Desentraliserte nettverk klare til å fremme autonome kjøretøy

Desentraliserte intelligensnettverk kan holde nøkkelen til å gjøre selvkjørende biler smartere og tryggere. Mange ser disse kjøretøyene som fremtiden for reise. Imidlertid er det fortsatt flere problemer som produsenter og regulatorer må løse.

I kjernen er selvkjørende kjøretøy avhengige av sensorer og andre data for å holde kursen, unngå hindringer og trygt levere passasjerer til deres destinasjoner. Disse sensorene kan inkludere LiDAR, radar, termisk avbildning og andre avanserte systemer. Alle disse systemene skaper et datavtrykk som kan brukes til å forbedre bilens ytelse i fremtiden.

Federert læring

En måte produsenter har funnet for å forbedre kjøretøyenes selvkjørende ytelse på, er å la bilene dele disse dataene ved hjelp av et system kalt federert læring. Federert læring (FL) er en distribuert maskinlæringsmetode hvor individuelle kjøretøy trener modeller lokalt og kun deler modelloppdateringer med en sentral server. Denne tilnærmingen bevarer dataprivatliv ved å holde rå sensor data på kjøretøyet selv i stedet for å sende dem til en sentral server. Dataene brukes til å trene en delt modell for økosystemet.

Problemer med federert læring

Hovedproblemet med federerte læringssystemer er at du trenger en direkte tilkobling til serveren. Hvis du reiser mye i din elbil, er det sannsynlig at internettforbindelsen vil variere avhengig av hvor du befinner deg. Dette kan føre til at kjøretøyet ditt går glipp av oppdateringer.

Kilde – Teslaroti

Desentralisert federert læring (DFL)

Desentraliserte federerte læringssystemer (DFL) fjerner avhengigheten av en sentral server ved å la kjøretøy utveksle AI-modeller direkte gjennom peer-to-peer-kommunikasjon. Disse systemene kan overføre innsamlede data direkte mellom kjøretøy. Denne oppsettet tillater mer deling, men har fortsatt noen problemer som kan føre til at et kjøretøy faller utenfor.

For det første må kjøretøyet ditt komme i kontakt med andre kjøretøy i federert læringsnettverk for at systemet skal fungere riktig. Når man håndterer store områder eller travle byer, blir sjansen for å støte på hverandre mye mindre, noe som fører til at kjøretøydata blir utdaterte før de sendes til andre. I tillegg overfører disse systemene kun personlig innsamlede data gjennom begrensede interaksjoner.

Personvernbekymringer

Et annet stort problem med desentraliserte federerte læringssystemer er personvernbekymringer. Når du har en sentral server, er det enkelt å fastslå hvem som er hovedansvarlig for personlig eller sensitiv data. Men i et desentralisert nettverk faller ansvaret på individene. Denne strukturen har fått mange til å bekymre seg for personvernbrudd eller misbruk.

Studie av desentraliserte intelligensnettverk

Et team av ingeniører introduserer en ny løsning på problemene disse nettverkene står overfor, kalt Bufret desentralisert federert læring (Cached-DFL). Det forbedrede kjøretøydatasystemet ble presentert på årets Association for the Advancement of Artificial Intelligence Conference.

Ingeniørene introduserte en metode for deling av elbildata som ligner på sosiale medier, der hvert kjøretøy fritt kan overføre data mellom hverandre. Cached-DFL-tilnærmingen utnytter høyhastighets enhet-til-enhet-kommunikasjon, med en rekkevidde på opptil 100 meter under optimale forhold. Imidlertid avhenger effektiviteten i den virkelige verden av faktorer som kjøretøyhastighet, miljøinterferens og tilkoblingsstabilitet. Kjøretøy som beveger seg i motsatt retning med høy hastighet kan kun ha et kort tidsvindu for datautveksling. Denne tilnærmingen vil forbedre kjøretøyets evne til å forberede seg på endrede veiforhold, farer og andre restriksjoner.

Bufret desentralisert federert læring (Cached-DFL)

Konseptet Bufret desentralisert federert læring (Cached-DFL) fokuserer på å bygge et nettverk der periodisk tilkobling er forventet snarere enn unngått. Som en del av denne tilnærmingen sørget ingeniørene for at hvert kjøretøy kunne lagre og videresende data uavhengig når det er tilgjengelig.

