Réseaux décentralisés prêts à faire progresser les véhicules autonomes

Les réseaux d’intelligence décentralisés pourraient détenir la clé pour rendre les voitures autonomes plus intelligentes et plus sûres. Beaucoup considèrent ces véhicules comme l’avenir du transport. Cependant, plusieurs problèmes restent à résoudre pour les fabricants et les régulateurs.

Apprentissage fédéré

Une façon dont les fabricants ont trouvé pour améliorer les performances de conduite autonome de leurs véhicules est de permettre à leurs voitures de partager ces données à l’aide d’un système appelé apprentissage fédéré. L’apprentissage fédéré (FL) est une approche d’apprentissage automatique distribuée où chaque véhicule entraîne des modèles localement et ne partage que les mises à jour du modèle avec un serveur central. Cette approche préserve la confidentialité des données en conservant les données brutes des capteurs sur le véhicule lui‑-même plutôt qu’en les envoyant à un serveur central. Les données sont utilisées pour entraîner un modèle partagé pour l’écosystème.

Problèmes avec l’apprentissage fédéré

Le principal problème des systèmes d’apprentissage fédéré est qu’ils nécessitent une connexion directe au serveur. Si vous voyagez beaucoup avec votre véhicule électrique, il est probable que votre connexion Internet varie en fonction de votre localisation. Ce scénario peut entraîner le manque de mises à jour pour votre véhicule.

Source – Teslaroti

Apprentissage fédéré décentralisé (DFL)

Les systèmes d’apprentissage fédéré décentralisé (DFL) éliminent la dépendance à un serveur central en permettant aux véhicules d’échanger directement des modèles d’IA via une communication peer‑to‑peer. Ces systèmes peuvent transmettre leurs données collectées directement entre véhicules. Cette configuration permet davantage de partage mais présente encore certains problèmes pouvant laisser un véhicule hors du réseau.

Par exemple, votre véhicule doit croiser d’autres véhicules du réseau d’apprentissage fédéré pour que le système fonctionne correctement. Dans les grandes zones ou les villes très peuplées, les chances de se rencontrer diminuent considérablement, ce qui entraîne des données de véhicule devenant obsolètes avant d’être transmises aux autres. De plus, ces systèmes ne transfèrent les données personnellement collectées que lors d’interactions limitées.

Préoccupations relatives à la confidentialité

Un autre problème majeur des systèmes d’apprentissage fédéré décentralisé concerne la confidentialité. Lorsqu’un serveur central est présent, il est facile d’identifier qui est responsable des données personnelles ou sensibles. En revanche, dans un réseau décentralisé, la responsabilité incombe aux individus. Cette structure a suscité de nombreuses inquiétudes quant aux violations ou abus de la vie privée.

Étude sur les réseaux d’intelligence décentralisés

Une équipe d’ingénieurs propose une solution novatrice aux problèmes rencontrés par ces réseaux, appelée Apprentissage fédéré décentralisé avec mise en cache (Cached‑DFL). Le système amélioré de partage de données des véhicules a été présenté lors de la conférence de cette année de l’Association for the Advancement of Artificial Intelligence.

Les ingénieurs ont présenté une méthode de partage de données EV semblable aux réseaux sociaux, où chaque véhicule peut transmettre librement des données aux autres. L’approche Cached‑DFL exploite une communication dispositif‑à‑dispositif à haute vitesse, avec une portée allant jusqu’à 100 mètres dans des conditions optimales. Cependant, l’efficacité en conditions réelles dépend de facteurs tels que la vitesse du véhicule, les interférences environnementales et la stabilité de la connectivité. Les véhicules se déplaçant en sens opposé à grande vitesse ne disposent souvent que d’une courte fenêtre d’échange de données. Cette approche renforcera la capacité du véhicule à anticiper les changements de conditions routières, les dangers et autres restrictions.

Apprentissage fédéré décentralisé avec mise en cache (Cached‑DFL)

Le concept Cached‑DFL se concentre sur la construction d’un réseau où la connectivité intermittente est attendue plutôt qu’évitée. Dans le cadre de cette approche, les ingénieurs ont veillé à ce que chaque véhicule puisse stocker et transmettre les données de façon autonome lorsqu’elles sont disponibles.

