Αποκεντρωμένα Δίκτυα Έτοιμα να Προωθήσουν τα Αυτόνομα Οχήματα

Τα αποκεντρωμένα δίκτυα νοημοσύνης θα μπορούσαν να είναι το κλειδί για να κάνουν τα αυτόνομα οχήματα πιο έξυπνα και ασφαλή. Πολλοί θεωρούν αυτά τα οχήματα ως το μέλλον των μεταφορών. Ωστόσο, υπάρχουν ακόμη αρκετά προβλήματα που πρέπει να επιλύσουν οι κατασκευαστές και οι ρυθμιστές.

Συνεταιριστική Μάθηση

Ένας τρόπος που έχουν βρει οι κατασκευαστές για να βελτιώσουν την απόδοση των αυτόνομων οχημάτων τους είναι να επιτρέπουν στα αυτοκίνητά τους να μοιράζονται αυτά τα δεδομένα χρησιμοποιώντας ένα σύστημα που ονομάζεται συνεταιριστική μάθηση. Η Συνεταιριστική Μάθηση (FL) είναι μια κατανεμημένη προσέγγιση μηχανικής μάθησης όπου τα μεμονωμένα οχήματα εκπαιδεύουν μοντέλα τοπικά και μοιράζονται μόνο τις ενημερώσεις του μοντέλου με έναν κεντρικό διακομιστή. Αυτή η προσέγγιση διατηρεί το απόρρητο των δεδομένων διατηρώντας τα ακατέργαστα δεδομένα αισθητήρων στο ίδιο το όχημα αντί να τα στέλνει σε κεντρικό διακομιστή. Τα δεδομένα χρησιμοποιούνται για την εκπαίδευση ενός κοινόχρηστου μοντέλου για το οικοσύστημα.

Προβλήματα με τη Συνεταιριστική Μάθηση

Το κύριο πρόβλημα των συστημάτων Συνεταιριστικής Μάθησης είναι ότι απαιτείται άμεση σύνδεση με τον διακομιστή. Εάν ταξιδεύετε πολύ με το ηλεκτρικό σας όχημα, είναι πιθανό η σύνδεση στο διαδίκτυο να διαφέρει ανάλογα με την τοποθεσία σας. Αυτό το σενάριο μπορεί να οδηγήσει το όχημά σας να χάσει ενημερώσεις.

Πηγή – Teslaroti

Αποκεντρωμένη Συνεταιριστική Μάθηση (DFL)

Τα συστήματα Αποκεντρωμένης Συνεταιριστικής Μάθησης (DFL) αφαιρούν την εξάρτηση από έναν κεντρικό διακομιστή επιτρέποντας στα οχήματα να ανταλλάσσουν μοντέλα AI απευθείας μέσω επικοινωνίας peer-to-peer. Αυτά τα συστήματα μπορούν να μεταβιβάζουν τα συλλεγμένα δεδομένα απευθείας μεταξύ οχημάτων. Αυτή η ρύθμιση επιτρέπει μεγαλύτερη ανταλλαγή, αλλά εξακολουθεί να έχει κάποια προβλήματα που θα μπορούσαν να αφήσουν ένα όχημα εκτός του δικτύου.

Για παράδειγμα, το όχημά σας πρέπει να συναντήσει άλλα οχήματα του δικτύου συνεταιριστικής μάθησης για να λειτουργήσει σωστά το σύστημα. Σε μεγάλες περιοχές ή σε πυκνοκατοικημένες πόλεις, οι πιθανότητες να συναντηθούν μειώνονται σημαντικά, με αποτέλεσμα τα δεδομένα του οχήματος να γίνονται παλιά και ξεπερασμένα πριν σταλούν σε άλλα. Επιπλέον, αυτά τα συστήματα μεταφέρουν μόνο προσωπικά συλλεγμένα δεδομένα μέσω περιορισμένων αλληλεπιδράσεων.

