Gedecentraliseerde netwerken klaar om autonome voertuigen te bevorderen

Gedecentraliseerde intelligentienetwerken zouden de sleutel kunnen vormen om zelfrijdende auto’s slimmer en veiliger te maken. Velen zien deze voertuigen als de toekomst van reizen. Er zijn echter nog verschillende problemen die fabrikanten en regelgevers moeten oplossen.

Federated Learning

Een manier waarop fabrikanten de zelfrijdende prestaties van hun voertuigen hebben verbeterd, is door hun auto’s hun data te laten delen via een systeem dat federated learning wordt genoemd. Federated Learning (FL) is een gedistribueerde machine‑learningbenadering waarbij individuele voertuigen modellen lokaal trainen en alleen modelupdates delen met een centrale server. Deze aanpak behoudt de privacy van gegevens door ruwe sensorgegevens op het voertuig zelf te houden in plaats van ze naar een centrale server te sturen. De gegevens worden gebruikt om een gedeeld model voor het ecosysteem te trainen.

Problemen met Federated Learning

Het belangrijkste probleem met Federated Learning‑systemen is dat je een directe verbinding met de server nodig hebt. Als je vaak met je elektrische voertuig reist, zal je internetverbinding waarschijnlijk variëren afhankelijk van je locatie. Dit scenario kan ertoe leiden dat je voertuig updates mist.

Bron – Teslaroti

Gedecentraliseerd Federated Learning (DFL)

Gedecentraliseerd Federated Learning (DFL)‑systemen verwijderen de afhankelijkheid van een centrale server door voertuigen AI‑modellen direct via peer‑to‑peer‑communicatie uit te wisselen. Deze systemen kunnen hun verzamelde gegevens rechtstreeks tussen voertuigen doorgeven. Deze opzet maakt meer delen mogelijk, maar heeft nog steeds enkele problemen die een voertuig buiten de lus kunnen laten vallen.

Ten eerste moet je voertuig in contact komen met andere voertuigen uit het federated‑learning‑netwerk om het systeem goed te laten functioneren. In grote gebieden of drukke steden wordt de kans om elkaar tegen te komen veel kleiner, waardoor voertuigdata verouderd kan raken voordat het naar anderen wordt verzonden. Bovendien dragen deze systemen alleen persoonlijk verzamelde data over via beperkte interacties.

Privacyzorgen

Een ander groot probleem met gedecentraliseerde federated‑learning‑systemen zijn privacyzorgen. Wanneer je een centrale server hebt, is het eenvoudig om te bepalen wie de hoofdverantwoordelijke is voor persoonlijke of gevoelige gegevens. In een gedecentraliseerd netwerk valt die verantwoordelijkheid echter op de individuen. Deze structuur heeft ertoe geleid dat velen zich zorgen maken over privacy‑inbreuken of misbruik.

Studie naar gedecentraliseerde intelligentienetwerken

Een team van ingenieurs introduceert een nieuwe oplossing voor de problemen waarmee deze netwerken worden geconfronteerd, genaamd Cached Decentralized Federated Learning (Cached‑DFL). Het verbeterde voertuig‑datadeldingssysteem werd onthuld op de Association for the Advancement of Artificial Intelligence Conference van dit jaar.

De ingenieurs introduceerden een methode voor EV‑datadeling die lijkt op sociale media, waarbij elk voertuig vrijelijk data tussen elkaar kan doorgeven. De Cached‑DFL‑aanpak maakt gebruik van hogesnelheids‑device‑to‑device‑communicatie, met een bereik tot 100 meter onder optimale omstandigheden. De effectiviteit in de echte wereld hangt echter af van factoren zoals voertuig‑snelheid, omgevingsinterferentie en stabiliteit van de verbinding. Voertuigen die in tegengestelde richtingen met hoge snelheid bewegen, hebben mogelijk slechts een kort venster voor gegevensuitwisseling. Deze aanpak zal het vermogen van het voertuig verbeteren om zich voor te bereiden op veranderende wegomstandigheden, gevaren en andere beperkingen.

Cached Decentralized Federated Learning (Cached-DFL)

Het Cached Decentralized Federated Learning (Cached‑DFL)‑concept richt zich op het bouwen van een netwerk waarin intermitterende connectiviteit wordt verwacht in plaats van vermeden. Als onderdeel van deze aanpak zorgden de ingenieurs ervoor dat elk voertuig data onafhankelijk kon opslaan en doorsturen wanneer dit beschikbaar was.

