Redes Descentralizadas Preparadas para Avançar Veículos Autônomos

Redes de inteligência descentralizadas podem ser a chave para tornar os carros autônomos mais inteligentes e seguros. Muitos veem esses veículos como o futuro da mobilidade. No entanto, ainda existem vários problemas que fabricantes e reguladores precisam resolver.

Aprendizado Federado

Uma maneira que os fabricantes encontraram para melhorar o desempenho de condução autônoma de seus veículos é permitir que seus carros compartilhem esses dados usando um sistema chamado aprendizado federado. Aprendizado Federado (FL) é uma abordagem de aprendizado de máquina distribuído onde veículos individuais treinam modelos localmente e compartilham apenas as atualizações do modelo com um servidor central. Essa abordagem preserva a privacidade dos dados ao manter os dados brutos dos sensores no próprio veículo, em vez de enviá‑los a um servidor central. Os dados são usados para treinar um modelo compartilhado para o ecossistema.

Problemas com Aprendizado Federado

O principal problema dos sistemas de Aprendizado Federado é que é necessário uma conexão direta com o servidor. Se você viaja muito em seu VE, as chances são de que sua conexão de internet varie dependendo da sua localização. Esse cenário pode levar seu veículo a perder atualizações.

Fonte – Teslaroti

Aprendizado Federado Descentralizado (DFL)

Os sistemas de Aprendizado Federado Descentralizado (DFL) eliminam a dependência de um servidor central ao permitir que os veículos troquem modelos de IA diretamente por meio de comunicação ponto a ponto. Esses sistemas podem transferir os dados coletados diretamente entre veículos. Essa configuração permite maior compartilhamento, mas ainda apresenta alguns problemas que podem deixar um veículo fora da rede.

Primeiro, seu veículo precisa encontrar outros veículos da rede de aprendizado federado para que o sistema funcione corretamente. Ao lidar com áreas extensas ou cidades congestionadas, as chances de encontrar uns aos outros diminuem consideravelmente, resultando em dados de veículos que se tornam obsoletos antes de serem enviados a outros. Além disso, esses sistemas transferem apenas dados coletados pessoalmente através de interações limitadas.

Preocupações com Privacidade

Outra questão importante dos sistemas de aprendizado federado descentralizado são as preocupações com privacidade. Quando há um servidor central, é fácil determinar quem é a pessoa principal responsável pelos dados pessoais ou sensíveis. Contudo, ao lidar com uma rede descentralizada, a responsabilidade recai sobre os indivíduos. Essa estrutura tem levado muitos a temer violações ou abusos de privacidade.

Estudo de Redes de Inteligência Descentralizadas

Uma equipe de engenheiros apresenta uma solução inovadora para os problemas enfrentados por essas redes chamada Aprendizado Federado Descentralizado com Cache (Cached-DFL). O aprimorado sistema de compartilhamento de dados de veículos foi revelado na Conferência da Association for the Advancement of Artificial Intelligence deste ano.

Os engenheiros introduziram um método de compartilhamento de dados de VEs que se assemelha às redes sociais, onde cada veículo pode passar dados livremente entre si. A abordagem Cached-DFL aproveita a comunicação de dispositivo a dispositivo de alta velocidade, com alcance de até 100 metros em condições ideais. No entanto, a eficácia no mundo real depende de fatores como velocidade do veículo, interferência ambiental e estabilidade da conectividade. Veículos que se movem em direções opostas em alta velocidade podem ter apenas uma janela breve para troca de dados. Essa abordagem aprimorará a capacidade do veículo de se preparar para mudanças nas condições da estrada, perigos e outras restrições.

Aprendizado Federado Descentralizado com Cache (Cached-DFL)

O conceito de Aprendizado Federado Descentralizado com Cache (Cached-DFL) foca em construir uma rede onde a conectividade intermitente é esperada em vez de evitada. Como parte dessa abordagem, os engenheiros garantiram que cada veículo pudesse armazenar e encaminhar dados de forma independente quando disponível.

