Dezentralisierte Netzwerke bereit, um autonome Fahrzeuge voranzutreiben

Dezentralisierte Intelligenznetzwerke könnten den Schlüssel dazu liefern, selbstfahrende Autos intelligenter und sicherer zu machen. Viele sehen diese Fahrzeuge als die Zukunft der Reise an. Es gibt jedoch noch einige Probleme, die Hersteller und Regulierungsbehörden lösen müssen.

An ihrem Kern basieren selbstfahrende Fahrzeuge auf Sensoren und anderen Daten, um auf Kurs zu bleiben, Hindernisse zu vermeiden und Passagiere sicher an ihr Ziel zu bringen. Diese Sensoren können LiDAR, Radar, Wärmebildaufnahmen und andere fortschrittliche Systeme umfassen. All diese Systeme erzeugen eine Datenbilanz, die verwendet werden kann, um die Leistung des Autos in der Zukunft zu verbessern.

Föderales Lernen

Ein Weg, den Hersteller gefunden haben, um die Leistung ihrer selbstfahrenden Fahrzeuge zu verbessern, besteht darin, ihren Autos zu ermöglichen, diese Daten mithilfe eines Systems namens föderales Lernen zu teilen. Föderales Lernen (FL) ist ein verteiltes maschinelles Lernverfahren, bei dem einzelne Fahrzeuge lokale Modelle trainieren und nur Modellaktualisierungen an einen zentralen Server senden. Dieser Ansatz bewahrt die Datenprivatsphäre, indem er die rohen Sensordaten auf dem Fahrzeug selbst behält und nicht an einen zentralen Server sendet. Die Daten werden verwendet, um ein gemeinsames Modell für das Ökosystem zu trainieren.

Probleme mit föderalem Lernen

Das Hauptproblem mit föderalen Lernsystemen ist, dass eineekte Verbindung zum Server erforderlich ist. Wenn Sie viel in Ihrem Elektrofahrzeug unterwegs sind, besteht die Wahrscheinlichkeit, dass Ihre Internetverbindung je nach Standort variieren wird. Dies kann dazu führen, dass Ihr Fahrzeug Updates verpasst.

Quelle – Teslaroti

Dezentralisiertes föderales Lernen (DFL)

Dezentralisierte föderale Lernsysteme (DFL) entfernen die Abhängigkeit von einem zentralen Server, indem sie es Fahrzeugen ermöglichen, künstliche Intelligenzmodelleekt über Peer-to-Peer-Kommunikation auszutauschen. Diese Systeme können ihre gesammelten Datenekt zwischen Fahrzeugen austauschen. Dieser Aufbau ermöglicht mehr Austausch, hat jedoch einige Probleme, die ein Fahrzeug aus der Schleife lassen können.

Einerseits muss Ihr Fahrzeug andere Fahrzeuge des föderalen Lernnetzwerks treffen, damit das System ordnungsgemäß funktioniert. Wenn Sie mit großen Gebieten oder überfüllten Städten zu tun haben, verringert sich die Wahrscheinlichkeit, dass Sie aufeinandertreffen, was dazu führt, dass die 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 mit dezentralisierten föderalen Lernsystemen sind Datenschutzbedenken. Wenn Sie einen zentralen Server haben, ist es einfach, den Hauptverantwortlichen für personenbezogene oder sensible Daten zu bestimmen. Wenn Sie jedoch mit einem dezentralen Netzwerk zu tun haben, fällt die Verantwortung den Einzelpersonen zu. Diese Struktur hat viele dazu veranlasst, sich über Datenschutzverletzungen oder Missbrauch Sorgen zu machen.

Studie zu dezentralisierten Intelligenznetzwerken

Ein Team von Ingenieuren stellt eine neue Lösung für die Probleme vor, die diese Netzwerke haben, und nennt sie Cached Decentralized Federated Learning (Cached-DFL). Das verbesserte Fahrzeugdatenteilungssystem wurde auf dieser Jahreskonferenz der Association for the Advancement of Artificial Intelligence vorgestellt.

Die Ingenieure stellten eine Methode vor, um Fahrzeugdaten auszutauschen, die so funktioniert wie soziale Medien, bei der jedes Fahrzeug Daten frei zwischen ihnen austauschen kann. Der Cached-DFL-Ansatz nutzt die Hochgeschwindigkeitsgeräte-zu-Geräte-Kommunikation mit einer Reichweite von bis zu 100 Metern unter optimalen Bedingungen. Die tatsächliche Wirksamkeit hängt jedoch von Faktoren wie Fahrzeuggeschwindigkeit, Umweltstörungen und Konnektivitätsstabilität ab. Fahrzeuge, die in entgegengesetzte Richtungen mit hoher Geschwindigkeit fahren, haben möglicherweise nur ein kurzes Zeitfenster für den Datenaustausch. Dieser Ansatz wird die Fähigkeit des Fahrzeugs verbessern, sich auf veränderte Straßenbedingungen, Gefahren und andere Einschränkungen vorzubereiten.

