Dezentralisierte Netzwerke bereit, autonome Fahrzeuge voranzubringen

Dezentralisierte Intelligenznetzwerke könnten der Schlüssel dafür sein, selbstfahrende Autos intelligenter und sicherer zu machen. Viele sehen diese Fahrzeuge als die Zukunft des Reisens. Dennoch gibt es noch mehrere Probleme, die Hersteller und Regulierungsbehörden lösen müssen.

Im Kern verlassen sich selbstfahrende Fahrzeuge auf Sensoren und andere Daten, um auf Kurs zu bleiben, Hindernisse zu vermeiden und Passagiere sicher zu ihren Zielen zu bringen. Zu diesen Sensoren können LiDAR, Radar, Wärmebildgebung und andere fortschrittliche Systeme gehören. All diese Systeme erzeugen einen Daten‑Fußabdruck, der genutzt werden kann, um die Leistung des Autos in Zukunft zu verbessern.

Föderiertes Lernen

Eine Möglichkeit, die Hersteller gefunden haben, um die selbstfahrende Leistung ihrer Fahrzeuge zu verbessern, besteht darin, ihre Autos mithilfe eines Systems namens föderiertes Lernen Daten teilen zu lassen. Föderiertes Lernen (FL) ist ein verteilter Ansatz des maschinellen Lernens, bei dem einzelne Fahrzeuge Modelle lokal trainieren und nur Modell‑Updates an einen zentralen Server senden. Dieser Ansatz bewahrt die Datensicherheit, indem rohe Sensordaten im Fahrzeug selbst verbleiben und nicht an einen zentralen Server gesendet werden. Die Daten werden verwendet, um ein gemeinsames Modell für das Ökosystem zu trainieren.

Probleme beim föderierten Lernen

Das Hauptproblem bei föderierten Lernsystemen besteht darin, dass eine direkte Verbindung zum Server erforderlich ist. Wenn Sie viel mit Ihrem Elektrofahrzeug unterwegs sind, variiert Ihre Internetverbindung je nach Standort. Dieses Szenario kann dazu führen, dass Ihr Fahrzeug Updates verpasst.

Quelle – Teslaroti

Dezentralisiertes föderiertes Lernen (DFL)

Dezentralisierte föderierte Lernsysteme (DFL) beseitigen die Abhängigkeit von einem zentralen Server, indem sie Fahrzeugen ermöglichen, KI‑Modelle direkt über Peer‑to‑Peer‑Kommunikation auszutauschen. Diese Systeme können gesammelte Daten direkt zwischen Fahrzeugen weitergeben. Dieses Setup ermöglicht mehr Austausch, weist jedoch weiterhin einige Probleme auf, die ein Fahrzeug aus dem Netzwerk ausschließen könnten.

Zum einen muss Ihr Fahrzeug anderen Fahrzeugen des föderierten Lernnetzwerks begegnen, damit das System ordnungsgemäß funktioniert. In großen Gebieten oder dicht besiedelten Städten sinkt die Wahrscheinlichkeit, aufeinander zu treffen, erheblich, sodass Fahrzeugdaten veralten und veraltet sind, bevor sie an andere gesendet werden. Darüber hinaus übertragen diese Systeme nur persönlich gesammelte Daten über begrenzte Interaktionen.

Datenschutzbedenken

Ein weiteres großes Problem bei dezentralen föderierten Lernsystemen sind Datenschutzbedenken. Bei einem zentralen Server lässt sich leicht feststellen, wer die Hauptverantwortung für persönliche oder sensible Daten trägt. In einem dezentralen Netzwerk liegt die Verantwortung jedoch bei den einzelnen Personen. Diese Struktur hat bei vielen Bedenken hinsichtlich Datenschutzverletzungen oder Missbrauch ausgelöst.