Cada veículo treina seu próprio modelo de IA nessa configuração. Os dados do modelo de IA incluem detalhes vitais como condições da estrada, sinais e obstáculos. Esses dados são então automaticamente repassados a outros veículos quando eles entram no alcance de transmissão.

Mecanismo de Transferência Multi‑salto

Cada veículo atua como um relé nessa configuração. Ele armazena seus dados juntamente com 10 outros modelos externos que são repassados entre veículos. É importante mencionar que o sistema transfere modelos de IA treinados em vez dos dados originais, como seus predecessores. Essa estratégia melhora o desempenho.

Notavelmente, os veículos compartilham os modelos de IA mais atualizados quando interagem. Como parte dessa abordagem, todas as informações desatualizadas são eliminadas antes que possam reduzir o desempenho. Especificamente, o sistema prioriza modelos de IA mais recentes em detrimento dos obsoletos, com atualizações ocorrendo com base nos encontros de veículos em vez de um intervalo fixo de 20 segundos. Cached-DFL emprega um limiar de obsolescência (τmax), normalmente definido em 10 ou 20 épocas, para descartar modelos obsoletos e garantir relevância no aprendizado descentralizado.

Aprender com Outros

A principal vantagem desse sistema é que ele permite que seu veículo aprenda com os encontros de outros veículos. Além disso, essa estratégia melhora a velocidade com que dados relevantes podem ser compartilhados por toda a rede. Ela leva em conta o estado intermitente da rede neste momento, permitindo que os motoristas acessem dados além de suas interações imediatas.

Teste de Redes de Inteligência Descentralizadas

A equipe de pesquisa testou sua teoria utilizando simulações computacionais. Os engenheiros criaram um Manhattan virtual e configuraram seus VEs digitais para percorrer seus inúmeros caminhos. Os veículos tinham velocidade de 14 metros por segundo. Curiosamente, a simulação foi projetada de modo que cada veículo fizesse uma escolha aleatória 50/50 em cada interseção. Essa abordagem permitiu que cada veículo criasse um modelo único e o compartilhasse.

Resultados do Teste de Redes de Inteligência Descentralizadas

Os resultados do teste lançaram luz sobre como esse sistema pode melhorar os VEs no futuro. Demonstrou que há muitos fatores que podem influenciar a precisão e a pontualidade dos dados usados para criar os modelos de VE e como eles são criados e compartilhados.

O teste mostrou que quanto mais esses veículos se encontrarem, melhor o desempenho. Além disso, demonstrou que o sistema era ideal para compartilhar dados oportunos em grandes redes de VEs controlados privadamente. A equipe observou que dados‑chave como velocidade, tamanho do cache e expiração do modelo desempenham um papel na eficiência de aprendizado.

Benefícios das Redes de Inteligência Descentralizadas

Existem muitos benefícios na abordagem Cached-DFL. Primeiro, ela é muito mais eficiente em termos de propagação de dados. Os pesquisadores conseguem garantir que a maioria dos veículos em suas simulações possuía modelos atualizados em comparação com sistemas predecessores que podiam ter veículos operando com modelos desatualizados por semanas.

Esse sistema fornece um caminho confiável para que carros autônomos aprendam coletivamente e ensinem uns aos outros a serem melhores motoristas. Como o método considera que seu veículo não terá 100% de tempo de atividade, ele é ideal para uso no mundo real e pode ser uma ferramenta valiosa que os fabricantes utilizam para programar frotas mais rapidamente.

Compartilhamento de Dados

A combinação dos benefícios das redes descentralizadas com a capacidade de compartilhar e armazenar até 10 modelos de IA é um divisor de águas. Ela permite que os modelos circulem indiretamente pela rede para garantir que todos os veículos tenham acesso aos dados mais essenciais. Além disso, o sistema prioriza automaticamente as informações mais relevantes provenientes de diferentes modelos derivados de várias áreas, ampliando sua relevância.

