Redes Descentralizadas Preparadas para Avanzar los Vehículos Autónomos

Las redes de inteligencia descentralizada podrían ser la clave para que los coches autónomos sean más inteligentes y seguros. Muchos ven estos vehículos como el futuro del transporte. Sin embargo, aún existen varios problemas que los fabricantes y reguladores deben resolver.

Aprendizaje Federado

Una forma que los fabricantes han encontrado para mejorar el rendimiento de conducción autónoma de sus vehículos es permitir que sus coches compartan estos datos mediante un sistema llamado aprendizaje federado. El Aprendizaje Federado (FL) es un enfoque de aprendizaje automático distribuido donde cada vehículo entrena modelos localmente y solo comparte actualizaciones del modelo con un servidor central. Este enfoque preserva la privacidad de los datos al mantener los datos brutos de los sensores en el propio vehículo en lugar de enviarlos a un servidor central. Los datos se utilizan para entrenar un modelo compartido para el ecosistema.

Problemas con el Aprendizaje Federado

El principal problema de los sistemas de Aprendizaje Federado es que se necesita una conexión directa al servidor. Si viajas mucho con tu vehículo eléctrico, es probable que tu conexión a internet varíe según tu ubicación. Este escenario puede hacer que tu vehículo pierda actualizaciones.

Fuente – Teslaroti

Aprendizaje Federado Descentralizado (DFL)

Los sistemas de Aprendizaje Federado Descentralizado (DFL) eliminan la dependencia de un servidor central al permitir que los vehículos intercambien modelos de IA directamente mediante comunicación punto a punto. Estos sistemas pueden pasar sus datos recopilados directamente entre vehículos. Esta configuración permite más intercambio, pero aún presenta algunos problemas que podrían dejar a un vehículo fuera del bucle.

Por un lado, tu vehículo necesita encontrarse con otros vehículos de la red de aprendizaje federado para que el sistema funcione correctamente. Cuando se trata de áreas extensas o ciudades congestionadas, las probabilidades de encontrarse disminuyen considerablemente, lo que provoca que los datos del vehículo se vuelvan obsoletos antes de ser enviados a otros. Además, estos sistemas solo transfieren datos recopilados personalmente a través de interacciones limitadas.

Preocupaciones de Privacidad

Otro problema importante de los sistemas de aprendizaje federado descentralizado son las preocupaciones de privacidad. Cuando tienes un servidor central, es fácil determinar quién es la persona principal responsable de los datos personales o sensibles. Sin embargo, al tratar con una red descentralizada, la responsabilidad recae en los individuos. Esta estructura ha llevado a muchos a temer violaciones o abusos de privacidad.

Estudio de Redes de Inteligencia Descentralizada

Un equipo de ingenieros presenta una solución novedosa a los problemas que enfrentan estas redes llamada Aprendizaje Federado Descentralizado con Caché (Cached-DFL). El sistema mejorado de intercambio de datos de vehículos se presentó en la Conferencia de la Asociación para el Avance de la Inteligencia Artificial de este año.

Los ingenieros introdujeron un método de intercambio de datos de vehículos eléctricos que se asemeja a las redes sociales, ya que cada vehículo puede pasar datos entre sí libremente. El enfoque Cached-DFL aprovecha la comunicación de dispositivo a dispositivo de alta velocidad, con un alcance de hasta 100 metros en condiciones óptimas. Sin embargo, la efectividad en el mundo real depende de factores como la velocidad del vehículo, la interferencia ambiental y la estabilidad de la conectividad. Los vehículos que se mueven en direcciones opuestas a alta velocidad pueden tener solo una breve ventana para el intercambio de datos. Este enfoque mejorará la capacidad del vehículo para prepararse ante cambios en las condiciones de la carretera, peligros y otras restricciones.

Aprendizaje Federado Descentralizado con Caché (Cached-DFL)

El concepto de Aprendizaje Federado Descentralizado con Caché (Cached-DFL) se centra en construir una red donde la conectividad intermitente se espera en lugar de evitarse. Como parte de este enfoque, los ingenieros aseguraron que cada vehículo pudiera almacenar y reenviar datos de forma independiente cuando estuvieran disponibles.

