Los autos autónomos aprenden a compartir el conocimiento de la carretera a través de la boca a boca digital

Un equipo de investigación liderado por NYU Tandon ha desarrollado una forma de que los vehículos autónomos compartan su conocimiento sobre las condiciones de la carretera indirectamente, lo que hace posible que cada vehículo aprenda de las experiencias de los demás, incluso cuando rara vez se encuentran en la carretera.

La investigación, que se presentará en un documento en la Asociación para el Avance de la Conferencia de Inteligencia Artificial (No eso toa 2025) El 27 de febrero de 2025, aborda un problema persistente en inteligencia artificial: Cómo ayudar a los vehículos a aprender unos de otros mientras mantiene sus datos privados. El papel es disponible en el arxiv servidor de preimpresión.

Por lo general, los vehículos solo comparten lo que han aprendido durante los breves encuentros directos, lo que limita la rapidez con que pueden adaptarse a nuevas condiciones.

“Piense en ello como crear una red de experiencias compartidas para autos autónomos”, dijo Yong Liu, quien supervisó la investigación dirigida por su Ph.D. Estudiante Xiaoyu Wang. Liu es profesor en el departamento de ingeniería eléctrica e informática de NYU Tandon y miembro de su Centro de Tecnología Avanzada en Telecomunicaciones y Sistemas de Información Distribuida y de NYU Wireless.

“Un automóvil que solo ha conducido en Manhattan ahora podría aprender sobre las condiciones de la carretera en Brooklyn de otros vehículos, incluso si nunca conduce allí mismo. Esto haría que cada vehículo sea más inteligente y mejor preparado para situaciones que no se ha encontrado personalmente”, dijo Liu.

Los investigadores llaman a su nuevo enfoque almacenado en caché el aprendizaje federado descentralizado (Cached-DFL). A diferencia del aprendizaje federado tradicional, que se basa en un servidor central para coordinar actualizaciones, cached-DFL permite a los vehículos capacitar a sus propios modelos de IA localmente y compartir esos modelos con otros directamente.

Cuando los vehículos llegan a 100 metros entre sí, utilizan la comunicación de dispositivo a disposición de alta velocidad para intercambiar modelos capacitados en lugar de datos sin procesar. De manera crucial, también pueden transmitir modelos que han recibido de encuentros anteriores, lo que permite que la información se extienda mucho más allá de las interacciones inmediatas. Cada vehículo mantiene un caché de hasta 10 modelos externos y actualiza su IA cada 120 segundos.

Para evitar que la información anticuada degrade el rendimiento, el sistema elimina automáticamente modelos más antiguos basados ​​en un umbral de acalidez, asegurando que los vehículos prioricen el conocimiento reciente y relevante.

Los investigadores probaron su sistema a través de simulaciones por computadora utilizando el diseño de la calle de Manhattan como una plantilla. En sus experimentos, los vehículos virtuales se movieron a lo largo de la red de la ciudad a aproximadamente 14 metros por segundo, haciendo turnos en las intersecciones basadas en la probabilidad, con un 50% de posibilidades de continuar rectas e igualdad de probabilidades de girar en otras carreteras disponibles.

A diferencia de los métodos de aprendizaje descentralizados convencionales, que sufren cuando los vehículos no se reúnen con frecuencia, Cached-DFL permite que los modelos viajen indirectamente a través de la red, al igual que cómo se extienden los mensajes en las redes tolerantes a los retrasos, que están diseñados para manejar la conectividad intermitente almacenando y reenviando datos hasta que una conexión esté disponible. Al actuar como relés, los vehículos pueden transmitir conocimiento incluso si nunca experimentan ciertas condiciones.

“Es un poco como cómo se extiende la información en las redes sociales”, explicó Liu. “Los dispositivos ahora pueden transmitir el conocimiento de otros que han conocido, incluso si esos dispositivos nunca se encuentran directamente entre sí”.

Este mecanismo de transferencia de múltiples saltos reduce las limitaciones de los enfoques tradicionales de intercambio de modelos, que se basan en intercambios inmediatos y uno a uno. Al permitir que los vehículos actúen como relés, Cached-DFL permite el aprendizaje de propagarse en una flota completa de manera más eficiente que si cada vehículo se limitara solo a interacciones directas.

La tecnología permite que los vehículos conectados aprendan Condición de la carreteraseñales y obstáculos mientras mantiene los datos privados. Esto es especialmente útil en las ciudades donde los automóviles enfrentan condiciones variadas, pero rara vez se encuentran lo suficiente para los métodos de aprendizaje tradicionales.

El estudio muestra que la velocidad del vehículo, el tamaño de la memoria caché y la eficiencia del aprendizaje de impacto de la expiración del modelo. Las velocidades más rápidas y la comunicación frecuente mejoran los resultados, mientras que los modelos obsoletos reducen la precisión. Una estrategia de almacenamiento en caché grupal mejora aún más el aprendizaje al priorizar diversos modelos de diferentes áreas en lugar de solo las últimas.

A medida que AI se mueve de servidores centralizados a dispositivos de borde, Cached-DFL proporciona una forma segura y eficiente para que los autos autónomos aprendan colectivamente, haciéndolos más inteligentes y más adaptativos. Cached-DFL también se puede aplicar a otros sistemas en red de agentes móviles inteligentes, como drones, robots y satélites, para un aprendizaje descentralizado robusto y eficiente para lograr la inteligencia enjambres.