Studie zu dezentralen Intelligenznetzwerken

Ein Ingenieurteam stellt eine neuartige Lösung für die Probleme dieser Netzwerke vor, genannt Cached Decentralized Federated Learning (Cached-DFL). Das verbesserte Fahrzeug‑Daten‑Sharing‑System wurde auf der diesjährigen Association for the Advancement of Artificial Intelligence Conference vorgestellt.

Die Ingenieure stellten eine Methode des EV‑Daten‑Sharings vor, die sozialen Medien ähnelt, da jedes Fahrzeug Daten frei an andere weitergeben kann. Der Cached-DFL‑Ansatz nutzt Hochgeschwindigkeits‑Device‑to‑Device‑Kommunikation mit einer Reichweite von bis zu 100 Meter unter optimalen Bedingungen. Die Wirksamkeit in der Praxis hängt jedoch von Faktoren wie Fahrzeuggeschwindigkeit, Umgebungsinterferenzen und Stabilität der Konnektivität ab. Fahrzeuge, die sich mit hoher Geschwindigkeit in entgegengesetzte Richtungen bewegen, haben möglicherweise nur ein kurzes Zeitfenster für den Datenaustausch. Dieser Ansatz wird die Fähigkeit des Fahrzeugs verbessern, sich auf wechselnde Straßenbedingungen, Gefahren und andere Einschränkungen vorzubereiten.

Cached Decentralized Federated Learning (Cached-DFL)

Das Konzept des Cached Decentralized Federated Learning (Cached-DFL) konzentriert sich darauf, ein Netzwerk aufzubauen, in dem intermittierende Konnektivität erwartet wird, anstatt sie zu vermeiden. Im Rahmen dieses Ansatzes stellten die Ingenieure sicher, dass jedes Fahrzeug Daten eigenständig speichern und weiterleiten kann, wenn sie verfügbar sind.

In diesem Setup trainiert jedes Fahrzeug sein eigenes KI‑Modell. Die Daten des KI‑Modells enthalten wichtige Details wie Straßenbedingungen, Signale und Hindernisse. Diese Daten werden dann automatisch an andere Fahrzeuge weitergegeben, sobald sie in den Übertragungsbereich kommen.

Mehrfach‑Hop‑Übertragungsmechanismus

Jedes Fahrzeug fungiert in diesem Setup als Relais. Es speichert seine Daten zusammen mit 10 anderen externen Modellen, die zwischen Fahrzeugen weitergegeben werden. Wichtig zu erwähnen ist, dass das System trainierte KI‑Modelle statt der Originaldaten überträgt, wie es seine Vorgänger taten. Diese Strategie verbessert die Leistung.

Bemerkenswerterweise teilen die Fahrzeuge die aktuellsten KI‑Modelle, wenn sie interagieren. Im Rahmen dieses Ansatzes wird alle veraltete Information eliminiert, bevor sie die Leistung beeinträchtigen kann. Konkret priorisiert das System neuere KI‑Modelle gegenüber veralteten, wobei Aktualisierungen basierend auf Fahrzeugbegegnungen und nicht in einem festen 20‑Sekunden‑Intervall erfolgen. Cached-DFL verwendet einen Veralterungs‑Schwellenwert (τmax), der typischerweise auf 10 oder 20 Epochen eingestellt ist, um veraltete Modelle zu verwerfen und die Relevanz im dezentralen Lernen sicherzustellen.

Von anderen lernen

Der Hauptvorteil dieses Systems besteht darin, dass es Ihrem Fahrzeug ermöglicht, aus den Begegnungen anderer Fahrzeuge zu lernen. Außerdem erhöht diese Strategie die Geschwindigkeit, mit der relevante Daten im gesamten Netzwerk geteilt werden können. Sie berücksichtigt den intermittierenden Zustand des Netzwerks und ermöglicht es Fahrern, Daten über ihre unmittelbaren Interaktionen hinaus abzurufen.

