Jaringan Terdesentralisasi Siap Meningkatkan Kendaraan Otonom

Jaringan intelijen terdesentralisasi dapat memegang kunci untuk membuat mobil self-driving lebih pintar dan lebih aman. Banyak orang melihat kendaraan ini sebagai masa depan perjalanan. Namun, masih ada beberapa masalah yang harus dipecahkan oleh produsen dan regulator.

Di intinya, kendaraan self-driving bergantung pada sensor dan data lainnya untuk tetap pada jalur, menghindari hambatan, dan mengantarkan penumpang ke tujuan mereka dengan aman. Sensor ini dapat termasuk LiDAR, radar, thermal imaging, dan sistem canggih lainnya. Semua sistem ini menciptakan jejak data yang dapat digunakan untuk meningkatkan kinerja mobil di masa depan.

Federated Learning

Salah satu cara yang ditemukan oleh produsen untuk meningkatkan kinerja self-driving mereka adalah dengan mengaktifkan mobil mereka untuk berbagi data menggunakan sistem yang disebut federated learning. Federated Learning (FL) adalah pendekatan machine learning terdistribusi di mana kendaraan individual melatih model secara lokal dan hanya berbagi pembaruan model dengan server pusat. Pendekatan ini menjaga privasi data dengan menyimpan data sensor mentah di kendaraan itu sendiri daripada mengirimkannya ke server pusat. Data digunakan untuk melatih model bersama untuk ekosistem.

Masalah dengan Federated Learning

Masalah utama dengan sistem Federated Learning adalah bahwa Anda memerlukan koneksi langsung ke server. Jika Anda banyak bepergian dengan EV, kemungkinan besar koneksi internet Anda akan bervariasi tergantung pada lokasi. Skenario ini dapat menyebabkan kendaraan Anda melewatkan pembaruan.

Source – Teslaroti

Decentralized Federated Learning (DFL)

Sistem Decentralized Federated Learning (DFL) menghilangkan ketergantungan pada server pusat dengan mengaktifkan kendaraan untuk bertukar model AI secara langsung melalui komunikasi peer-to-peer. Sistem ini dapat melewati data yang dikumpulkan secara langsung antara kendaraan. Pengaturan ini memungkinkan lebih banyak berbagi, tetapi masih memiliki beberapa masalah yang dapat meninggalkan kendaraan di luar loop.

Pertama, kendaraan Anda perlu bertemu dengan kendaraan lain dari jaringan federated learning untuk sistem berfungsi dengan baik. Ketika menangani area yang luas atau kota yang sibuk, kemungkinan bertemu satu sama lain menjadi sangat kecil, sehingga data kendaraan menjadi usang dan ketinggalan sebelum dikirim ke kendaraan lain. Selain itu, sistem ini hanya mentransfer data yang dikumpulkan secara pribadi melalui interaksi yang terbatas.

Keamanan Privasi

Masalah lain yang signifikan dengan sistem decentralized federated learning adalah keamanan privasi. Ketika Anda memiliki server pusat, mudah untuk menentukan siapa yang bertanggung jawab atas data pribadi atau sensitif. Namun, ketika menangani jaringan terdesentralisasi, tanggung jawab jatuh pada individu. Struktur ini telah menyebabkan banyak orang khawatir tentang pelanggaran privasi atau penyalahgunaan.

Studi Jaringan Intelijen Terdesentralisasi

Tim insinyur memperkenalkan solusi baru untuk masalah yang dihadapi oleh jaringan ini yang disebut Cached Decentralized Federated Learning (Cached-DFL). Sistem berbagi data kendaraan yang ditingkatkan ini dipamerkan pada Konferensi Asosiasi untuk Kemajuan Kecerdasan Buatan tahun ini.

Para insinyur memperkenalkan metode berbagi data EV yang menyerupai media sosial, di mana setiap kendaraan dapat melewati data antara satu sama lain secara bebas. Pendekatan Cached-DFL memanfaatkan komunikasi perangkat-ke-perangkat dengan kecepatan tinggi, dengan jangkauan hingga 100 meter dalam kondisi optimal. Namun, efektivitas di dunia nyata tergantung pada faktor-faktor seperti kecepatan kendaraan, interferensi lingkungan, dan stabilitas koneksi. Kendaraan yang bergerak dalam arah yang berlawanan dengan kecepatan tinggi mungkin hanya memiliki jendela singkat untuk pertukaran data. Pendekatan ini akan meningkatkan kemampuan kendaraan untuk mempersiapkani untuk perubahan kondisi jalan, hambatan, dan pembatasan lainnya.

Cached Decentralized Federated Learning (Cached-DFL)

Konsep Cached Decentralized Federated Learning (Cached-DFL) berfokus pada membangun jaringan di mana koneksi yang tidak stabil diharapkan daripada dihindari. Sebagai bagian dari pendekatan ini, para insinyur memastikan setiap kendaraan dapat menyimpan dan meneruskan data secara mandiri ketika tersedia.