Ανησυχίες για το Απόρρητο

Ένα άλλο σημαντικό ζήτημα των συστημάτων αποκεντρωμένης συνεταιριστικής μάθησης είναι οι ανησυχίες για το απόρρητο. Όταν υπάρχει κεντρικός διακομιστής, είναι εύκολο να προσδιοριστεί ποιος είναι ο κύριος υπεύθυνος για τα προσωπικά ή ευαίσθητα δεδομένα. Ωστόσο, σε ένα αποκεντρωμένο δίκτυο, η ευθύνη πέφτει στα άτομα. Αυτή η δομή έχει προκαλέσει ανησυχίες για παραβιάσεις ή καταχρήσεις του απορρήτου.

Μελέτη Αποκεντρωμένων Δικτύων Νοημοσύνης

Μια ομάδα μηχανικών παρουσιάζει μια καινοτόμο λύση στα προβλήματα που αντιμετωπίζουν αυτά τα δίκτυα, ονομάζοντάς την Αποθηκευμένη Αποκεντρωμένη Συνεταιριστική Μάθηση (Cached-DFL). Το ενισχυμένο σύστημα ανταλλαγής δεδομένων οχημάτων παρουσιάστηκε στο Συνέδριο της Ετήσιας Ένωσης για την Προώθηση της Τεχνητής Νοημοσύνης.

Οι μηχανικοί εισήγαγαν μια μέθοδο ανταλλαγής δεδομένων EV που μοιάζει με τα κοινωνικά δίκτυα, όπου κάθε όχημα μπορεί να μεταβιβάζει δεδομένα ελεύθερα μεταξύ τους. Η προσέγγιση Cached-DFL αξιοποιεί την υψηλής ταχύτητας επικοινωνία συσκευή-συσκευή, με εμβέλεια έως 100 μέτρα σε βέλτιστες συνθήκες. Ωστόσο, η αποτελεσματικότητα στην πραγματική ζωή εξαρτάται από παράγοντες όπως η ταχύτητα του οχήματος, η περιβαλλοντική παρεμβολή και η σταθερότητα της συνδεσιμότητας. Τα οχήματα που κινούνται αντίθετα με υψηλές ταχύτητες μπορεί να έχουν μόνο ένα σύντομο παράθυρο για ανταλλαγή δεδομένων. Αυτή η προσέγγιση θα ενισχύσει την ικανότητα του οχήματος να προετοιμαστεί για μεταβαλλόμενες συνθήκες δρόμου, κινδύνους και άλλους περιορισμούς.

Αποθηκευμένη Αποκεντρωμένη Συνεταιριστική Μάθηση (Cached-DFL)

Η έννοια της Αποθηκευμένης Αποκεντρωμένης Συνεταιριστικής Μάθησης (Cached-DFL) εστιάζει στην κατασκευή ενός δικτύου όπου η διαλείπουσα συνδεσιμότητα αναμένεται αντί να αποφεύγεται. Στο πλαίσιο αυτής της προσέγγισης, οι μηχανικοί διασφάλισαν ότι κάθε όχημα μπορεί να αποθηκεύει και να προωθεί δεδομένα ανεξάρτητα όταν είναι διαθέσιμα.

Κάθε όχημα εκπαιδεύει το δικό του μοντέλο AI σε αυτή τη ρύθμιση. Τα δεδομένα από το μοντέλο AI περιλαμβάνουν κρίσιμες λεπτομέρειες όπως οι συνθήκες του δρόμου, τα σήματα και τα εμπόδια. Αυτά τα δεδομένα μεταβιβάζονται αυτόματα σε άλλα οχήματα όταν εισέρχονται στην εμβέλεια μετάδοσης.

Μηχανισμός Μεταφοράς Πολλαπλών Άλσεων

Κάθε όχημα λειτουργεί ως ρελέ σε αυτή τη ρύθμιση. Αποθηκεύει τα δεδομένα του μαζί με 10 άλλα εξωτερικά μοντέλα που μεταβιβάζονται μεταξύ οχημάτων. Είναι σημαντικό να σημειωθεί ότι το σύστημα μεταφέρει εκπαιδευμένα μοντέλα AI αντί για τα αρχικά δεδομένα, όπως οι προκάτοχοί του. Αυτή η στρατηγική βελτιώνει την απόδοση.