Chaque véhicule entraîne son propre modèle d’IA dans cette configuration. Les données du modèle d’IA comprennent des informations essentielles telles que les conditions de la route, les signaux et les obstacles. Ces données sont ensuite automatiquement transmises aux autres véhicules lorsqu’ils entrent dans la portée de transmission.

Mécanisme de transfert multi‑sauts

Chaque véhicule agit comme un relais dans cette configuration. Il stocke ses données aux côtés de 10 autres modèles externes qui sont transmis entre véhicules. Il est important de préciser que le système transfère des modèles d’IA entraînés plutôt que les données originales, à l’inverse de ses prédécesseurs. Cette stratégie améliore les performances.

Notamment, les véhicules partagent les modèles d’IA les plus à jour lorsqu’ils interagissent. Dans le cadre de cette approche, toutes les informations obsolètes sont éliminées avant de pouvoir nuire aux performances. Plus précisément, le système privilégie les modèles d’IA récents par rapport aux modèles dépassés, les mises à jour se produisant en fonction des rencontres entre véhicules plutôt que selon un intervalle fixe de 20 secondes. Cached‑DFL utilise un seuil de péremption (τmax), généralement fixé à 10 ou 20 époques, pour rejeter les modèles obsolètes et garantir la pertinence de l’apprentissage décentralisé.

Apprendre des autres

L’avantage principal de ce système est qu’il permet à votre véhicule d’apprendre des rencontres d’autres véhicules. De plus, cette stratégie accélère la diffusion des données pertinentes à travers le réseau. Elle prend en compte l’état intermittent du réseau à ce moment, permettant aux conducteurs d’accéder à des données au‑delà de leurs interactions immédiates.

Test des réseaux d’intelligence décentralisés

L’équipe de recherche a testé sa théorie à l’aide de simulations informatiques. Les ingénieurs ont créé une Manhattan virtuelle et ont programmé leurs EV numériques pour parcourir ses nombreux itinéraires. Les véhicules se déplaçaient à une vitesse de 14 mètres par seconde. Curieusement, la simulation était conçue de sorte que chaque véhicule fasse un choix aléatoire 50/50 à chaque intersection. Cette approche a permis à chaque véhicule de créer un modèle unique et de le partager.

Résultats du test des réseaux d’intelligence décentralisés

Les résultats du test éclairent la manière dont ce système peut améliorer les EV à l’avenir. Ils ont démontré qu’un grand nombre de facteurs peuvent influencer la précision et la rapidité des données utilisées pour créer les modèles EV ainsi que leur mode de création et de partage.

Le test a montré que plus les véhicules se rencontrent, meilleures sont les performances. De plus, il a démontré que le système était idéal pour partager des données en temps réel à travers de vastes réseaux d’EV privés. L’équipe a noté que des données clés telles que la vitesse, la taille du cache et l’expiration du modèle jouaient toutes un rôle dans l’efficacité de l’apprentissage.

Avantages des réseaux d’intelligence décentralisés

Le recours à l’approche Cached‑DFL présente de nombreux avantages. Tout d’abord, elle est beaucoup plus efficace en termes de propagation des données. Les chercheurs ont pu s’assurer que la majorité des véhicules dans leurs simulations disposaient de modèles à jour, contrairement aux systèmes précédents où les véhicules pouvaient fonctionner avec des modèles obsolètes pendant des semaines.

Ce système offre une voie fiable pour que les voitures autonomes apprennent collectivement et s’enseignent mutuellement afin de devenir de meilleurs conducteurs. Puisque la méthode tient compte du fait que votre véhicule ne sera pas disponible à 100 % du temps, elle est parfaitement adaptée à une utilisation réelle et pourrait constituer un outil précieux que les fabricants utilisent pour programmer leurs flottes plus rapidement.

Partage de données

La combinaison des avantages des réseaux décentralisés avec la capacité de partager et de stocker jusqu’à 10 modèles d’IA constitue un changement de paradigme. Elle permet aux modèles de circuler indirectement à travers le réseau afin que tous les véhicules aient accès aux données les plus cruciales. De plus, le système priorise automatiquement les informations les plus pertinentes provenant de divers modèles issus de différentes zones, renforçant ainsi leur pertinence.