Dados Abertos

Outro benefício importante desta pesquisa é a decisão de tornar os dados abertos para todos via arquivos no Github. Essa decisão impulsionará a inovação e permitirá que outros pesquisadores aprimorem suas descobertas. Os engenheiros podem encontrar exemplos, testes, arquivos em cache, relatórios técnicos e mais.

Aplicações das Redes de Inteligência Descentralizadas

Existem aplicações de longo alcance para essa tecnologia que vão além do setor de VEs. Onde houver frotas de veículos autônomos, essa tecnologia certamente fará diferença. Algumas áreas‑chave que os pesquisadores analisaram incluem drones, robôs e satélites.

Pesquisadores das Redes de Inteligência Descentralizadas

O estudo Cached-DFL foi apresentado por uma equipe de engenheiros da NYU liderada por Yong Liu, Xiaoyu Wang, Guojun Xiong, Jian Li e Houwei Cao. Notavelmente, o grupo recebeu apoio financeiro na forma de múltiplas bolsas da National Science Foundation e do programa Resilient & Intelligent NextG Systems (RINGS).

Empresas que Lideram a Corrida Tecnológica dos Veículos Autônomos

A corrida para colocar veículos autônomos nas ruas está em pleno andamento. Os fabricantes continuam se aproximando cada vez mais de veículos totalmente autônomos a cada ano. No entanto, essa tarefa monumental requer muitos recursos, tecnologia e uma enorme rede de fornecedores. Consequentemente, há apenas alguns players‑chave dominando o mercado atualmente. Aqui está uma empresa que está liderando a revolução dos veículos autônomos.

Uber Technologies, Inc.

Uber (UBER ) entrou no mercado em 2009 e tem sede em San Francisco, CA. Foi o primeiro aplicativo de transporte compartilhado descentralizado a ganhar notoriedade. Os fundadores do aplicativo são Oscar Salazar Gaitan, Travis Kalanick e Garrett Camp. Sua visão de uma economia de transporte compartilhado descentralizada mudou o mercado para sempre.

Quando você pensa na Uber, sua primeira ideia não é um táxi robô. Em vez disso, provavelmente imagina uma pessoa aleatória chegando em seu veículo particular para lhe dar uma carona. No entanto, tudo isso pode mudar no futuro porque a Uber é um dos maiores apoiadores da tecnologia de veículos autônomos, tendo estabelecido e apoiado parcerias com inovadores líderes como a Waymo.

A empresa já colocou Ubers autônomos nas ruas para testes em várias cidades, incluindo sua mais recente empreitada em Austin, Texas. Como parte da abordagem, a empresa fez parceria com a Waymo, de propriedade da Alphabet, permitindo que clientes da Uber na região de Austin façam upgrade para um Jaguar I-PACE totalmente elétrico e autônomo sem custo adicional.

Hoje, a Uber domina o mercado de transporte compartilhado e expandiu para outros setores, como logística, entrega de alimentos e mais. A empresa atualmente emprega mais de 31.100 pessoas. Muitos veem a Uber como uma adição inteligente a qualquer portfólio devido ao seu posicionamento, história e espírito inovador.

Últimas Notícias sobre Uber Technologies, Inc.

Redes de Inteligência Descentralizadas – Impulsionando o Futuro da Mobilidade

Carros inteligentes precisam de sistemas inteligentes. Consequentemente, haverá maior demanda por redes de inteligência descentralizadas nos próximos meses e anos. Esses sistemas permitirão que os veículos aprimorem suas capacidades de condução autônoma e possibilitem que carros autônomos melhorem o desempenho, percorram distâncias maiores e forneçam dados úteis a outros.

Saiba mais sobre outros Projetos de Machine Learning Agora

Referência do Estudo:

^{1. Wang, X., Xiong, G., Cao, H., Li, J., & Liu, Y. (2025). Aprendizado federado descentralizado com cache de modelo em agentes móveis [Artigo de Conferência]. Association for the Advancement of Artificial Intelligence Conference. Recuperado de https://arxiv.org/abs/2408.14001v2}