自律走行車の進化を促す分散型ネットワーク

分散型インテリジェンスネットワークは、自動運転車をより賢く安全にする鍵を握っている可能性があります。多くの人がこれらの車両を旅行の未来と見なしています。しかし、メーカーや規制当局が解決すべき課題がまだいくつか残っています。

連合学習

メーカーが自動運転性能を向上させるために見つけた方法の一つは、フェデレーテッドラーニングと呼ばれるシステムを使って車両がデータを共有できるようにすることです。連合学習（FL）は、個々の車両がローカルでモデルを訓練し、モデルの更新のみを中央サーバーと共有する分散型機械学習アプローチです。このアプローチは、生のセンサーデータを車両内に保持し、中央サーバーに送信しないことでデータプライバシーを保護します。そのデータはエコシステム全体で共有モデルを訓練するために使用されます。

連合学習の問題点

連合学習システムの主な問題は、サーバーへの直接接続が必要なことです。電気自動車で頻繁に移動すると、場所に応じてインターネット接続が変動する可能性があります。このような状況では、車両がアップデートを受け取れないことがあります。

ソース – Teslaroti

分散型連合学習（DFL）

分散型連合学習（DFL）システムは、車両がピアツーピア通信でAIモデルを直接交換できるようにすることで、中央サーバーへの依存を排除します。これらのシステムは、収集したデータを車両間で直接やり取りできます。この構成は共有を促進しますが、車両が情報から取り残される可能性があるいくつかの問題も残ります。

まず、システムが正しく機能するためには、車両が他の連合学習ネットワークの車両と遭遇する必要があります。広い地域や混雑した都市では、互いに出会う確率が大幅に低下し、データが他の車両に送信される前に古くなってしまいます。さらに、これらのシステムは限られた相互作用の中で個別に収集されたデータのみを転送します。

プライバシーの懸念

分散型連合学習システムにおけるもう一つの大きな問題はプライバシーの懸念です。中央サーバーがある場合、個人情報や機密データの主たる責任者を特定しやすくなります。しかし、分散型ネットワークでは責任が個々のユーザーに委ねられます。この構造は、プライバシー侵害や乱用への不安を招いています。

分散型インテリジェンスネットワークの研究

エンジニアチームは、これらのネットワークが直面する問題に対する新しい解決策として、キャッシュ付き分散型連合学習（Cached-DFL）を紹介しました。強化された車両データ共有システムは、今年の人工知能促進協会（AAAI）カンファレンスで発表されました。

エンジニアは、すべての車両が自由にデータを相互にやり取りできる点でソーシャルメディアに似たEVデータ共有手法を導入しました。Cached-DFLアプローチは、最適条件下で最大100メートルの範囲を持つ高速デバイス間通信を活用します。ただし、実際の有効性は車両速度、環境干渉、接続安定性などの要因に左右されます。高速で逆方向に走行する車両は、データ交換のウィンドウが極めて短くなる可能性があります。このアプローチは、道路状況の変化や危険、その他の制限に備える車両の能力を向上させます。

キャッシュ付き分散型連合学習（Cached-DFL）

キャッシュ付き分散型連合学習（Cached-DFL）の概念は、断続的な接続が回避されるのではなく、想定されるネットワーク構築に焦点を当てています。このアプローチの一環として、エンジニアは各車両が利用可能なときにデータを独立して保存・転送できるようにしました。

この設定では、各車両が独自のAIモデルを訓練します。AIモデルから得られるデータには、道路状況、信号、障害物などの重要な情報が含まれます。このデータは、他の車両が送信範囲に入ったときに自動的に転送されます。

マルチホップ転送メカニズム

この設定では、各車両がリレーとして機能します。車両は自らのデータと、車両間で転送される10個の外部モデルを同時に保存します。重要なのは、システムが元のデータではなく、訓練されたAIモデルを転送する点です。この戦略により性能が向上します。

特に、車両が相互作用する際には、最新のAIモデルが共有されます。このアプローチでは、性能低下を防ぐために古い情報はすべて排除されます。具体的には、システムは固定の20秒間隔ではなく、車両の出会いに基づいて更新し、古いモデルよりも新しいAIモデルを優先します。Cached-DFLは、陳腐化閾値（τmax）を使用し、通常10または20エポックに設定して、古くなったモデルを破棄し、分散学習の関連性を保ちます。

他車から学ぶ

このシステムの主な利点は、車両が他の車両の遭遇から学習できることです。また、この戦略はネットワーク全体で関連データが共有される速度を向上させます。ネットワークの断続的な状態を考慮し、ドライバーは直接的な相互作用を超えたデータにアクセスできるようになります。

分散型インテリジェンスネットワークのテスト

研究チームはコンピュータシミュレーションを用いて理論を検証しました。エンジニアは仮想のマンハッタンを構築し、デジタルEVに多数のルートを走らせました。車両の速度は秒間14メートルでした。興味深いことに、シミュレーションは各交差点で車両がランダムに50/50の選択を行うよう設計されました。このアプローチにより、各車両は独自のモデルを作成し、共有できました。

