Hajautetut verkot valmiina edistämään autonomisia ajoneuvoja

Hajautetut älyverkot voivat olla avain itseohjautuvien autojen älykkäämmiksi ja turvallisemmiksi tekemiseen. Monet näkevät nämä ajoneuvot matkustamisen tulevaisuutena. Kuitenkin on yhä useita ongelmia, jotka valmistajien ja sääntelijöiden on ratkaistava.

Perusperiaatteena itseohjautuvat ajoneuvot luottavat antureihin ja muihin tietoihin pysyäkseen reitillään, välttääkseen esteet ja toimittaakseen matkustajat turvallisesti määränpäähänsä. Nämä anturit voivat sisältää LiDARin, tutkan, lämpökuvauksen ja muita kehittyneitä järjestelmiä. Kaikki nämä järjestelmät luovat datajalanjäljen, jota voidaan käyttää auton suorituskyvyn parantamiseen tulevaisuudessa.

Federated Learning

Yksi tapa, jonka valmistajat ovat löytäneet parantaakseen ajoneuvojensa itseohjautuvuutta, on mahdollistaa autojen jakaa tätä dataa federated learning -nimisen järjestelmän avulla. Federated Learning (FL) on hajautettu koneoppimisen lähestymistapa, jossa yksittäiset ajoneuvot kouluttavat malleja paikallisesti ja jakavat vain mallipäivitykset keskitetyn palvelimen kanssa. Tämä lähestymistapa säilyttää tietosuojan pitämällä raakat anturidata ajoneuvossa sen sijaan, että se lähetettäisiin keskitetylle palvelimelle. Dataa käytetään yhteisen mallin kouluttamiseen ekosysteemissä.

Federated Learningin ongelmat

Federated Learning -järjestelmien tärkein ongelma on, että ne vaativat suoran yhteyden palvelimeen. Jos ajat paljon sähköautollasi, internetyhteytesi voi vaihdella sijainnin mukaan. Tämä tilanne voi johtaa siihen, että ajoneuvosi jäävät päivityksistä.

Lähde – Teslaroti

Hajautettu Federated Learning (DFL)

Hajautetut Federated Learning (DFL) -järjestelmät poistavat riippuvuuden keskitetystä palvelimesta mahdollistamalla ajoneuvojen vaihtaa AI-malleja suoraan vertaisverkkojen kautta. Nämä järjestelmät voivat siirtää kerättyä dataa suoraan ajoneuvojen välillä. Tämä asetus mahdollistaa laajemman jakamisen, mutta siinä on edelleen joitakin ongelmia, jotka voivat jättää ajoneuvon ulkopuolelle.

Ensinnäkin, ajoneuvosi täytyy kohdata muita federated learning -verkoston ajoneuvoja, jotta järjestelmä toimisi oikein. Suurilla alueilla tai ruuhkaisissa kaupungeissa mahdollisuus kohdata toisia vähenee merkittävästi, mikä johtaa ajoneuvodatan vanhentumiseen ennen kuin se lähetetään muille. Lisäksi nämä järjestelmät siirtävät vain henkilökohtaisesti kerättyä dataa rajoitetuissa vuorovaikutuksissa.

Tietosuojaongelmat

Toinen merkittävä ongelma hajautetuissa federated learning -järjestelmissä on tietosuoja. Kun on keskitetty palvelin, on helppoa määrittää, kuka on vastuussa henkilökohtaisista tai arkaluontoisista tiedoista. Hajautetussa verkossa vastuu siirtyy yksilöille. Tämä rakenne on saanut monet huoleen tietosuojaloukkauksista tai väärinkäytöksistä.

Hajautettujen älyverkkojen tutkimus

Insinööri-tiimi esittelee uuden ratkaisun näiden verkkojen kohtaamiin ongelmiin, jota kutsutaan Cached Decentralized Federated Learning (Cached-DFL):ksi. Parannettu ajoneuvojen datanjakojärjestelmä esiteltiin tämän vuoden Association for the Advancement of Artificial Intelligence -konferenssissa.

Insinöörit esittelivät sähköautojen datanjakamismetodin, joka muistuttaa sosiaalista mediaa siten, että jokainen ajoneuvo voi vapaasti siirtää dataa toistensa välillä. Cached-DFL -lähestymistapa hyödyntää nopeaa laite-laite -viestintää, jonka kantama on jopa 100 metriä optimaalisissa olosuhteissa. Kuitenkin todellisen maailman tehokkuus riippuu tekijöistä kuten ajoneuvon nopeus, ympäristön häiriöt ja yhteyden vakaus. Vastakkaisiin suuntiin liikkuvat ajoneuvot suurilla nopeuksilla saattavat saada vain lyhyen ikkunan datan vaihtoon. Tämä lähestymistapa parantaa ajoneuvon kykyä valmistautua muuttuviin tieolosuhteisiin, vaaratilanteisiin ja muihin rajoituksiin.