Test der dezentralen Intelligenznetzwerke

Das Forschungsteam prüfte ihre Theorie mithilfe von Computersimulationen. Die Ingenieure richteten ein virtuelles Manhattan ein und stellten ihre digitalen EVs auf, dessen zahlreiche Wege zu befahren. Die Fahrzeuge hatten eine Geschwindigkeit von 14 Meter pro Sekunde. Interessanterweise wurde die Simulation so gestaltet, dass jedes Fahrzeug an jeder Kreuzung eine zufällige 50/50‑Entscheidung traf. Dieser Ansatz ermöglichte es jedem Fahrzeug, ein einzigartiges Modell zu erstellen und zu teilen.

Ergebnisse des Tests der dezentralen Intelligenznetzwerke

Die Testergebnisse geben Aufschluss darüber, wie dieses System EVs in Zukunft verbessern kann. Sie zeigten, dass zahlreiche Faktoren eine Rolle dabei spielen, wie genau und zeitnah die Daten sind, die zur Erstellung von EV‑Modellen verwendet werden, und wie diese erzeugt und geteilt werden.

Der Test zeigte, dass je häufiger diese Fahrzeuge aufeinander treffen, desto besser die Leistung. Außerdem zeigte er, dass das System ideal für den Austausch zeitnaher Daten über große Netzwerke privat betriebener EVs ist. Das Team stellte fest, dass Schlüsselparameter wie Geschwindigkeit, Cache‑Größe und Modellablauf eine Rolle für die Lerneffizienz spielen.

Vorteile der dezentralen Intelligenznetzwerke

Der Cached-DFL‑Ansatz bietet zahlreiche Vorteile. Erstens ist er in Bezug auf die Datenverbreitung deutlich effizienter. Die Forscher konnten sicherstellen, dass die Mehrheit der Fahrzeuge in ihren Simulationen aktuelle Modelle hatte, im Gegensatz zu Vorgängersystemen, bei denen Fahrzeuge wochenlang veraltete Modelle nutzten.

Dieses System bietet einen zuverlässigen Weg für selbstfahrende Autos, gemeinsam zu lernen und einander zu besseren Fahrern zu machen. Da die Methode berücksichtigt, dass Ihr Fahrzeug nicht zu 100 % verfügbar ist, ist sie ideal für den realen Einsatz geeignet und könnte ein wertvolles Werkzeug sein, das Hersteller nutzen, um Flotten schneller zu programmieren.

Datenfreigabe

Die Kombination der Vorteile dezentraler Netzwerke mit der Möglichkeit, bis zu 10 KI‑Modelle zu teilen und zu speichern, ist ein Wendepunkt. Sie ermöglicht es Modellen, indirekt durch das Netzwerk zu reisen, um sicherzustellen, dass alle Fahrzeuge Zugriff auf die wichtigsten Daten haben. Darüber hinaus priorisiert das System automatisch die relevantesten Informationen aus verschiedenen Modellen, die aus unterschiedlichen Regionen stammen, und erhöht so deren Relevanz.

Offene Daten

Ein weiterer großer Vorteil dieser Forschung ist die Entscheidung, die Daten über Github‑Dateien offen für alle zu machen. Diese Entscheidung wird die Innovation fördern und anderen Forschern ermöglichen, ihre Ergebnisse zu erweitern. Ingenieure können Beispiele, Tests, zwischengespeicherte Dateien, technische Berichte und mehr finden.

Anwendungen dezentraler Intelligenznetzwerke

Es gibt weitreichende Anwendungen für diese Technologie, die über den EV‑Sektor hinausgehen. Überall dort, wo Flotten autonomer Fahrzeuge existieren, wird diese Technologie einen Unterschied machen. Einige Schlüsselbereiche, die die Forscher untersucht haben, umfassen Drohnen, Roboter und Satelliten.

Forscher zu dezentralen Intelligenznetzwerken

Die Cached-DFL‑Studie wurde von einem Ingenieurteam der NYU unter der Leitung von Yong Liu, Xiaoyu Wang, Guojun Xiong, Jian Li und Houwei Cao vorgestellt. Bemerkenswert ist, dass die Gruppe finanzielle Unterstützung in Form mehrerer National Science Foundation‑Stipendien und des Resilient & Intelligent NextG Systems (RINGS)-Programms erhielt.

