din første tanke sandsynligvis ikke en robot‑taxi. I stedet forestiller du dig nok en tilfældig person, der kører i sin private bil for at give dig et lift. Dette kan dog ændre sig i fremtiden, fordi Uber er en af de største støtter af autonom køretøjsteknologi og har etableret og støttet partnerskaber med førende innovatører som Waymo.

Virksomheden har allerede sat autonome Ubers på vejene til test i flere byer, inklusive deres seneste venture i Austin, Texas. Som en del af tilgangen har virksomheden indgået partnerskab med Alphabet ‑ejede Waymo, så Uber‑kunder i Austin‑området kan opgradere til en autonom Jaguar I‑PACE fuldt elektrisk SUV uden ekstra omkostninger.

I dag dominerer Uber ride‑sharing‑markedet og har udvidet til andre sektorer, såsom logistik, madlevering og mere. Virksomheden beskæftiger i øjeblikket over 31 100 medarbejdere. Mange ser Uber som et smart tilføjelse til enhver portefølje på grund af dets positionering, historie og innovative ånd.

Seneste om Uber Technologies, Inc.

Decentraliserede Intelligensnetværk – Driver Fremtidens Rejser

Smarte biler har brug for smarte systemer. Derfor vil efterspørgslen efter decentraliserede intelligensnetværk stige i de kommende måneder og år. Disse systemer vil gøre det muligt for køretøjer at forbedre deres autonome køreevner og give selvkørende biler mulighed for at forbedre ydeevnen, køre længere og levere nyttige data til andre.

Lær om andre Machine Learning Projects Now

Studierreferencer:

^{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}