Hvert kjøretøy trener sin egen AI-modell i dette oppsettet. Dataene fra AI-modellen inkluderer viktige detaljer som veiforhold, signaler og hindringer. Disse dataene blir deretter automatisk overført til andre kjøretøy når de kommer inn i overføringsrekkevidden.

Multi-hop overføringsmekanisme

Hvert kjøretøy fungerer som en relé i dette oppsettet. Det lagrer sine data sammen med 10 andre eksterne modeller som overføres mellom kjøretøy. Det er viktig å nevne at systemet overfører trente AI-modeller i stedet for de originale dataene, slik sine forgjengere gjorde. Denne strategien forbedrer ytelsen.

Merkbart deler kjøretøyene de mest oppdaterte AI-modellene når de interagerer. Som en del av denne tilnærmingen fjernes all foreldet informasjon før den kan påvirke ytelsen. Spesielt prioriterer systemet nyere AI-modeller over utdaterte, med oppdateringer som skjer basert på kjøretøymøter i stedet for et fast 20-sekunders intervall. Cached-DFL bruker en foreldelsesgrense (τmax), vanligvis satt til 10 eller 20 epoker, for å forkaste utdaterte modeller og sikre relevans i desentralisert læring.

Lær av andre

Hovedfordelen med dette systemet er at det lar kjøretøyet ditt lære av andre kjøretøyers møter. I tillegg forbedrer denne strategien hastigheten som relevant data kan deles gjennom nettverket. Den tar hensyn til den periodiske tilstanden i nettverket på dette tidspunktet, og gjør det mulig for sjåfører å få tilgang til data fra utenfor deres umiddelbare interaksjoner.

Test av desentraliserte intelligensnettverk

Forskningsgruppen testet teorien sin ved hjelp av datasimuleringer. Ingeniørene opprettet en virtuell Manhattan og satte sine digitale elbiler til å kjøre de mange rutene. Kjøretøyene hadde en hastighet på 14 meter per sekund. Interessant nok ble simuleringen designet slik at hvert kjøretøy tok et tilfeldig 50/50 valg ved hvert kryss. Denne tilnærmingen tillot hvert kjøretøy å lage en unik modell og dele den.

Resultater fra test av desentraliserte intelligensnettverk

Testresultatene kastet lys over hvordan dette systemet kan forbedre elbiler i fremtiden. Det viste at det er mange faktorer som kan påvirke hvor nøyaktige og tidsriktige dataene som brukes til å lage elbilmodeller er, samt hvordan de blir opprettet og delt.

Testen viste at jo mer disse kjøretøyene møter hverandre, desto bedre blir ytelsen. I tillegg demonstrerte den at systemet var ideelt for å dele tidsriktige data over store nettverk av privat kontrollerte elbiler. Teamet bemerket at nøkkeldata som hastighet, cache-størrelse og modellutløp alle spilte en rolle i læringseffektiviteten.

Fordeler med desentraliserte intelligensnettverk

Det er mange fordeler med Cached-DFL-tilnærmingen. For det første er den langt mer effektiv når det gjelder datapropagasjon. Forskerne klarte å sikre at flertallet av kjøretøyene i deres simuleringer hadde tidsriktige modeller sammenlignet med forgjengersystemer som kunne ha kjøretøy som kjørte utdaterte modeller i flere uker.

Dette systemet gir en pålitelig vei for selvkjørende biler til å lære kollektivt og lære hverandre å bli bedre sjåfører. Siden metoden tar hensyn til at kjøretøyet ditt ikke vil ha 100 % oppetid, er den ideelt egnet for bruk i den virkelige verden og kan bli et verdifullt verktøy som produsenter bruker for å programmere flåter raskere.

Datadeling

Kombinasjonen av fordelene ved desentraliserte nettverk med muligheten til å dele og lagre opptil 10 AI-modeller er en spillveksler. Den gjør at modeller kan reise indirekte gjennom nettverket for å sikre at alle kjøretøy har tilgang til de mest kritiske dataene. I tillegg prioriterer systemet automatisk den mest relevante informasjonen fra ulike modeller hentet fra forskjellige områder, noe som øker relevansen.

