Decentraliserade nätverk redo att driva fram autonoma fordon

Decentraliserade intelligensnätverk kan vara nyckeln till att göra självkörande bilar smartare och säkrare. Många ser dessa fordon som framtidens resande. Det finns dock fortfarande flera problem som tillverkare och regulatorer måste lösa.

Federerad inlärning

Ett sätt som tillverkare har hittat för att förbättra sina fordonens självkörande prestanda är att låta bilarna dela denna data med ett system som kallas federerad inlärning. Federerad inlärning (FL) är ett distribuerat maskininlärningssätt där enskilda fordon tränar modeller lokalt och endast delar modelluppdateringar med en central server. Detta tillvägagångssätt bevarar datasekretessen genom att hålla rå sensor data på fordonet självt istället för att skicka den till en central server. Datan används för att träna en gemensam modell för ekosystemet.

Problem med federerad inlärning

Det huvudsakliga problemet med federerade inlärningssystem är att du behöver en direkt anslutning till servern. Om du kör mycket i din elbil kan din internetanslutning variera beroende på var du befinner dig. Detta scenario kan leda till att ditt fordon missar uppdateringar.

Källa – Teslaroti

Decentraliserad federerad inlärning (DFL)

Decentraliserade federerade inlärningssystem (DFL) tar bort beroendet av en central server genom att låta fordon utbyta AI-modeller direkt via peer-to-peer-kommunikation. Dessa system kan överföra sin insamlade data direkt mellan fordon. Denna uppsättning möjliggör mer delning men har fortfarande vissa problem som kan göra att ett fordon hamnar utanför kretsen.

För det första måste ditt fordon stöta på andra fordon i federerade inlärningsnätverket för att systemet ska fungera korrekt. När man hanterar stora områden eller trånga städer minskar sannolikheten att mötas avsevärt, vilket leder till att fordonsdata blir föråldrad innan den skickas till andra. Dessutom överför dessa system endast personligt insamlad data via begränsade interaktioner.

Integritetsproblem

Ett annat stort problem med decentraliserade federerade inlärningssystem är integritetsfrågor. När du har en central server är det enkelt att fastställa vem som är huvudansvarig för personlig eller känslig data. I ett decentraliserat nätverk faller ansvaret på individerna. Denna struktur har fått många att oroas för integritetsintrång eller missbruk.

Studie om decentraliserade intelligensnätverk

Ett team av ingenjörer presenterar en ny lösning på problemen som dessa nätverk står inför, kallad Cached Decentralized Federated Learning (Cached-DFL). Det förbättrade fordonssamlingssystemet presenterades på årets Association for the Advancement of Artificial Intelligence Conference.

Ingenjörerna presenterade en metod för EV-datadelning som liknar sociala medier, där varje fordon fritt kan överföra data till varandra. Cached-DFL‑metoden utnyttjar hög hastighet för enhet‑till‑enhet‑kommunikation, med en räckvidd på upp till 100 meter under optimala förhållanden. I praktiken beror effektiviteten på faktorer som fordonshastighet, miljöinterferens och anslutningsstabilitet. Fordon som rör sig i motsatta riktningar med hög hastighet kan bara ha ett kort tidsfönster för datautbyte. Detta tillvägagångssätt kommer att förbättra fordonets förmåga att förbereda sig för förändrade vägförhållanden, faror och andra begränsningar.

Cached Decentralized Federated Learning (Cached-DFL)

Konceptet Cached Decentralized Federated Learning (Cached-DFL) fokuserar på att bygga ett nätverk där intermittent anslutning förväntas snarare än undviks. Som en del av detta tillvägagångssätt säkerställde ingenjörerna att varje fordon kunde lagra och vidarebefordra data oberoende när den var tillgänglig.

Varje fordon tränar sin egen AI-modell i denna uppsättning. Data från AI-modellen innehåller viktiga detaljer såsom vägförhållanden, signaler och hinder. Denna data överförs sedan automatiskt till andra fordon när de kommer in i överföringsräckvidden.

Multi-hop‑överföringsmekanism

Varje fordon fungerar som en relä i denna uppsättning. Det lagrar sin data tillsammans med 10 andra externa modeller som överförs mellan fordon. Det är viktigt att nämna att systemet överför tränade AI-modeller snarare än den ursprungliga datan, till skillnad från sina föregångare. Denna strategi förbättrar prestandan.

Noterbart är att fordonen delar de mest uppdaterade AI-modellerna när de interagerar. Som en del av detta tillvägagångssätt elimineras all föråldrad information innan den kan försämra prestandan. Systemet prioriterar specifikt nyare AI-modeller framför föråldrade, med uppdateringar som sker baserat på fordonsmöten snarare än ett fast 20‑sekundersintervall. Cached-DFL använder en föråldringströskel (τmax), vanligtvis satt till 10 eller 20 epoker, för att kasta bort föråldrade modeller och säkerställa relevans i decentraliserad inlärning.

Lär av andra

Den största fördelen med detta system är att det låter ditt fordon lära sig av andra fordons möten. Dessutom förbättrar denna strategi hastigheten med vilken relevant data kan delas i hela nätverket. Det tar hänsyn till nätverkets intermittenta tillstånd och möjliggör för förare att få åtkomst till data bortom deras omedelbara interaktioner.

Test av decentraliserade intelligensnätverk

Forskarteamet testade sin teori med hjälp av datorsimuleringar. Ingenjörerna skapade en virtuell Manhattan och låtte sina digitala EV att köra dess många vägar. Fordonen hade en hastighet på 14 meter per sekund. Intressant nog var simuleringen utformad så att varje fordon gjorde ett slumpmässigt 50/50‑val vid varje korsning. Detta tillvägagångssätt gjorde det möjligt för varje fordon att skapa en unik modell och dela den.