Cached Decentralized Federated Learning (Cached-DFL)

Cached Decentralized Federated Learning (Cached-DFL) -konsepti keskittyy verkon rakentamiseen, jossa satunnainen yhteys on odotettavissa eikä vältettävissä. Osana tätä lähestymistapaa insinöörit varmistivat, että jokainen ajoneuvo voi tallentaa ja välittää dataa itsenäisesti, kun se on saatavilla.

Jokainen ajoneuvo kouluttaa omaa AI-malliaan tässä asetelmassa. AI-mallin data sisältää olennaisia tietoja, kuten tieolosuhteet, liikennevalot ja esteet. Tämä data siirretään automaattisesti muille ajoneuvoille, kun ne astuvat lähetysalueelle.

Monivaiheinen siirtomekanismi

Jokainen ajoneuvo toimii tässä asetelmassa välittäjänä. Se tallentaa dataansa yhdessä 10 muun ulkoisen mallin kanssa, jotka siirtyvät ajoneuvojen välillä. On tärkeää mainita, että järjestelmä siirtää koulutettuja AI-malleja alkuperäisen datan sijaan, kuten sen edeltäjät. Tämä strategia parantaa suorituskykyä.

Erityisesti ajoneuvot jakavat viimeisimmät AI-mallit vuorovaikutuksissaan. Osana tätä lähestymistapaa kaikki vanhentunut tieto poistetaan ennen kuin se voi heikentää suorituskykyä. Tarkemmin sanottuna järjestelmä priorisoi uudemmat AI-mallit vanhempien sijaan, ja päivitykset tapahtuvat ajoneuvojen kohtaamisten perusteella, eivät kiinteän 20 sekunnin välein. Cached-DFL käyttää vanhentumiskynnystä (τmax), joka on tyypillisesti asetettu 10 tai 20 epookkiin, hylkääkseen vanhentuneet mallit ja varmistaakseen merkityksellisyyden hajautetussa oppimisessa.

Oppia muilta

Tämän järjestelmän tärkein etu on, että se mahdollistaa ajoneuvosi oppimisen muiden ajoneuvojen kohtaamisista. Lisäksi strategia parantaa sitä, kuinka nopeasti relevantti data voidaan jakaa verkon kautta. Se ottaa huomioon verkon satunnaisen tilan, mahdollistaen kuljettajille pääsyn dataan, joka tulee heidän välittömien vuorovaikutusten ulkopuolelta.

Hajautettujen älyverkkojen testi

Tutkimusryhmä testasi teoriaansa käyttämällä tietokonesimulaatioita. Insinöörit loivat virtuaalisen Manhattanin ja asettivat digitaaliset sähköautonsa ajamaan sen monia reittejä. Ajoneuvojen nopeus oli 14 metriä sekunnissa. Mielenkiintoista on, että simulaatio suunniteltiin siten, että jokainen ajoneuvo teki satunnaisen 50/50 -valinnan jokaisessa risteyksessä. Tämä lähestymistapa antoi jokaiselle ajoneuvolle mahdollisuuden luoda ainutlaatuinen malli ja jakaa sen.

Hajautettujen älyverkkojen testitulokset

Testitulokset valaisevat, miten tämä järjestelmä voi parantaa sähköautoja tulevaisuudessa. Ne osoittivat, että monilla tekijöillä on rooli siinä, kuinka tarkkaa ja ajantasaista data on, jota käytetään EV-mallien luomiseen, sekä miten data luodaan ja jaetaan.

Testi osoitti, että mitä enemmän nämä ajoneuvot kohtaavat toisiaan, sitä parempi suorituskyky. Lisäksi se osoitti, että järjestelmä oli ihanteellinen ajantasaisen datan jakamiseen suurissa, yksityisesti hallituissa EV-verkostoissa. Tiimi totesi, että keskeiset tiedot, kuten nopeus, välimuistin koko ja mallin vanheneminen, vaikuttivat oppimistehokkuuteen.

Hajautettujen älyverkkojen hyödyt

Cached-DFL -lähestymistavalla on monia etuja. Ensinnäkin se on paljon tehokkaampi datan levittämisessä. Tutkijat pystyvät varmistamaan, että suurin osa simulaatioiden ajoneuvoista käytti ajantasaisia malleja verrattuna edeltäjiin, joissa ajoneuvot saattoivat käyttää vanhentuneita malleja viikkoja.

Tämä järjestelmä tarjoaa luotettavan tavan itseohjautuville autoille oppia yhdessä ja opettaa toisilleen paremmiksi kuljettajiksi. Koska menetelmä ottaa huomioon sen, että ajoneuvosi ei ole 100 % toiminnassa, se soveltuu erinomaisesti todelliseen käyttöön ja voi olla arvokas työkalu, jonka valmistajat käyttävät kaluston ohjelmoinnin nopeuttamiseen.

Datan jakaminen

Hajautettujen verkkojen hyötyjen yhdistäminen kykyyn jakaa ja tallentaa jopa 10 AI-mallia on pelin muuttaja. Se mahdollistaa mallien kulkemisen epäsuorasti verkon kautta varmistaen, että kaikilla ajoneuvoilla on pääsy tärkeimpään dataan. Lisäksi järjestelmä priorisoi automaattisesti merkittävimmän tiedon eri alueista peräisin olevista malleista, lisäten sen merkityksellisyyttä.