Unternehmen, die das Rennen um autonome Fahrzeugtechnologie anführen

Das Rennen, autonome Fahrzeuge auf die Straßen zu bringen, ist in vollem Gange. Hersteller kommen jedes Jahr den vollständig autonomen Fahrzeugen näher. Diese monumentale Aufgabe erfordert jedoch zahlreiche Ressourcen, Technologie und ein riesiges Netzwerk von Lieferanten. Folglich gibt es derzeit nur wenige Schlüsselakteure, die den Markt dominieren. Hier ist ein Unternehmen, das die autonome Fahrzeugrevolution anführt.

Uber Technologies, Inc.

Obwohl Cached-DFL noch in den Anfängen steckt, könnten Unternehmen, die mit selbstfahrender Technologie experimentieren, wie Uber, schließlich dezentrale Intelligenznetzwerke in ihre Flotten integrieren.

Uber (UBER ) trat 2009 in den Markt ein und hat seinen Sitz in San Francisco, CA. Es war die erste dezentrale Mitfahr‑App, die Bekanntheit erlangte. Die Gründer der App sind Oscar Salazar Gaitan, Travis Kalanick und Garrett Camp. Ihre Vision einer dezentralen Mitfahrwirtschaft hat den Markt für immer verändert.

Wenn Sie an Uber denken, ist Ihr erster Gedanke nicht ein Roboter‑Taxi. Stattdessen stellen Sie sich wahrscheinlich eine zufällige Person vor, die mit ihrem privaten Fahrzeug vorbeikommt, um Sie mitzunehmen. Das könnte sich jedoch in Zukunft ändern, da Uber einer der größten Unterstützer der autonomen Fahrzeugtechnologie ist und Partnerschaften mit führenden Innovatoren wie Waymo aufgebaut und unterstützt hat.

Das Unternehmen hat bereits autonome Ubers in mehreren Städten zum Testen auf die Straße gebracht, einschließlich ihres neuesten Projekt in Austin, Texas. Im Rahmen des Ansatzes ging das Unternehmen eine Partnerschaft mit dem zu Alphabet gehörenden Waymo ein, wodurch Uber‑Kunden im Raum Austin ein Upgrade auf einen autonomen Jaguar I‑PACE, ein vollelektrisches SUV, ohne zusätzliche Kosten erhalten konnten.

Heute dominiert Uber den Mitfahrmarkt und hat sich in andere Sektoren wie Logistik, Essenslieferungen und mehr ausgebreitet. Das Unternehmen beschäftigt derzeit über 31.100 Mitarbeitende. Viele sehen Uber als kluge Ergänzung für jedes Portfolio aufgrund seiner Positionierung, Geschichte und Innovationsgeist.

Neueste Informationen zu Uber Technologies, Inc.

Dezentrale Intelligenznetzwerke – Antrieb für die zukünftige Mobilität

Intelligente Autos benötigen intelligente Systeme. Folglich wird die Nachfrage nach dezentralen Intelligenznetzwerken in den kommenden Monaten und Jahren steigen. Diese Systeme ermöglichen es Fahrzeugen, ihre autonomen Fahrfähigkeiten zu verbessern und selbstfahrenden Autos, die Leistung zu steigern, weiter zu fahren und anderen nützliche Daten bereitzustellen.

Erfahren Sie mehr über andere Machine-Learning-Projekte Jetzt

Studienreferenz:

^{1. Wang, X., Xiong, G., Cao, H., Li, J., & Liu, Y. (2025). Dezentralisiertes föderiertes Lernen mit Modell‑Caching auf mobilen Agenten [Konferenzpapier]. Association for the Advancement of Artificial Intelligence Conference. Retrieved from https://arxiv.org/abs/2408.14001v2}