Cached Decentralized Federated Learning (Cached-DFL)

Das Konzept des Cached Decentralized Federated Learning (Cached-DFL) konzentriert sich auf den Aufbau eines Netzwerks, in dem eine intermittierende Konnektivität erwartet wird, anstatt sie zu vermeiden. Im Rahmen dieses Ansatzes stellten die Ingenieure sicher, dass jedes Fahrzeug Daten unabhängig speichern und weiterleiten kann, wenn es verfügbar ist.

Jedes Fahrzeug trainiert in diesem Setup 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 übertragen, wenn sie den Übertragungsbereich betreten.

Mehrschritt-Übertragungsmechanismus

Jedes Fahrzeug fungiert in diesem Setup als Relais. Es speichert seine Daten zusammen mit 10 externen Modellen, die zwischen Fahrzeugen ausgetauscht werden. Es ist wichtig zu erwähnen, dass das System trainierte KI-Modelle anstelle der ursprünglichen Daten überträgt, wie es bei seinen Vorgängern der Fall war. Diese Strategie verbessert die Leistung.

Bemerkenswerterweise teilen die Fahrzeuge die aktuellsten KI-Modelle, wenn sie interagieren. Im Rahmen dieses Ansatzes werden alle veralteten Informationen eliminiert, bevor sie die Leistung beeinträchtigen können. Insbesondere priorisiert das System neuere KI-Modelle gegenüber veralteten, wobei Aktualisierungen aufgrund von Fahrzeugbegegnungen und nicht auf einem festen 20-Sekunden-Intervall erfolgen. Cached-DFL verwendet eine Veraltensschwelle (τmax), die normalerweise auf 10 oder 20 Epochen festgelegt ist, um veraltete Modelle zu verwerfen und die Relevanz im dezentralen Lernen zu gewährleisten.

Von anderen lernen

Der Hauptvorteil dieses Systems besteht darin, dass es Ihrem Fahrzeug ermöglicht, von den Begegnungen anderer Fahrzeuge zu lernen. Darüber hinaus verbessert diese Strategie die Geschwindigkeit, mit der relevante Daten im gesamten Netzwerk geteilt werden können. Sie berücksichtigt den intermittierenden Zustand des Netzwerks zu diesem Zeitpunkt und ermöglicht es Fahrern, auf Daten zuzugreifen, die über ihre unmittelbaren Interaktionen hinausgehen.

Test von dezentralisierten Intelligenznetzwerken

Das Forschungsteam testete seine Theorie mithilfe von Computersimulationen. Die Ingenieure richteten eine virtuelle Manhattan ein und ließen ihre digitalen Elektrofahrzeuge die vielen Wege befahren. Die Fahrzeuge hatten eine Geschwindigkeit von 14 Metern pro Sekunde. Interessanterweise wurde die Simulation so konzipiert, dass jedes Fahrzeug an jeder Kreuzung eine zufällige 50/50-Entscheidung treffen würde. Dieser Ansatz ermöglichte es jedem Fahrzeug, ein einzigartiges Modell zu erstellen und es zu teilen.

Ergebnisse des Tests von dezentralisierten Intelligenznetzwerken

Die Testergebnisse werfen ein Licht darauf, wie dieses System die Elektrofahrzeuge in der Zukunft verbessern kann. Es zeigte, dass es viele Faktoren gibt, die eine Rolle bei der Genauigkeit und Aktualität der Daten spielen, die zur Erstellung von Elektrofahrzeugmodellen verwendet werden, und wie sie erstellt und geteilt werden.

Der Test zeigte, dass die Leistung umso besser ist, je öfter diese Fahrzeuge aufeinandertreffen. Darüber hinaus zeigte er, dass das System ideal für den Austausch von aktuellen Daten in großen Netzwerken privat kontrollierter Elektrofahrzeuge ist. Das Team stellte fest, dass wichtige Daten wie Geschwindigkeit, Cache-Größe und Modellablaufzeit alle eine Rolle bei der Lern-effizienz spielen.

Vorteile von dezentralisierten Intelligenznetzwerken

Es gibt viele Vorteile des Cached-DFL-Ansatzes. Einerseits ist es in Bezug auf die Datenausbreitung viel effizienter. Die Forscher können sicherstellen, dass die meisten Fahrzeuge in ihren Simulationen aktuelle Modelle haben, im Gegensatz zu Vorgängersystemen, bei denen Fahrzeuge möglicherweise veraltete Modelle für Wochen verwenden.

Dieses System bietet einen zuverlässigen Weg für selbstfahrende Autos, um kollektiv zu lernen und sich gegenseitig zu verbessern. Da die Methode die Tatsache berücksichtigt, dass Ihr Fahrzeug nicht 100 % der Zeit online ist, eignet es sich ideal für den Einsatz in der realen Welt und könnte ein wertvolles Werkzeug sein, das Hersteller verwenden, um Flotten schneller zu programmieren.

