Reti Decentralizzate Pronte a Potenziare i Veicoli Autonomi

Le reti di intelligenza decentralizzate potrebbero contenere la chiave per rendere le auto a guida autonoma più intelligenti e sicure. Molti vedono questi veicoli come il futuro dei trasporti. Tuttavia, ci sono ancora diversi problemi che i produttori e i regolatori devono risolvere.

Apprendimento Federato

Un modo che i produttori hanno trovato per migliorare le prestazioni di guida autonoma dei loro veicoli è consentire alle auto di condividere questi dati tramite un sistema chiamato apprendimento federato. L’Apprendimento Federato (FL) è un approccio di apprendimento automatico distribuito in cui i singoli veicoli addestrano i modelli localmente e condividono solo gli aggiornamenti del modello con un server centrale. Questo approccio preserva la privacy dei dati mantenendo i dati grezzi dei sensori sul veicolo stesso anziché inviarli a un server centrale. I dati vengono utilizzati per addestrare un modello condiviso per l’ecosistema.

Problemi con l’Apprendimento Federato

Il problema principale dei sistemi di Apprendimento Federato è che è necessaria una connessione diretta al server. Se viaggi molto con il tuo veicolo elettrico, è probabile che la tua connessione internet vari a seconda della tua posizione. Questo scenario può portare il veicolo a perdere gli aggiornamenti.

Fonte – Teslaroti

Apprendimento Federato Decentralizzato (DFL)

I sistemi di Apprendimento Federato Decentralizzato (DFL) rimuovono la dipendenza da un server centrale consentendo ai veicoli di scambiare modelli AI direttamente tramite comunicazione peer-to-peer. Questi sistemi possono trasferire i dati raccolti direttamente tra i veicoli. Questa configurazione permette una maggiore condivisione ma presenta ancora alcuni problemi che potrebbero lasciare un veicolo fuori dal ciclo.

Per esempio, il tuo veicolo deve incontrare altri veicoli della rete di apprendimento federato affinché il sistema funzioni correttamente. Quando si tratta di grandi aree o città affollate, le probabilità di incontrarsi diminuiscono notevolmente, facendo sì che i dati del veicolo diventino obsoleti prima di essere inviati agli altri. Inoltre, questi sistemi trasferiscono solo i dati raccolti personalmente attraverso interazioni limitate.

Preoccupazioni sulla Privacy

Un altro problema importante dei sistemi di apprendimento federato decentralizzato riguarda le preoccupazioni sulla privacy. Quando esiste un server centrale, è facile determinare chi è la persona principale responsabile dei dati personali o sensibili. Tuttavia, in una rete decentralizzata, la responsabilità ricade sugli individui. Questa struttura ha portato molti a temere violazioni o abusi della privacy.

Studio sulle Reti di Intelligenza Decentralizzate

Un team di ingegneri introduce una soluzione innovativa ai problemi affrontati da queste reti chiamata Apprendimento Federato Decentralizzato con Cache (Cached-DFL). Il sistema avanzato di condivisione dei dati dei veicoli è stato presentato alla Conferenza dell’Associazione per l’Avanzamento dell’Intelligenza Artificiale di quest’anno.

Gli ingegneri hanno introdotto un metodo di condivisione dei dati dei veicoli elettrici che somiglia ai social media in quanto ogni veicolo può scambiare dati liberamente con gli altri. L’approccio Cached-DFL sfrutta la comunicazione device-to-device ad alta velocità, con una portata fino a 100 metri in condizioni ottimali. Tuttavia, l’efficacia nel mondo reale dipende da fattori come la velocità del veicolo, le interferenze ambientali e la stabilità della connettività. Veicoli che si muovono in direzioni opposte ad alta velocità possono avere solo una breve finestra per lo scambio di dati. Questo approccio migliorerà la capacità del veicolo di prepararsi a condizioni stradali variabili, pericoli e altre restrizioni.

Apprendimento Federato Decentralizzato con Cache (Cached-DFL)

Il concetto di Cached Decentralized Federated Learning (Cached-DFL) si concentra sulla costruzione di una rete in cui la connettività intermittente è prevista piuttosto che evitata. Come parte di questo approccio, gli ingegneri hanno garantito che ogni veicolo potesse memorizzare e inoltrare i dati in modo indipendente quando disponibile.