Elk voertuig traint in deze opzet zijn eigen AI‑model. De data van het AI‑model omvat cruciale details zoals wegomstandigheden, signalen en obstakels. Deze data wordt vervolgens automatisch doorgegeven aan andere voertuigen zodra ze binnen het transmissiebereik komen.

Multi-hop overdrachtsmechanisme

Elk voertuig fungeert in deze opzet als een relais. Het slaat zijn data op naast 10 andere externe modellen die tussen voertuigen worden doorgegeven. Het is belangrijk te vermelden dat het systeem getrainde AI‑modellen overdraagt in plaats van de oorspronkelijke data, zoals zijn voorgangers deden. Deze strategie verbetert de prestaties.

Opmerkelijk is dat de voertuigen de meest actuele AI‑modellen delen wanneer ze met elkaar communiceren. Als onderdeel van deze aanpak wordt alle verouderde informatie geëlimineerd voordat deze de prestaties kan verminderen. Concreet geeft het systeem de voorkeur aan nieuwere AI‑modellen boven verouderde, met updates die plaatsvinden op basis van voertuig‑ontmoetingen in plaats van een vaste interval van 20 seconden. Cached‑DFL hanteert een verouderingsdrempel (τmax), meestal ingesteld op 10 of 20 epochs, om verouderde modellen te verwijderen en relevantie in gedecentraliseerd leren te waarborgen.

Leren van anderen

Het belangrijkste voordeel van dit systeem is dat het je voertuig in staat stelt te leren van de ontmoetingen van andere voertuigen. Daarnaast verbetert deze strategie de snelheid waarmee relevante data door het netwerk kan worden gedeeld. Het houdt rekening met de intermitterende staat van het netwerk op dit moment, waardoor bestuurders toegang krijgen tot data buiten hun directe interacties.

Test van gedecentraliseerde intelligentienetwerken

Het onderzoeksteam testte hun theorie met behulp van computersimulaties. De ingenieurs creëerden een virtueel Manhattan en lieten hun digitale EV’s de vele routes ervan afrijden. De voertuigen reden met een snelheid van 14 meter per seconde. Interessant genoeg was de simulatie zo opgezet dat elk voertuig bij elke kruising een willekeurige 50/50‑keuze maakte. Deze aanpak stelde elk voertuig in staat een uniek model te creëren en dit te delen.

Resultaten van de test van gedecentraliseerde intelligentienetwerken

De testresultaten werpen licht op hoe dit systeem EV’s in de toekomst kan verbeteren. Ze toonden aan dat er veel factoren een rol spelen in hoe nauwkeurig en tijdig de data die wordt gebruikt om EV‑modellen te maken, is en hoe deze wordt gecreëerd en gedeeld.

De test liet zien dat hoe vaker deze voertuigen elkaar ontmoeten, hoe beter de prestaties. Bovendien bleek het systeem ideaal voor het delen van tijdige data over grote netwerken van privé‑beheerde EV’s. Het team merkte op dat sleuteldata zoals snelheid, cache‑grootte en modelverval allemaal een rol spelen in de leerefficiëntie.

Voordelen van gedecentraliseerde intelligentienetwerken

Er zijn veel voordelen aan de Cached‑DFL‑aanpak. Ten eerste is het veel efficiënter wat betreft dataproparatie. De onderzoekers konden ervoor zorgen dat de meerderheid van de voertuigen in hun simulaties tijdige modellen had in vergelijking met eerdere systemen, waarbij voertuigen wekenlang verouderde modellen konden draaien.

Dit systeem biedt een betrouwbare weg voor zelfrijdende auto’s om collectief te leren en elkaar beter te leren rijden. Omdat de methode rekening houdt met het feit dat je voertuig niet 100 % uptime heeft, is het ideaal geschikt voor gebruik in de echte wereld en kan het een waardevol hulpmiddel zijn dat fabrikanten gebruiken om vloten sneller te programmeren.

Gegevensdeling

De combinatie van de voordelen van gedecentraliseerde netwerken met de mogelijkheid om tot 10 AI‑modellen te delen en op te slaan, is een game‑changer. Het stelt modellen in staat indirect door het netwerk te reizen zodat alle voertuigen toegang hebben tot de meest cruciale data. Bovendien prioriteert het systeem automatisch de meest relevante informatie uit verschillende modellen die uit diverse gebieden zijn afgeleid, waardoor de relevantie verder wordt vergroot.