Datenteilung

Die Kombination der Vorteile dezentraler Netzwerke mit der Fähigkeit, bis zu 10 KI-Modelle zu teilen und zu speichern, ist ein Game-Changer. Sie ermöglicht es Modellen, indirekt durch das Netzwerk zu reisen, um sicherzustellen, dass alle Fahrzeuge Zugang zu den wichtigsten Daten haben. Darüber hinaus priorisiert das System automatisch die relevantesten Informationen aus verschiedenen Modellen, die aus unterschiedlichen Bereichen stammen, und erhöht so seine Relevanz.

Offene Daten

Ein weiterer wichtiger Vorteil dieser Forschung ist die Entscheidung, die Daten für jeden zugänglich zu machen, indem sie auf Github-Dateien veröffentlicht werden. Diese Entscheidung wird die Innovation verbessern und es anderen Forschern ermöglichen, ihre Erkenntnisse zu verbessern. Ingenieure können Beispiele, Tests, Cache-Dateien, technische Berichte und mehr finden.

Anwendungen von dezentralisierten Intelligenznetzwerken

Es gibt weitreichende Anwendungen für diese Technologie, die über den Elektrofahrzeugsektor hinausgehen. Überall, wo es Flotten autonomer Fahrzeuge gibt, wird diese Technologie einen Unterschied machen. Einige der wichtigsten Bereiche, die die Forscher untersucht haben, sind Drohnen, Roboter und Satelliten.

Forscher von dezentralisierten Intelligenznetzwerken

Die Cached-DFL-Studie wurde von einem Team von Ingenieuren der NYU unter der Leitung von Yong Liu, Xiaoyu Wang, Guojun Xiong, Jian Li und Houwei Cao durchgeführt. Bemerkenswerterweise erhielt die Gruppe finanzielle Unterstützung in Form mehrerer National Science Foundation-Zuschüsse und des Resilient & Intelligent NextG Systems (RINGS)-Programms.

Unternehmen, die die autonome Fahrzeugtechnologie anführen

Der Wettbewerb, um autonome Fahrzeuge auf die Straßen zu bringen, ist in vollem Gange. Hersteller kommen jedes Jahr der vollautonomen Fahrzeuge näher. Dieses monumentale Vorhaben erfordert jedoch viele Ressourcen, Technologie und ein großes Netzwerk von Zulieferern. Folglich gibt es derzeit nur wenige Schlüsselspieler, 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 der Selbstfahrentechnologie experimentieren, wie Uber, möglicherweise dezentralisierte Intelligenznetzwerke in ihre Flotten integrieren.

Uber (UBER ) ist 2009 in den Markt eingetreten und hat seinen Sitz in San Francisco, CA. Es war die erste dezentralisierte Fahrtvermittlungs-App, die Bekanntheit erlangte. Die Gründer der App sind Oscar Salazar Gaitan, Travis Kalanick und Garrett Camp. Ihre Vision einer dezentralen Fahrtvermittlungswirtschaft hat den Markt für immer verändert.

Wenn Sie an Uber denken, denken Sie wahrscheinlich nicht an ein Robottaxi. Stattdessen stellen Sie sich wahrscheinlich eine zufällige Person vor, die in ihrem persönlichen Fahrzeug vorbeikommt, um Sie mitzunehmen. Allerdings könnte sich all dies 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 auf die Straße gebracht, um in mehreren Städten zu testen, darunter auch in seinem neuesten Abenteuer in Austin, Texas. Im Rahmen dieses Ansatzes hat das Unternehmen mit der von Alphabet gehaltenen Waymo zusammengearbeitet, um es Kunden in der Gegend von Austin zu ermöglichen, zu einem autonomen Jaguar I-PACE-Elektro-SUV aufzurüsten, ohne dass dafür zusätzliche Kosten anfallen.

Heute dominiert Uber den Fahrtvermittlungsmarkt und hat sich in andere Bereiche wie Logistik, Essenlieferung und mehr ausgedehnt. Das Unternehmen beschäftigt derzeit über 31.100 Menschen. Viele sehen Uber als eine clevere Ergänzung für jedes Portfolio an, dank seiner Positionierung, Geschichte und innovativen Geist.

Neuestes von Uber Technologies, Inc.

Dezentralisierte Intelligenznetzwerke – Antrieb für die zukünftige Mobilität

Intelligente Autos benötigen intelligente Systeme. Folglich wird es in den kommenden Monaten und Jahren eine zunehmende Nachfrage nach dezentralisierten Intelligenznetzwerken geben. Diese Systeme ermöglichen es Fahrzeugen, ihre autonomen Fahrkapazitäten zu verbessern und selbstfahrenden Autos, ihre Leistung zu steigern, weiter zu fahren und anderen nützliche Daten bereitzustellen.

Erfahren Sie mehr über andere Maschinelles-Lernen-Projekte jetzt.

Studienreferenz:

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