In questa configurazione, ogni veicolo addestra il proprio modello AI. I dati del modello AI includono dettagli vitali come condizioni della strada, segnali e ostacoli. Questi dati vengono poi automaticamente trasmessi ad altri veicoli quando entrano nel raggio di trasmissione.

Meccanismo di Trasferimento Multi-hop

Ogni veicolo agisce come un relè in questa configurazione. Memorizza i propri dati insieme a 10 altri modelli esterni che vengono passati tra i veicoli. È fondamentale sottolineare che il sistema trasferisce modelli AI addestrati anziché i dati originali, come i suoi predecessori. Questa strategia migliora le prestazioni.

In particolare, i veicoli condividono i modelli AI più aggiornati quando interagiscono. Come parte di questo approccio, tutte le informazioni obsolete vengono eliminate prima di poter ridurre le prestazioni. Specificamente, il sistema dà priorità ai modelli AI più recenti rispetto a quelli obsoleti, con aggiornamenti che avvengono in base agli incontri tra veicoli piuttosto che a un intervallo fisso di 20 secondi. Cached-DFL utilizza una soglia di obsolescenza (τmax), tipicamente impostata a 10 o 20 epoche, per scartare i modelli obsoleti e garantire la rilevanza nell’apprendimento decentralizzato.

Imparare dagli Altri

Il principale vantaggio di questo sistema è che consente al tuo veicolo di apprendere dagli incontri con altri veicoli. Inoltre, questa strategia migliora la velocità con cui i dati rilevanti possono essere condivisi all’interno della rete. Tiene conto dello stato intermittente della rete in questo momento, permettendo ai conducenti di accedere a dati provenienti oltre le loro interazioni immediate.

Test delle Reti di Intelligenza Decentralizzate

Il team di ricerca ha testato la loro teoria utilizzando simulazioni al computer. Gli ingegneri hanno creato una Manhattan virtuale e hanno impostato i loro veicoli elettrici digitali per percorrere i numerosi percorsi. I veicoli avevano una velocità di 14 metri al secondo. Interessante, la simulazione è stata progettata in modo che ogni veicolo facesse una scelta casuale 50/50 a ogni incrocio. Questo approccio ha permesso a ciascun veicolo di creare un modello unico e condividerlo.

Risultati del Test delle Reti di Intelligenza Decentralizzate

I risultati del test hanno chiarito come questo sistema possa migliorare i veicoli elettrici in futuro. Ha dimostrato che molti fattori possono influenzare l’accuratezza e la tempestività dei dati utilizzati per creare i modelli dei veicoli elettrici e come questi vengano creati e condivisi.

Il test ha mostrato che più i veicoli si incontrano, migliore è la performance. Inoltre, ha dimostrato che il sistema è ideale per condividere dati tempestivi attraverso grandi reti di veicoli elettrici controllati privatamente. Il team ha osservato che dati chiave come velocità, dimensione della cache e scadenza del modello giocano tutti un ruolo nell’efficienza dell’apprendimento.

Benefici delle Reti di Intelligenza Decentralizzate

Ci sono molti vantaggi dell’approccio Cached-DFL. Per prima cosa, è molto più efficiente in termini di propagazione dei dati. I ricercatori sono in grado di garantire che la maggior parte dei veicoli nelle loro simulazioni avesse modelli tempestivi rispetto ai sistemi predecessori, che potevano vedere veicoli operare con modelli obsoleti per settimane.

Questo sistema fornisce un percorso affidabile affinché le auto a guida autonoma possano apprendere collettivamente e insegnarsi a vicenda a diventare conducenti migliori. Poiché il metodo tiene conto del fatto che il tuo veicolo non avrà il 100% di uptime, è idealmente adatto per l’uso nel mondo reale e potrebbe diventare uno strumento prezioso che i produttori usano per programmare le flotte più rapidamente.

Condivisione dei Dati

La combinazione dei vantaggi delle reti decentralizzate con la capacità di condividere e memorizzare fino a 10 modelli AI è un punto di svolta. Consente ai modelli di viaggiare indirettamente attraverso la rete per garantire che tutti i veicoli abbiano accesso ai dati più vitali. Inoltre, il sistema dà automaticamente priorità alle informazioni più rilevanti provenienti da diversi modelli derivati da varie aree, aumentando ulteriormente la sua pertinenza.