Σημαντικό είναι ότι τα οχήματα μοιράζονται τα πιο ενημερωμένα μοντέλα AI όταν αλληλεπιδρούν. Στο πλαίσιο αυτής της προσέγγισης, όλες οι παρωχημένες πληροφορίες εξαλείφονται πριν μπορέσουν να μειώσουν την απόδοση. Συγκεκριμένα, το σύστημα δίνει προτεραιότητα στα νεότερα μοντέλα AI έναντι των παλαιών, με τις ενημερώσεις να πραγματοποιούνται βάσει των συναντήσεων οχημάτων αντί για ένα σταθερό διάστημα 20 δευτερολέπτων. Το Cached-DFL χρησιμοποιεί ένα όριο λήξης (τmax), συνήθως ορισμένο στα 10 ή 20 epochs, για να απορρίψει παρωχημένα μοντέλα και να διασφαλίσει τη συνάφεια στην αποκεντρωμένη μάθηση.

Μάθετε από τους Άλλους

Το κύριο πλεονέκτημα αυτού του συστήματος είναι ότι επιτρέπει στο όχημά σας να μαθαίνει από τις συναντήσεις άλλων οχημάτων. Επίσης, αυτή η στρατηγική βελτιώνει την ταχύτητα με την οποία τα σχετικά δεδομένα μπορούν να μοιραστούν σε όλο το δίκτυο. Λαμβάνει υπόψη την διαλείπουσα κατάσταση του δικτύου αυτή τη στιγμή, επιτρέποντας στους οδηγούς να έχουν πρόσβαση σε δεδομένα πέρα από τις άμεσες αλληλεπιδράσεις τους.

Δοκιμή Αποκεντρωμένων Δικτύων Νοημοσύνης

Η ερευνητική ομάδα έδωσε δοκιμή στη θεωρία της χρησιμοποιώντας προσομοιώσεις υπολογιστή. Οι μηχανικοί δημιούργησαν ένα εικονικό Μανχάταν και ρύθμισαν τα ψηφιακά EV τους να διανύουν τις πολλές του διαδρομές. Τα οχήματα είχαν ταχύτητα 14 μέτρα ανά δευτερόλεπτο. Ενδιαφέρον είναι ότι η προσομοίωση σχεδιάστηκε έτσι ώστε κάθε όχημα να κάνει μια τυχαία επιλογή 50/50 σε κάθε διασταύρωση. Αυτή η προσέγγιση επέτρεψε σε κάθε όχημα να δημιουργήσει ένα μοναδικό μοντέλο και να το μοιραστεί.

Αποτελέσματα Δοκιμής Αποκεντρωμένων Δικτύων Νοημοσύνης

Τα αποτελέσματα της δοκιμής ρίχνουν φως στο πώς αυτό το σύστημα μπορεί να βελτιώσει τα EV στο μέλλον. Δείχνει ότι υπάρχουν πολλοί παράγοντες που μπορούν να επηρεάσουν την ακρίβεια και την έγκαιρη χρήση των δεδομένων που χρησιμοποιούνται για τη δημιουργία μοντέλων EV και πώς αυτά δημιουργούνται και μοιράζονται.

Η δοκιμή έδειξε ότι όσο περισσότερο αυτά τα οχήματα συναντώνται μεταξύ τους, τόσο καλύτερη είναι η απόδοση. Επιπλέον, αποδείχθηκε ότι το σύστημα είναι ιδανικό για την ανταλλαγή έγκαιρων δεδομένων σε μεγάλα δίκτυα ιδιωτικά ελεγχόμενων EV. Η ομάδα σημείωσε ότι βασικά δεδομένα όπως η ταχύτητα, το μέγεθος της κρυφής μνήμης και η λήξη του μοντέλου διαδραματίζουν ρόλο στην αποδοτικότητα της μάθησης.

Οφέλη των Αποκεντρωμένων Δικτύων Νοημοσύνης

Υπάρχουν πολλά οφέλη στην προσέγγιση Cached-DFL. Κατ’ αρχάς, είναι πολύ πιο αποδοτική όσον αφορά τη διάδοση των δεδομένων. Οι ερευνητές μπορούν να διασφαλίσουν ότι η πλειονότητα των οχημάτων στις προσομοιώσεις τους είχε έγκαιρα μοντέλα σε σύγκριση με τα προηγούμενα συστήματα που μπορούσαν να βλέπουν οχήματα να λειτουργούν με ξεπερασμένα μοντέλα για εβδομάδες.