分散型インテリジェンスネットワークのテスト結果

テスト結果は、このシステムが将来のEVをどのように改善できるかを示しています。EVモデル作成に使用されるデータの正確性とタイムリーさ、そしてその生成・共有方法に影響を与える要因が多数あることが明らかになりました。

テストは、車両同士の遭遇が多いほど性能が向上することを示しました。また、システムはプライベートに管理された大規模なEVネットワーク全体でタイムリーなデータ共有に最適であることが示されました。チームは、速度、キャッシュサイズ、モデルの有効期限といった重要データが学習効率に影響を与えることを指摘しました。

分散型インテリジェンスネットワークの利点

Cached-DFLアプローチには多くの利点があります。まず、データ伝搬の効率が格段に向上しています。研究者は、従来のシステムでは数週間にわたり古いモデルが走行していたのに対し、シミュレーション内の大多数の車両がタイムリーなモデルを持つことを確認できました。

このシステムは、自動運転車が相互に学び合い、より優れたドライバーになるための信頼できる手段を提供します。車両が100％稼働し続けないことを考慮した手法であるため、実世界での利用に最適であり、メーカーがフリートを迅速にプログラムするための有用なツールとなり得ます。

データ共有

分散型ネットワークの利点と、最大10個のAIモデルを共有・保存できる機能の組み合わせは画期的です。モデルはネットワークを介して間接的に伝搬し、すべての車両が最重要データにアクセスできるようになります。また、システムは異なる地域から派生した様々なモデル間で最も関連性の高い情報を自動的に優先し、有用性を高めます。

オープンデータ

この研究のもう一つの大きな利点は、データを全員にオープンにすることを決定した点です。この決定はイノベーションを促進し、他の研究者が成果を拡張できるようにします。エンジニアはサンプル、テスト、キャッシュファイル、技術報告書などを入手できます。

分散型インテリジェンスネットワークの応用

この技術はEV分野を超えて広範な応用が可能です。自律走行車のフリートがある場所なら、必ずや効果を発揮します。研究者が注目した主な領域には、ドローン、ロボット、衛星が含まれます。

分散型インテリジェンスネットワークの研究者

Cached-DFL研究は、NYUのエンジニアチームがYong Liu、Xiaoyu Wang、Guojun Xiong、Jian Li、Houwei Caoの指導のもと提案しました。特筆すべきは、同グループが複数の米国国立科学財団（NSF）助成金とResilient & Intelligent NextG Systems（RINGS）プログラムの資金援助を受けている点です。

自律走行車技術レースをリードする企業

自律走行車を道路に導入するレースは本格化しています。メーカーは毎年、完全自律走行車に近づいていますが、この壮大な課題には多大なリソース、技術、そして膨大なサプライヤーネットワークが必要です。その結果、現在市場を支配している主要プレイヤーはごく少数です。以下は自律走行車革命を牽引している企業の一例です。

Uber Technologies, Inc.

Cached-DFLはまだ初期段階ですが、Uberのように自動運転技術を試験している企業は、将来的に分散型インテリジェンスネットワークをフリートに統合する可能性があります。

Uber (UBER ) は2009年に市場に参入し、カリフォルニア州サンフランシスコに本拠を置いています。これは注目を集めた最初の分散型ライドシェアアプリでした。アプリの創業者はOscar Salazar Gaitan、Travis Kalanick、Garrett Campです。その分散型ライドシェア経済のビジョンは市場を永遠に変えました。

Uberと聞いて最初に思い浮かぶのはロボットタクシーではないでしょう。むしろ、個人の車で乗り合わせる人を想像するかもしれません。しかし、将来的にはそれが変わる可能性があります。なぜなら、UberはWaymoのような先進的イノベーターと提携し、支援してきた最大手の自律走行車技術支援者の一つだからです。

同社はすでにいくつかの都市で自律走行Uberのテスト走行を行っており、テキサス州オースティンでの最新ベンチャーも含まれます。この取り組みの一環として、Alphabet傘下のWaymoと提携し、オースティン地域のUber利用者は追加費用なしで自律走行ジャガーI-PACE全電動SUVにアップグレードできます。

現在、Uberはライドシェア市場を支配し、物流やフードデリバリーなど他の分野にも事業を拡大しています。同社は現在、31,100人以上を雇用しています。そのポジショニング、歴史、革新精神から、Uberはどのポートフォリオにも賢い追加銘柄と見なされています。

Uber Technologies, Inc. の最新情報

分散型インテリジェンスネットワーク – 未来の旅行を支える

スマートカーにはスマートなシステムが必要です。そのため、今後数か月・数年で分散型インテリジェンスネットワークの需要が高まります。これらのシステムは車両の自律走行能力を向上させ、性能を高め、より遠くへ走行し、他の車両に有用なデータを提供できるようにします。

他の機械学習プロジェクトについて今すぐ学びましょう

研究参照:

^{1. Wang, X., Xiong, G., Cao, H., Li, J., & Liu, Y. (2025). モバイルエージェント上のモデルキャッシュを伴う分散型連合学習 [Conference paper]. Association for the Advancement of Artificial Intelligence Conference. Retrieved from https://arxiv.org/abs/2408.14001v2}