Setiap kendaraan melatih model AI-nya sendiri dalam pengaturan ini. Data dari model AI termasuk detail penting seperti kondisi jalan, sinyal, dan hambatan. Data ini kemudian secara otomatis diteruskan ke kendaraan lain ketika mereka memasuki jangkauan transmisi.

Mekanisme Transfer Multi-Hop

Setiap kendaraan bertindak sebagai relay dalam pengaturan ini. Ini menyimpan datanya bersama dengan 10 model eksternal lainnya yang diteruskan antara kendaraan. Penting untuk disebutkan bahwa sistem mentransfer model AI yang dilatih daripada data asli, seperti pendahulunya. Strategi ini meningkatkan kinerja.

Namun, kendaraan berbagi model AI yang paling mutakhir ketika mereka berinteraksi. Sebagai bagian dari pendekatan ini, semua informasi yang usang dihilangkan sebelum dapat mengurangi kinerja. Secara khusus, sistem memprioritaskan model AI yang lebih baru daripada yang usang, dengan pembaruan yang terjadi berdasarkan pertemuan kendaraan daripada interval tetap 20 detik. Cached-DFL menggunakan ambang batas kedaluwarsa (τmax), biasanya disetel pada 10 atau 20 epoch, untuk membuang model yang usang dan memastikan relevansi dalam pembelajaran terdesentralisasi.

Belajar dari Orang Lain

Kelebihan utama dari sistem ini adalah bahwa itu memungkinkan kendaraan Anda untuk belajar dari pertemuan kendaraan lain. Selain itu, strategi ini meningkatkan kecepatan di mana data yang relevan dapat dibagikan di seluruh jaringan. Ini mempertimbangkan keadaan jaringan yang tidak stabil pada saat ini, memungkinkan pengemudi untuk mengakses data dari luar interaksi langsung mereka.

Pengujian Jaringan Intelijen Terdesentralisasi

Tim peneliti menguji teori mereka menggunakan simulasi komputer. Para insinyur mengatur Manhattan virtual dan mengatur kendaraan EV digital mereka untuk mengemudi di jalannya yang banyak. Kendaraan memiliki kecepatan 14 meter per detik. Menariknya, simulasiancang sehingga setiap kendaraan akan membuat pilihan acak 50/50 di setiap persimpangan. Pendekatan ini memungkinkan setiap kendaraan untuk membuat model unik dan membagikannya.

Hasil Pengujian Jaringan Intelijen Terdesentralisasi

Hasil tes memberikan wawasan tentang bagaimana sistem ini dapat meningkatkan EV di masa depan. Ini menunjukkan bahwa ada banyak faktor yang dapat memainkan peran dalam seberapa akurat dan tepat waktunya data yang digunakan untuk membuat model EV dan bagaimana data itu dibuat dan dibagikan.

Tes menunjukkan bahwa semakin banyak kendaraan bertemu, semakin baik kinerjanya. Selain itu, itu menunjukkan bahwa sistem ideal untuk berbagi data yang tepat waktu di seluruh jaringan EV yang dikendalikan secara pribadi. Tim mencatat bahwa data kunci seperti kecepatan, ukuran cache, dan kedaluwarsa model semuanya ditemukan untuk memainkan peran dalam efisiensi pembelajaran.

Manfaat Jaringan Intelijen Terdesentralisasi

Ada banyak manfaat dari pendekatan Cached-DFL. Pertama, itu jauh lebih efisien dalam hal propagasi data. Peneliti dapat memastikan sebagian besar kendaraan dalam simulasi mereka memiliki model yang tepat waktu dibandingkan dengan sistem pendahulu yang dapat melihat kendaraan menjalankan model yang usang selama berminggu-minggu.

Sistem ini menyediakan jalur yang dapat diandalkan untuk mobil self-driving untuk secara kolektif belajar dan mengajar satu sama lain untuk menjadi pengemudi yang lebih baik. Karena metode ini mempertimbangkan kenyataan bahwa kendaraan Anda tidak akan memiliki waktu aktif 100%, itu ideal untuk penggunaan di dunia nyata dan bisa menjadi alat yang berharga yang digunakan oleh produsen untuk memprogram armada lebih cepat.

Pembagian Data

Kombinasi dari manfaat jaringan terdesentralisasi dengan kemampuan untuk berbagi dan menyimpan hingga 10 model AI adalah perubahan besar. Ini memungkinkan model untuk bergerak secara tidak langsung melalui jaringan untuk memastikan semua kendaraan memiliki akses ke data yang paling penting. Selain itu, sistem secara otomatis memprioritaskan informasi yang paling relevan dari berbagai model yang berasal dari area yang berbeda, lebih lanjut meningkatkan relevansinya.