Αυτό το σύστημα παρέχει έναν αξιόπιστο δρόμο για τα αυτόνομα αυτοκίνητα ώστε να μαθαίνουν συλλογικά και να διδάσκουν το ένα το άλλο πώς να γίνονται καλύτεροι οδηγοί. Δεδομένου ότι η μέθοδος λαμβάνει υπόψη το γεγονός ότι το όχημά σας δεν θα έχει 100% διαθεσιμότητα, είναι ιδανική για χρήση στην πραγματική ζωή και θα μπορούσε να αποτελέσει ένα πολύτιμο εργαλείο που οι κατασκευαστές θα χρησιμοποιούν για να προγραμματίζουν τα στόλα πιο γρήγορα.

Κοινή Χρήση Δεδομένων

Ο συνδυασμός των ωφελειών των αποκεντρωμένων δικτύων με τη δυνατότητα κοινής χρήσης και αποθήκευσης έως 10 μοντέλων AI αποτελεί αλλαγή παιχνιδιού. Επιτρέπει στα μοντέλα να ταξιδεύουν έμμεσα μέσω του δικτύου ώστε όλα τα οχήματα να έχουν πρόσβαση στα πιο κρίσιμα δεδομένα. Επιπλέον, το σύστημα προτεραιοποιεί αυτόματα τις πιο σχετικές πληροφορίες από διάφορα μοντέλα που προέρχονται από διαφορετικές περιοχές, ενισχύοντας τη συνάφειά του.

Ανοιχτά Δεδομένα

Ένα ακόμη σημαντικό όφελος αυτής της έρευνας είναι η απόφαση να γίνουν τα δεδομένα ανοιχτά για όλους μέσω αρχείων στο Github. Αυτή η απόφαση θα ενισχύσει την καινοτομία και θα επιτρέψει σε άλλους ερευνητές να βελτιώσουν τα ευρήματά τους. Οι μηχανικοί μπορούν να βρουν παραδείγματα, δοκιμές, αποθηκευμένα αρχεία, τεχνικές αναφορές και πολλά άλλα.

Εφαρμογές Αποκεντρωμένων Δικτύων Νοημοσύνης

Υπάρχουν εκτεταμένες εφαρμογές για αυτήν την τεχνολογία που υπερβαίνουν τον τομέα των EV. Οπουδήποτε υπάρχουν στόλοι αυτόνομων οχημάτων, αυτή η τεχνολογία σίγουρα θα κάνει τη διαφορά. Ορισμένοι βασικοί τομείς που οι ερευνητές έχουν εξετάσει περιλαμβάνουν τα drones, τα ρομπότ και τους δορυφόρους.

Ερευνητές Αποκεντρωμένων Δικτύων Νοημοσύνης

Η μελέτη Cached-DFL παρουσιάστηκε από μια ομάδα μηχανικών του NYU υπό την ηγεσία του Yong Liu, Xiaoyu Wang, Guojun Xiong, Jian Li και Houwei Cao. Σημαντικό είναι ότι η ομάδα έλαβε οικονομική υποστήριξη με τη μορφή πολλαπλών επιχορηγήσεων του Εθνικού Ιδρύματος Επιστημών (National Science Foundation) και του προγράμματος Resilient & Intelligent NextG Systems (RINGS).

Εταιρείες που Ηγούνται στον Αγώνα για την Τεχνολογία Αυτόνομων Οχημάτων

Ο αγώνας για την τοποθέτηση αυτόνομων οχημάτων στους δρόμους βρίσκεται σε πλήρη εξέλιξη. Οι κατασκευαστές πλησιάζουν κάθε χρόνο περισσότερο τα πλήρως αυτόνομα οχήματα. Ωστόσο, αυτή η τεράστια αποστολή απαιτεί πολλούς πόρους, τεχνολογία και ένα τεράστιο δίκτυο προμηθευτών. Συνεπώς, υπάρχουν μόνο λίγοι βασικοί παίκτες που κυριαρχούν στην αγορά αυτή τη στιγμή. Ακολουθεί μια εταιρεία που ηγείται της επανάστασης των αυτόνομων οχημάτων.