Données ouvertes

Un autre avantage majeur de cette recherche est la décision de rendre les données ouvertes à tous via les fichiers Github. Cette décision stimulera l’innovation et permettra à d’autres chercheurs d’améliorer leurs résultats. Les ingénieurs peuvent y trouver des exemples, des tests, des fichiers en cache, des rapports techniques, etc.

Applications des réseaux d’intelligence décentralisés

Les applications de cette technologie sont vastes et dépassent le secteur des EV. Partout où il existe des flottes de véhicules autonomes, cette technologie pourra faire la différence. Parmi les domaines clés étudiés par les chercheurs figurent les drones, les robots et les satellites.

Chercheurs des réseaux d’intelligence décentralisés

L’étude Cached‑DFL a été présentée par une équipe d’ingénieurs de NYU dirigée par Yong Liu, Xiaoyu Wang, Guojun Xiong, Jian Li et Houwei Cao. Notamment, le groupe a reçu un soutien financier sous forme de plusieurs subventions de la National Science Foundation ainsi que du programme Resilient & Intelligent NextG Systems (RINGS).

Entreprises leaders de la course aux véhicules autonomes

La course pour mettre les véhicules autonomes sur les routes est en plein essor. Les fabricants se rapprochent chaque année davantage de véhicules entièrement autonomes. Cependant, cette tâche monumentale nécessite de nombreuses ressources, technologies et un vaste réseau de fournisseurs. Par conséquent, seuls quelques acteurs clés dominent actuellement le marché. Voici une entreprise qui mène la révolution des véhicules autonomes.

Uber Technologies, Inc.

Bien que Cached‑DFL soit encore à ses débuts, les entreprises qui expérimentent la technologie de conduite autonome, comme Uber, pourraient éventuellement intégrer les réseaux d’intelligence décentralisés dans leurs flottes.

Uber (UBER ) est entré sur le marché en 2009 et est basé à San Francisco, CA. Il a été la première application de covoiturage décentralisée à gagner en notoriété. Les fondateurs de l’application sont Oscar Salazar Gaitan, Travis Kalanick et Garrett Camp. Sa vision d’une économie de covoiturage décentralisée a changé le marché à jamais.

Lorsque vous pensez à Uber, votre première idée n’est pas un taxi robotisé. Vous imaginez plutôt une personne aléatoire qui arrive dans son véhicule personnel pour vous offrir un trajet. Cependant, tout cela pourrait changer à l’avenir car Uber est l’un des plus grands soutiens de la technologie des véhicules autonomes, ayant établi et soutenu des partenariats avec des innovateurs de premier plan comme Waymo.

L’entreprise a déjà déployé des Uber autonomes sur les routes pour des tests dans plusieurs villes, y compris leur dernière initiative à Austin, Texas. Dans le cadre de cette approche, l’entreprise s’est associée à Waymo, filiale d’Alphabet, permettant aux clients d’Uber de la région d’Austin de passer à un Jaguar I‑PACE tout‑électrique sans frais supplémentaires.

Aujourd’hui, Uber domine le marché du covoiturage et s’est diversifié dans d’autres secteurs, tels que la logistique, la livraison de repas, etc. L’entreprise emploie actuellement plus de 31 100 personnes. De nombreux investisseurs considèrent Uber comme un ajout intelligent à tout portefeuille en raison de son positionnement, de son histoire et de son esprit d’innovation.

Dernières nouvelles sur Uber Technologies, Inc.

Réseaux d’intelligence décentralisés – Propulser le voyage du futur

Les voitures intelligentes ont besoin de systèmes intelligents. Par conséquent, la demande pour les réseaux d’intelligence décentralisés augmentera dans les mois et les années à venir. Ces systèmes permettront aux véhicules d’améliorer leurs capacités de conduite autonome et d’offrir aux voitures autonomes de meilleures performances, une plus grande portée et des données utiles aux autres.

Découvrez d’autres projets d’apprentissage automatique maintenant

Référence de l’étude :

^{1. Wang, X., Xiong, G., Cao, H., Li, J., & Liu, Y. (2025). Apprentissage fédéré décentralisé avec mise en cache de modèle sur des agents mobiles [article de conférence]. Association for the Advancement of Artificial Intelligence Conference. Retrieved from https://arxiv.org/abs/2408.14001v2}