Data Terbuka

Manfaat lain yang signifikan dari penelitian ini adalah keputusan untuk membuat data terbuka untuk semua orang melalui file Github. Keputusan ini akan meningkatkan inovasi dan memungkinkan peneliti lain untuk meningkatkan temuan mereka. Insinyur dapat menemukan contoh, tes, file cache, laporan teknis, dan lain-lain.

Aplikasi Jaringan Intelijen Terdesentralisasi

Ada aplikasi yang luas untuk teknologi ini yang melampaui sektor EV. Di mana pun Anda memiliki armada kendaraan otonom, teknologi ini pasti akan membuat perbedaan. Beberapa area kunci yang telah dipelajari oleh peneliti termasuk drone, robot, dan satelit.

Peneliti Jaringan Intelijen Terdesentralisasi

Studi Cached-DFL dipresentasikan oleh tim insinyur dari NYU yang dipimpin oleh Yong Liu, Xiaoyu Wang, Guojun Xiong, Jian Li, dan Houwei Cao. Tim ini menerima dukungan keuangan dalam bentuk beberapa hibah National Science Foundation dan program Resilient & Intelligent NextG Systems (RINGS).

Perusahaan yang Memimpin Perlombaan Teknologi Kendaraan Otonom

Perlombaan untuk mendapatkan kendaraan otonom di jalan sudah dalam penuh gaya. Produsen terus mendekati kendaraan otonom sepenuhnya setiap tahun. Namun, tugas monumen ini memerlukan banyak sumber daya, teknologi, dan jaringan supplier yang besar. Akibatnya, hanya beberapa pemain kunci yang mendominasi pasar saat ini. Berikut adalah salah satu perusahaan yang memimpin revolusi kendaraan otonom.

Uber Technologies, Inc.

Sementara Cached-DFL masih dalam tahap awal, perusahaan yang bereksperimen dengan teknologi self-driving, seperti Uber, mungkin pada akhirnya mengintegrasikan jaringan intelijen terdesentralisasi ke dalam armada mereka.

Uber (UBER ) memasuki pasar pada tahun 2009 dan berbasis di San Francisco, CA. Ini adalah aplikasi ride-sharing terdesentralisasi pertama yang mendapatkan ketenaran. Pendiri aplikasi ini adalah Oscar Salazar Gaitan, Travis Kalanick, dan Garrett Camp. Visi mereka tentang ekonomi ride-sharing terdesentralisasi telah mengubah pasar selamanya.

Ketika Anda berpikir tentang Uber, pikiran pertama Anda bukanlah taksi robot. Sebaliknya, Anda mungkin membayangkan orang acak yang menyetir kendaraan pribadi untuk mengantar Anda. Namun, semua itu mungkin berubah di masa depan karena Uber adalah salah satu pendukung terbesar teknologi kendaraan otonom, telah membangun dan mendukung kemitraan dengan inovator terkemuka seperti Waymo.

Perusahaan telah memasang kendaraan otonom Uber untuk pengujian di beberapa kota, termasuk ventura terbaru mereka di Austin, Texas. Sebagai bagian dari pendekatan ini, perusahaan bermitra dengan Waymo milik Alphabet, memungkinkan klien Uber di area Austin untuk meningkatkan ke taksi otonom Jaguar I-PACE all-electric SUV tanpa biaya tambahan.

Hari ini, Uber mendominasi pasar ride-sharing dan telah berkembang ke sektor lain, seperti logistik, pengiriman makanan, dan lain-lain. Perusahaan saat ini mempekerjakan +31.100 orang. Banyak orang melihat Uber sebagai tambahan yang cerdas untuk setiap portofolio karena posisinya, sejarah, dan semangat inovatif.

Terbaru tentang Uber Technologies, Inc.

Jaringan Intelijen Terdesentralisasi – Menggerakkan Perjalanan Masa Depan

Mobil pintar memerlukan sistem pintar. Akibatnya, akan ada lebih banyak permintaan untuk jaringan intelijen terdesentralisasi dalam beberapa bulan dan tahun mendatang. Sistem ini akan memungkinkan kendaraan untuk meningkatkan kemampuan mengemudi otonom mereka dan memungkinkan mobil self-driving untuk meningkatkan kinerja, menjelajahi lebih jauh, dan menyediakan data yang berguna untuk kendaraan lain.

Pelajari tentang Proyek Pembelajaran Mesin lainnya Sekarang

Referensi Studi:

^{1. Wang, X., Xiong, G., Cao, H., Li, J., & Liu, Y. (2025). Decentralized federated learning with model caching on mobile agents [Makalah konferensi]. Konferensi Asosiasi untuk Kemajuan Kecerdasan Buatan. Diakses dari https://arxiv.org/abs/2408.14001v2}