Dati Aperti

Un altro grande beneficio di questa ricerca è la decisione di rendere i dati aperti a tutti tramite file su Github. Questa decisione migliorerà l’innovazione e permetterà ad altri ricercatori di potenziare i loro risultati. Gli ingegneri possono trovare esempi, test, file cache, rapporti tecnici e altro.

Applicazioni delle Reti di Intelligenza Decentralizzate

Ci sono applicazioni di ampio respiro per questa tecnologia che vanno oltre il settore dei veicoli elettrici. Ovunque ci siano flotte di veicoli autonomi, questa tecnologia farà sicuramente la differenza. Alcune aree chiave che i ricercatori hanno esaminato includono droni, robot e satelliti.

Ricercatori delle Reti di Intelligenza Decentralizzate

Lo studio Cached-DFL è stato proposto da un team di ingegneri della NYU guidato da Yong Liu, Xiaoyu Wang, Guojun Xiong, Jian Li e Houwei Cao. È importante notare che il gruppo ha ricevuto supporto finanziario sotto forma di molteplici sovvenzioni della National Science Foundation e del programma Resilient & Intelligent NextG Systems (RINGS).

Aziende Leader nella Corsa alla Tecnologia dei Veicoli Autonomi

La corsa per mettere i veicoli autonomi sulle strade è in pieno svolgimento. I produttori continuano ad avvicinarsi sempre più a veicoli completamente autonomi ogni anno. Tuttavia, questo compito monumentale richiede molte risorse, tecnologia e una rete massiccia di fornitori. Di conseguenza, attualmente ci sono solo pochi attori chiave che dominano il mercato. Ecco un’azienda che sta guidando la rivoluzione dei veicoli autonomi.

Uber Technologies, Inc.

Mentre Cached-DFL è ancora nelle sue fasi iniziali, le aziende che sperimentano la tecnologia di guida autonoma, come Uber, potrebbero eventualmente integrare le reti di intelligenza decentralizzate nelle loro flotte.

Uber (UBER ) è entrata nel mercato nel 2009 e ha sede a San Francisco, CA. È stata la prima app di ride-sharing decentralizzata a guadagnare notorietà. I fondatori dell’app sono Oscar Salazar Gaitan, Travis Kalanick e Garrett Camp. La sua visione di un’economia di ride-sharing decentralizzata ha cambiato il mercato per sempre.

Quando pensi a Uber, il tuo primo pensiero non è un taxi robotico. Invece, probabilmente immagini una persona casuale che arriva con il proprio veicolo personale per darti un passaggio. Tuttavia, tutto ciò potrebbe cambiare in futuro perché Uber è uno dei maggiori sostenitori della tecnologia dei veicoli autonomi, avendo stabilito e supportato partnership con innovatori leader come Waymo.

L’azienda ha già messo su strada Uber autonomi per test in diverse città, incluso il loro più recente avventura ad Austin, Texas. Come parte dell’approccio, l’azienda ha collaborato con Waymo, di proprietà di Alphabet, permettendo ai clienti Uber dell’area di Austin di passare a un Jaguar I-PACE totalmente elettrico senza costi aggiuntivi.

Oggi, Uber domina il mercato del ride-sharing e si è espansa in altri settori, come la logistica, la consegna di cibo e altro. L’azienda impiega attualmente più di 31.100 persone. Molti vedono Uber come un’aggiunta intelligente a qualsiasi portafoglio grazie al suo posizionamento, alla sua storia e al suo spirito innovativo.

Ultime Notizie su Uber Technologies, Inc.

Reti di Intelligenza Decentralizzate – Alimentando il Viaggio del Futuro

Le auto intelligenti hanno bisogno di sistemi intelligenti. Di conseguenza, nei prossimi mesi e anni ci sarà una maggiore domanda di reti di intelligenza decentralizzate. Questi sistemi consentiranno ai veicoli di migliorare le loro capacità di guida autonoma e permetteranno alle auto a guida autonoma di migliorare le prestazioni, viaggiare più lontano e fornire dati utili ad altri.

Scopri altri Progetti di Machine Learning Ora

Riferimento allo Studio:

^{1. Wang, X., Xiong, G., Cao, H., Li, J., & Liu, Y. (2025). Apprendimento federato decentralizzato con cache dei modelli su agenti mobili [Conference paper]. Association for the Advancement of Artificial Intelligence Conference. Retrieved from https://arxiv.org/abs/2408.14001v2}