Avoin data

Toinen merkittävä tutkimuksen hyöty on päätös tehdä data avoimeksi kaikille Github-tiedostojen kautta. Tämä päätös edistää innovaatiota ja mahdollistaa muiden tutkijoiden parantaa omia löydöksiään. Insinöörit voivat löytää esimerkkejä, testejä, välimuistitiedostoja, teknisiä raportteja ja muuta.

Hajautettujen älyverkkojen sovellukset

Tällä tekniikalla on laajat sovellukset, jotka ulottuvat EV-sektorin ulkopuolelle. Missä tahansa on autonomisten ajoneuvojen laivasto, tämä teknologia tekee varmasti eron. Joitakin keskeisiä alueita, joihin tutkijat ovat perehtyneet, ovat dronet, robotit ja satelliitit.

Hajautettujen älyverkkojen tutkijat

Cached-DFL -tutkimuksen esitteli NYU:n insinööri-tiimi, jota johti Yong Liu, Xiaoyu Wang, Guojun Xiong, Jian Li ja Houwei Cao. Ryhmä sai merkittävää rahoitusta useiden National Science Foundation -apurahojen ja Resilient & Intelligent NextG Systems (RINGS) -ohjelman muodossa.

Yritykset, jotka johtavat autonomisten ajoneuvojen teknologian kilpailua

Kilpailu saada autonomiset ajoneuvot teille on täydessä vauhdissa. Valmistajat lähestyvät täysautonomisia ajoneuvoja yhä enemmän joka vuosi. Tämä valtava tehtävä vaatii kuitenkin paljon resursseja, teknologiaa ja laajaa toimittajaverkostoa. Tämän seurauksena markkinoilla on tällä hetkellä vain muutama keskeinen toimija, joka hallitsee tilannetta. Tässä yksi yritys, joka johtaa autonomisten ajoneuvojen vallankumousta.

Uber Technologies, Inc.

Vaikka Cached-DFL on vielä varhaisessa vaiheessa, itseajoteknologiaa kokeilevat yritykset, kuten Uber, saattavat lopulta integroida hajautetut älyverkot laivastoihinsa.

Uber (UBER ) tuli markkinoille vuonna 2009 ja sen pääkonttori sijaitsee San Franciscossa, Kaliforniassa. Se oli ensimmäinen hajautettu kimppakyytisovellus, joka sai mainetta. Sovelluksen perustajat ovat Oscar Salazar Gaitan, Travis Kalanick ja Garrett Camp. Sen visio hajautetusta kimppakyytitaloudesta on muuttanut markkinat ikuisesti.

Kun ajattelet Uberia, ensimmäinen mielesi ei ole robottitaksi. Sen sijaan kuvittelet todennäköisesti satunnaisen henkilön saapuvan omalla autollaan tarjoamaan kyytiä. Kaikki tämä saattaa kuitenkin muuttua tulevaisuudessa, koska Uber on yksi suurimmista autonomisten ajoneuvojen teknologian tukijoista, ja se on luonut ja tukenut kumppanuuksia johtavien innovaattoreiden, kuten Waymon, kanssa.

Yritys on jo asettanut autonomisia Uber-autoja teille testattavaksi useissa kaupungeissa, mukaan lukien heidän viimeisin hankkeensa Austinissa, Texasissa. Osana lähestymistapaa yritys solmi kumppanuuden Alphabetin omistaman Waymon kanssa, jolloin Austinin alueen Uber-asiakkaat voivat päivittää autonomiseen Jaguar I-PACE -sähköiseen SUV:iin ilman lisäkustannuksia.

Tänään Uber hallitsee kimppakyytimarkkinoita ja on laajentunut muihin sektoreihin, kuten logistiikkaan, ruoan toimituksiin ja muuhun. Yrityksessä työskentelee tällä hetkellä yli 31 100 henkilöä. Monet pitävät Uberia älykkäänä lisänä mihin tahansa salkkuun sen aseman, historian ja innovatiivisen hengen vuoksi.

Uusimmat tiedot Uber Technologies, Inc.

Hajautetut älyverkot – tulevaisuuden matkustuksen voimanlähde

Älykkäät autot tarvitsevat älykkäitä järjestelmiä. Tästä johtuen hajautettujen älyverkkojen kysyntä kasvaa tulevina kuukausina ja vuosina. Nämä järjestelmät mahdollistavat ajoneuvojen parantaa autonomisen ajamisen kykyjä ja antavat itseohjautuvien autojen parantaa suorituskykyä, laajentaa toiminta-aluetta ja tarjota hyödyllistä dataa muille.

Tutustu muihin koneoppimisprojekteihin nyt

Tutkimusviite:

^{1. Wang, X., Xiong, G., Cao, H., Li, J., & Liu, Y. (2025). Hajautettu federated learning mallin välimuistilla mobiililaitteissa [Conference paper]. Association for the Advancement of Artificial Intelligence Conference. Retrieved from https://arxiv.org/abs/2408.14001v2}