En esta configuración, cada vehículo entrena su propio modelo de IA. Los datos del modelo de IA incluyen detalles vitales como condiciones de la carretera, señales y obstáculos. Estos datos se transmiten automáticamente a otros vehículos cuando entran en el rango de transmisión.

Mecanismo de Transferencia Multi‑salto

Cada vehículo actúa como un relé en esta configuración. Almacena sus datos junto con 10 modelos externos adicionales que se pasan entre vehículos. Es importante mencionar que el sistema transfiere modelos de IA entrenados en lugar de los datos originales, como sus predecesores. Esta estrategia mejora el rendimiento.

Notablemente, los vehículos comparten los modelos de IA más actualizados cuando interactúan. Como parte de este enfoque, toda información obsoleta se elimina antes de que pueda reducir el rendimiento. Específicamente, el sistema prioriza los modelos de IA más nuevos sobre los desactualizados, con actualizaciones que ocurren según los encuentros de vehículos en lugar de un intervalo fijo de 20 segundos. Cached-DFL emplea un umbral de obsolescencia (τmax), típicamente establecido en 10 o 20 épocas, para descartar modelos obsoletos y garantizar la relevancia en el aprendizaje descentralizado.

Aprender de Otros

La principal ventaja de este sistema es que permite que tu vehículo aprenda de los encuentros con otros vehículos. Además, esta estrategia mejora la velocidad con la que los datos relevantes pueden compartirse a lo largo de la red. Tiene en cuenta el estado intermitente de la red en este momento, lo que permite a los conductores acceder a datos más allá de sus interacciones inmediatas.

Prueba de Redes de Inteligencia Descentralizada

El equipo de investigación probó su teoría utilizando simulaciones por computadora. Los ingenieros configuraron un Manhattan virtual y establecieron sus vehículos eléctricos digitales para recorrer sus múltiples rutas. Los vehículos tenían una velocidad de 14 metros por segundo. Curiosamente, la simulación se diseñó de modo que cada vehículo tomara una decisión aleatoria 50/50 en cada intersección. Este enfoque permitió que cada vehículo creara un modelo único y lo compartiera.

Resultados de la Prueba de Redes de Inteligencia Descentralizada

Los resultados de la prueba arrojan luz sobre cómo este sistema puede mejorar los vehículos eléctricos en el futuro. Demostró que hay muchos factores que pueden influir en la precisión y oportunidad de los datos utilizados para crear los modelos de los vehículos eléctricos y cómo se generan y comparten.

La prueba mostró que cuanto más se encuentren estos vehículos entre sí, mejor será el rendimiento. Además, demostró que el sistema era ideal para compartir datos oportunos a través de grandes redes de vehículos eléctricos controlados privadamente. El equipo señaló que datos clave como la velocidad, el tamaño de la caché y la expiración del modelo desempeñan un papel en la eficiencia del aprendizaje.

Beneficios de las Redes de Inteligencia Descentralizada

Hay muchos beneficios del enfoque Cached-DFL. En primer lugar, es mucho más eficiente en términos de propagación de datos. Los investigadores pueden asegurar que la mayoría de los vehículos en sus simulaciones tenían modelos oportunos en comparación con los sistemas predecesores que podían ver vehículos ejecutando modelos obsoletos durante semanas.

Este sistema proporciona una ruta confiable para que los coches autónomos aprendan colectivamente y se enseñen mutuamente a ser mejores conductores. Dado que el método tiene en cuenta que tu vehículo no tendrá un tiempo de actividad del 100 %, está idealmente adaptado para su uso en el mundo real y podría ser una herramienta valiosa que los fabricantes utilicen para programar flotas más rápido.

Compartir Datos

La combinación de los beneficios de las redes descentralizadas con la capacidad de compartir y almacenar hasta 10 modelos de IA es un cambio de juego. Permite que los modelos viajen indirectamente a través de la red para asegurar que todos los vehículos tengan acceso a los datos más vitales. Además, el sistema prioriza automáticamente la información más relevante de los diversos modelos derivados de diferentes áreas, ampliando su pertinencia.