Open data

Een ander groot voordeel van dit onderzoek is de beslissing om de data open voor iedereen beschikbaar te stellen via Github‑bestanden. Deze beslissing zal innovatie stimuleren en andere onderzoekers in staat stellen hun bevindingen te verbeteren. Ingenieurs kunnen voorbeelden, tests, cache‑bestanden, technische rapporten en meer vinden.

Toepassingen van gedecentraliseerde intelligentienetwerken

Er zijn verreikende toepassingen voor deze technologie die verder gaan dan de EV‑sector. Waar je ook vloten van autonome voertuigen hebt, zal deze technologie een verschil maken. Enkele belangrijke gebieden die de onderzoekers hebben onderzocht, omvatten drones, robots en satellieten.

Onderzoekers van gedecentraliseerde intelligentienetwerken

De Cached‑DFL‑studie werd gepresenteerd door een team van ingenieurs van NYU onder leiding van Yong Liu, Xiaoyu Wang, Guojun Xiong, Jian Li en Houwei Cao. Opmerkelijk is dat de groep financiële steun kreeg in de vorm van meerdere National Science Foundation‑subsidies en het Resilient & Intelligent NextG Systems (RINGS)‑programma.

Bedrijven die de race om autonome voertuigtechnologie leiden

De race om autonome voertuigen op de weg te krijgen is in volle gang. Fabrikanten komen elk jaar dichter bij volledig autonome voertuigen. Deze monumentale taak vereist echter veel middelen, technologie en een enorm netwerk van leveranciers. Daardoor zijn er momenteel slechts een paar belangrijke spelers die de markt domineren. Hier is één bedrijf dat de autonome voertuigrevolutie leidt.

Uber Technologies, Inc.

Uber (UBER ) trad in 2009 de markt op en is gevestigd in San Francisco, CA. Het was de eerste gedecentraliseerde ride‑sharing‑app die bekendheid kreeg. De oprichters van de app zijn Oscar Salazar Gaitan, Travis Kalanick en Garrett Camp. Hun visie op een gedecentraliseerde ride‑sharing‑economie heeft de markt voorgoed veranderd.

Als je aan Uber denkt, is je eerste gedachte waarschijnlijk niet een robot‑taxi. In plaats daarvan stel je je waarschijnlijk een willekeurige persoon voor die met zijn eigen auto stopt om je een lift te geven. Dat kan echter in de toekomst veranderen, omdat Uber een van de grootste steunpilaren is van autonome voertuigtechnologie, met partnerschappen met toonaangevende innovators zoals Waymo.

Het bedrijf heeft al autonome Uber‑voertuigen op de weg gezet voor tests in verschillende steden, waaronder hun nieuwste project in Austin, Texas. Als onderdeel van deze aanpak werkte het bedrijf samen met Waymo, eigendom van Alphabet , waardoor Uber‑klanten in de omgeving van Austin konden upgraden naar een autonome Jaguar I‑PACE volledig elektrische SUV zonder extra kosten.

Tegenwoordig domineert Uber de ride‑sharing‑markt en heeft het zich uitgebreid naar andere sectoren, zoals logistiek, voedselbezorging en meer. Het bedrijf heeft momenteel meer dan 31.100 medewerkers. Veel beleggers zien Uber als een slimme toevoeging aan hun portefeuille vanwege de positionering, geschiedenis en innovatieve geest.

Laatste nieuws over Uber Technologies, Inc.

Gedecentraliseerde intelligentienetwerken – de drijvende kracht achter toekomstig reizen

Slimme auto’s hebben slimme systemen nodig. Daardoor zal de vraag naar gedecentraliseerde intelligentienetwerken in de komende maanden en jaren toenemen. Deze systemen zullen voertuigen in staat stellen hun autonome rijcapaciteiten te verbeteren en zelfrijdende auto’s te laten presteren, verder te gaan en nuttige data aan anderen te leveren.

Leer meer over andere Machine Learning‑projecten Nu

Studieverwijzing:

^{1. Wang, X., Xiong, G., Cao, H., Li, J., & Liu, Y. (2025). Decentralized federated learning with model caching on mobile agents [Conference paper]. Association for the Advancement of Artificial Intelligence Conference. Retrieved from https://arxiv.org/abs/2408.14001v2}