Uber Technologies, Inc.

Η Uber (UBER ) εισήλθε στην αγορά το 2009 και εδρεύει στο Σαν Φρανσίσκο, Καλιφόρνια. Ήταν η πρώτη αποκεντρωμένη εφαρμογή κοινής μεταφοράς που κέρδισε φήμη. Οι ιδρυτές της εφαρμογής είναι οι Oscar Salazar Gaitan, Travis Kalanick και Garrett Camp. Το όραμά της για μια αποκεντρωμένη οικονομία κοινής μεταφοράς έχει αλλάξει μόνιμα την αγορά.

Όταν σκέφτεστε την Uber, η πρώτη σας σκέψη δεν είναι ένα ρομποτικό ταξί. Αντίθετα, πιθανότατα φαντάζεστε ένα τυχαίο άτομο που εμφανίζεται με το προσωπικό του όχημα για να σας προσφέρει μεταφορά. Ωστόσο, όλα αυτά μπορεί να αλλάξουν στο μέλλον, επειδή η Uber είναι ένας από τους μεγαλύτερους υποστηρικτές της τεχνολογίας αυτόνομων οχημάτων, έχοντας δημιουργήσει και υποστηρίξει συνεργασίες με κορυφαίους καινοτόμους όπως η Waymo.

Η εταιρεία έχει ήδη θέσει αυτόνομα Uber στο δρόμο για δοκιμές σε αρκετές πόλεις, συμπεριλαμβανομένης της τελευταίας επιχείρησης στην Austin, Τέξας. Στο πλαίσιο της προσέγγισης, η εταιρεία συνεργάστηκε με τη Waymo, που ανήκει στην Alphabet , επιτρέποντας στους πελάτες της Uber στην περιοχή της Austin να αναβαθμίσουν σε ένα αυτόνομο Jaguar I-PACE πλήρως ηλεκτρικό SUV χωρίς επιπλέον κόστος.

Σήμερα, η Uber κυριαρχεί στην αγορά κοινής μεταφοράς και έχει επεκταθεί σε άλλους τομείς, όπως η εφοδιαστική, η παράδοση φαγητού και άλλα. Η εταιρεία απασχολεί επί του παρόντος πάνω από 31.100 άτομα. Πολλοί θεωρούν την Uber ως μια έξυπνη προσθήκη σε οποιοδήποτε χαρτοφυλάκιο λόγω της θέσης, της ιστορίας και του καινοτόμου πνεύματος της.

Τελευταία Ειδήσεις για την Uber Technologies, Inc.

Αποκεντρωμένα Δίκτυα Νοημοσύνης – Ενδυναμώνοντας το Μέλλον των Μεταφορών

Τα έξυπνα αυτοκίνητα χρειάζονται έξυπνα συστήματα. Συνεπώς, θα υπάρξει μεγαλύτερη ζήτηση για αποκεντρωμένα δίκτυα νοημοσύνης τους επόμενους μήνες και χρόνια. Αυτά τα συστήματα θα επιτρέψουν στα οχήματα να βελτιώσουν τις δυνατότητες αυτόνομης οδήγησής τους και να επιτρέψουν στα αυτόνομα αυτοκίνητα να ενισχύσουν την απόδοση, να προχωρήσουν πιο μακριά και να παρέχουν χρήσιμα δεδομένα σε άλλους.

Μάθετε για άλλα έργα μηχανικής μάθησης Τώρα

Αναφορά Μελέτης:

^{1. Wang, X., Xiong, G., Cao, H., Li, J., & Liu, Y. (2025). Αποκεντρωμένη συνεταιριστική μάθηση με αποθήκευση μοντέλων σε κινητές συσκευές [Conference paper]. Association for the Advancement of Artificial Intelligence Conference. Ανακτήθηκε από https://arxiv.org/abs/2408.14001v2}