Resultat från test av decentraliserade intelligensnätverk

Testresultaten kastade lite ljus på hur detta system kan förbättra EV i framtiden. Det visade att det finns många faktorer som kan påverka hur exakt och aktuell den data som används för att skapa EV-modeller är samt hur den skapas och delas.

Testet visade att ju oftare dessa fordon möter varandra, desto bättre blir prestandan. Dessutom demonstrerades att systemet var idealiskt för att dela aktuell data över stora nätverk av privat kontrollerade EV. Teamet noterade att nyckeldata såsom hastighet, cache‑storlek och modellutgångstid alla spelade en roll för inlärningseffektiviteten.

Fördelar med decentraliserade intelligensnätverk

Det finns många fördelar med Cached-DFL‑metoden. För det första är den mycket mer effektiv när det gäller datapropagation. Forskarna kan säkerställa att majoriteten av fordonen i deras simuleringar hade aktuella modeller jämfört med föregående system som kunde se fordon köra föråldrade modeller i veckor.

Detta system erbjuder en pålitlig väg för självkörande bilar att gemensamt lära sig och lära varandra att bli bättre förare. Eftersom metoden tar hänsyn till att ditt fordon inte har 100 % drifttid är den idealisk för verklig användning och kan bli ett värdefullt verktyg som tillverkare använder för att programmera flottor snabbare.

Datadelning

Kombinationen av fördelarna med decentraliserade nätverk och möjligheten att dela och lagra upp till 10 AI-modeller är en spelväxlare. Det gör att modeller kan färdas indirekt genom nätverket för att säkerställa att alla fordon har tillgång till den mest kritiska datan. Dessutom prioriterar systemet automatiskt den mest relevanta informationen från olika modeller som härrör från olika områden, vilket ökar dess relevans.

Öppen data

En annan stor fördel med denna forskning är beslutet att göra datan öppen för alla via Github-filer. Detta beslut kommer att förbättra innovationen och låta andra forskare förbättra sina resultat. Ingenjörer kan hitta exempel, tester, cache‑filer, tekniska rapporter och mer.

Tillämpningar av decentraliserade intelligensnätverk

Det finns långtgående tillämpningar för denna teknik som sträcker sig bortom EV‑sektorn. Där du har flottor av autonoma fordon kommer denna teknik säkert att göra skillnad. Några nyckelområden som forskarna har undersökt inkluderar drönare, robotar och satelliter.

Forskare inom decentraliserade intelligensnätverk

Cached-DFL‑studien presenterades av ett team av ingenjörer från NYU ledda av Yong Liu, Xiaoyu Wang, Guojun Xiong, Jian Li och Houwei Cao. Gruppen fick finansiellt stöd i form av flera National Science Foundation‑bidrag och programmet Resilient & Intelligent NextG Systems (RINGS).

Företag som leder tävlingen om autonom fordonsteknik

Tävlingen om att få autonoma fordon på vägarna är i full gång. Tillverkare kommer närmare helt autonoma fordon varje år. Denna monumentala uppgift kräver dock stora resurser, teknik och ett enormt leverantörsnätverk. Följaktligen finns det bara några få nyckelaktörer som dominerar marknaden för närvarande. Här är ett företag som leder den autonoma fordonrevolutionen.

Uber Technologies, Inc.

Även om Cached-DFL fortfarande är i ett tidigt stadium kan företag som experimenterar med självkörande teknik, såsom Uber, så småningom integrera decentraliserade intelligensnätverk i sina flottor.

Uber (UBER ) gick in på marknaden 2009 och har huvudkontor i San Francisco, CA. Det var den första decentraliserade samåkningsappen som fick uppmärksamhet. Appens grundare är Oscar Salazar Gaitan, Travis Kalanick och Garrett Camp. Dess vision om en decentraliserad samåkningsekonomi har förändrat marknaden för alltid.

När du tänker på Uber är din första tanke inte en robottaxi. Istället föreställer du dig troligen en slumpmässig person som kör upp i sin privata bil för att ge dig en skjuts. Detta kan dock förändras i framtiden eftersom Uber är en av de största stödjare av autonom fordonsteknik och har etablerat samt stött partnerskap med ledande innovatörer som Waymo.

Företaget har redan satt autonoma Ubers på vägarna för testning i flera städer, inklusive deras senaste satsning i Austin, Texas. Som en del av detta samarbetade företaget med det Alphabet-ägda Waymo, vilket möjliggör för Uber‑kunder i Austin-området att uppgradera till en autonom Jaguar I‑PACE helt elektrisk SUV utan extra kostnad.

Idag dominerar Uber marknaden för samåkning och har expanderat till andra sektorer, såsom logistik, matleverans och mer. Företaget har för närvarande över 31 100 anställda. Många ser Uber som ett smart tillskott till vilken portfölj som helst på grund av dess positionering, historia och innovativa anda.

Senaste om Uber Technologies, Inc.

Decentraliserade intelligensnätverk – driver framtidens resor

Smarta bilar behöver smarta system. Följaktligen kommer efterfrågan på decentraliserade intelligensnätverk att öka under de kommande månaderna och åren. Dessa system kommer att låta fordon förbättra sina autonoma körförmågor och möjliggöra för självkörande bilar att förbättra prestanda, färdas längre och tillhandahålla användbar data till andra.

Lär dig mer om andra maskininlärningsprojekt nu

Studierreferens:

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