Datos Abiertos

Otro beneficio importante de esta investigación es la decisión de hacer los datos abierto para todos a través de archivos en Github. Esta decisión mejorará la innovación y permitirá que otros investigadores amplíen sus hallazgos. Los ingenieros pueden encontrar ejemplos, pruebas, archivos en caché, informes técnicos y más.

Aplicaciones de las Redes de Inteligencia Descentralizada

Existen aplicaciones de gran alcance para esta tecnología que van más allá del sector de los vehículos eléctricos. Donde haya flotas de vehículos autónomos, esta tecnología seguramente marcará la diferencia. Algunas áreas clave que los investigadores han examinado incluyen drones, robots y satélites.

Investigadores de Redes de Inteligencia Descentralizada

El estudio Cached-DFL fue presentado por un equipo de ingenieros de NYU liderado por Yong Liu, Xiaoyu Wang, Guojun Xiong, Jian Li y Houwei Cao. Cabe destacar que el grupo recibió apoyo financiero en forma de múltiples subvenciones de la National Science Foundation y del programa Resilient & Intelligent NextG Systems (RINGS).

Empresas que Lideran la Carrera Tecnológica de los Vehículos Autónomos

La carrera para poner vehículos autónomos en las carreteras está en pleno apogeo. Los fabricantes continúan acercándose cada año a vehículos totalmente autónomos. Sin embargo, esta tarea monumental requiere muchos recursos, tecnología y una enorme red de proveedores. En consecuencia, solo unos pocos actores clave dominan actualmente el mercado. Aquí hay una empresa que lidera la revolución de los vehículos autónomos.

Uber Technologies, Inc.

Mientras Cached-DFL aún está en sus primeras etapas, las empresas que experimentan con tecnología de conducción autónoma, como Uber, podrían eventualmente integrar redes de inteligencia descentralizada en sus flotas.

Uber (UBER ) ingresó al mercado en 2009 y tiene su sede en San Francisco, CA. Fue la primera aplicación de transporte compartido descentralizada en ganar notoriedad. Los fundadores de la aplicación son Oscar Salazar Gaitán, Travis Kalanick y Garrett Camp. Su visión de una economía de transporte compartido descentralizada ha cambiado el mercado para siempre.

Cuando piensas en Uber, lo primero que te viene a la mente no es un taxi robot. En su lugar, probablemente imagines a una persona cualquiera que llega en su vehículo personal para ofrecerte un viaje. Sin embargo, todo eso podría cambiar en el futuro porque Uber es uno de los mayores patrocinadores de la tecnología de vehículos autónomos, habiendo establecido y apoyado asociaciones con innovadores líderes como Waymo.

La compañía ya ha puesto Ubers autónomos en la carretera para pruebas en varias ciudades, incluido su último aventura en Austin, Texas. Como parte del enfoque, la empresa se asoció con Waymo, propiedad de Alphabet , permitiendo a los clientes de Uber en el área de Austin actualizar a un Jaguar I‑PACE totalmente eléctrico sin costo adicional.

Hoy, Uber domina el mercado de transporte compartido y se ha expandido a otros sectores, como logística, entrega de alimentos y más. Actualmente la empresa emplea a más de 31 100 personas. Muchos ven a Uber como una adición inteligente a cualquier cartera debido a su posicionamiento, historia y espíritu innovador.

Últimas noticias sobre Uber Technologies, Inc.

Redes de Inteligencia Descentralizada – Impulsando el Futuro del Transporte

Los coches inteligentes necesitan sistemas inteligentes. En consecuencia, habrá una mayor demanda de redes de inteligencia descentralizada en los próximos meses y años. Estos sistemas permitirán a los vehículos mejorar sus capacidades de conducción autónoma y permitirán que los coches autónomos mejoren su rendimiento, se aventuren más lejos y proporcionen datos útiles a otros.

Conoce otros proyectos de Machine Learning Ahora

Referencia del Estudio:

^{1. Wang, X., Xiong, G., Cao, H., Li, J., & Liu, Y. (2025). Aprendizaje federado descentralizado con caché de modelos en agentes móviles [Artículo de conferencia]. Association for the Advancement of Artificial Intelligence Conference. Recuperado de https://arxiv.org/abs/2408.14001v2}