Åpne data

En annen stor fordel med denne forskningen er beslutningen om å gjøre dataene åpen for alle via Github-filer. Denne beslutningen vil forbedre innovasjon og la andre forskere forbedre sine funn. Ingeniører kan finne eksempler, tester, cache-filer, tekniske rapporter og mer.

Applikasjoner av desentraliserte intelligensnettverk

Det finnes vidtrekkende anvendelser for denne teknologien som strekker seg utover elbilsektoren. Hvor enn du har flåter av autonome kjøretøy, vil denne teknologien utvilsomt gjøre en forskjell. Noen nøkkelområder forskerne har undersøkt inkluderer droner, roboter og satellitter.

Forskere innen desentraliserte intelligensnettverk

Cached-DFL-studien ble presentert av et team av ingeniører fra NYU ledet av Yong Liu, Xiaoyu Wang, Guojun Xiong, Jian Li og Houwei Cao. Gruppen mottok bemerkelsesverdig finansiell støtte i form av flere National Science Foundation-tilskudd og Resilient & Intelligent NextG Systems (RINGS)-programmet.

Selskaper som leder konkurransen innen autonom kjøretøyteknologi

Kappløpet om å få autonome kjøretøy på veiene er i full gang. Produsenter kommer stadig nærmere fullt autonome kjøretøy hvert år. Imidlertid krever denne enorme oppgaven mange ressurser, teknologi og et enormt leverandørnettverk. Som følge av dette er det kun noen få nøkkelaktører som dominerer markedet for øyeblikket. Her er ett selskap som leder revolusjonen innen autonome kjøretøy.

Uber Technologies, Inc.

Uber (UBER ) gikk inn i markedet i 2009 og har hovedkontor i San Francisco, CA. Det var den første desentraliserte samkjøringsappen som fikk oppmerksomhet. Appens grunnleggere er Oscar Salazar Gaitan, Travis Kalanick og Garrett Camp. Dens visjon om en desentralisert samkjøringsøkonomi har endret markedet for alltid.

Når du tenker på Uber, er din første tanke vanligvis ikke en robot-taxi. I stedet forestiller du deg sannsynligvis en tilfeldig person som stopper i sin private bil for å gi deg en tur. Imidlertid kan alt dette endre seg i fremtiden fordi Uber er en av de største støttespillerne for autonom kjøretøyteknologi, og har etablert og støttet partnerskap med ledende innovatører som Waymo.

Selskapet har allerede satt autonome Uber-biler på veien for testing i flere byer, inkludert deres siste prosjekt i Austin, Texas. Som en del av tilnærmingen inngikk selskapet partnerskap med Waymo, som eies av Alphabet, og gjorde det mulig for Uber-kunder i Austin-området å oppgradere til en autonom Jaguar I-PACE helelektrisk SUV uten ekstra kostnad.

I dag dominerer Uber markedet for samkjøring og har utvidet seg til andre sektorer, som logistikk, matlevering og mer. Selskapet har for tiden over 31 100 ansatte. Mange ser på Uber som et smart tillegg til enhver portefølje på grunn av selskapets posisjon, historie og innovative ånd.

Siste nyheter om Uber Technologies, Inc.

Desentraliserte intelligensnettverk – driver fremtidig reise

Småte biler trenger smarte systemer. Derfor vil etterspørselen etter desentraliserte intelligensnettverk øke i de kommende månedene og årene. Disse systemene vil gjøre det mulig for kjøretøy å forbedre sine autonome kjøreegenskaper og la selvkjørende biler forbedre ytelsen, gå lenger og levere nyttig data til andre.

Lær om andre maskinlæringsprosjekter Nå

Studierreferanse:

^{1. Wang, X., Xiong, G., Cao, H., Li, J., & Liu, Y. (2025). Desentralisert federert læring med modellcaching på mobile agenter [Conference paper]. Association for the Advancement of Artificial Intelligence Conference. Hentet fra https://arxiv.org/abs/2408.14001v2}