Categorías: Tecnología

Vehículos autónomos aprenden a compartir conocimientos sobre carreteras

Comparta este Artículo en:

Un equipo de investigación dirigido por Tandon de la Universidad de Nueva York ha desarrollado una forma para que los vehículos autónomos compartan su conocimiento sobre las condiciones de la carretera de forma indirecta, lo que permite que cada vehículo aprenda de las experiencias de los demás incluso cuando rara vez se encuentran en la carretera.

La investigación aborda un problema persistente en la inteligencia artificial: cómo ayudar a los vehículos a aprender unos de otros mientras se mantienen sus datos privados.

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

“Piense en ello como en la creación de una red de experiencias compartidas para los vehículos autónomos“, dijo Yong Liu, quien supervisó la investigación dirigida por su estudiante de doctorado 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 carro que sólo ha circulado por Manhattan podría ahora aprender sobre las condiciones de la carretera en Brooklyn a partir de otros vehículos, incluso si nunca ha conducido por allí.

Esto haría que cada vehículo fuera más inteligente y estuviera mejor preparado para situaciones con las que no se ha encontrado personalmente”, dijo Liu.

Los investigadores llaman a su nuevo enfoque Aprendizaje Federado Descentralizado en Cajón (Cached-DFL).

A diferencia del Aprendizaje Federado tradicional, que se basa en un servidor central para coordinar las actualizaciones, Cached-DFL permite a los vehículos entrenar sus propios modelos de IA localmente y compartir esos modelos con otros directamente.

Cuando los vehículos se acercan a 100 metros entre sí, utilizan una comunicación de dispositivo a dispositivo de alta velocidad para intercambiar modelos entrenados en lugar de datos sin procesar.

Fundamentalmente, también pueden transmitir modelos que han recibido de encuentros anteriores, lo que permite que la información se difunda 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 obsoleta degrade el rendimiento, el sistema elimina automáticamente los modelos más antiguos en función de un umbral de obsolescencia, lo que garantiza que los vehículos prioricen el conocimiento reciente y relevante.

Los investigadores probaron su sistema mediante simulaciones por computadora utilizando el diseño de las calles de Manhattan como plantilla.

En sus experimentos, los vehículos virtuales se movieron a lo largo de la cuadrícula de la ciudad a unos 14 metros por segundo, haciendo giros en las intersecciones según la probabilidad, con un 50% de posibilidades de continuar recto y las mismas probabilidades de girar hacia otras carreteras disponibles.

A diferencia de los métodos de aprendizaje descentralizado convencionales, que sufren cuando los vehículos no se encuentran con frecuencia, Cached-DFL permite que los modelos viajen indirectamente a través de la red, de manera similar a cómo se propagan los mensajes en redes tolerantes a los retrasos, que están diseñadas para manejar la conectividad intermitente almacenando y reenviando datos hasta que haya una conexión disponible.

Al actuar como relés, los vehículos pueden transmitir conocimiento incluso si nunca experimentan personalmente ciertas condiciones.

“Es un poco como la forma en que se difunde 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 de uno a uno.

Al permitir que los vehículos actúen como relés, Cached-DFL permite que el aprendizaje se propague a través de 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 sobre las condiciones de la carretera, las señales y los obstáculos, al tiempo que mantienen la privacidad de los datos.

Esto es especialmente útil en ciudades donde los automóviles enfrentan condiciones variadas pero rara vez se encuentran el tiempo suficiente para los métodos de aprendizaje tradicionales.

El estudio muestra que la velocidad del vehículo, el tamaño de la memoria caché y la expiración del modelo afectan la eficiencia del aprendizaje.

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 basada en grupos mejora aún más el aprendizaje al priorizar diversos modelos de diferentes áreas en lugar de solo los más recientes.

A medida que la IA pasa de servidores centralizados a dispositivos periféricos, Cached-DFL ofrece una forma segura y eficiente para que los vehículos autónomos aprendan de forma colectiva, lo que los hace más inteligentes y adaptables.

Cached-DFL también se puede aplicar a otros sistemas en red de agentes móviles inteligentes, como drones, robots y satélites, para lograr un aprendizaje descentralizado sólido y eficiente que permita lograr inteligencia de enjambre.

Fuente: arXiv