Les chercheurs ont découvert un moyen pour les voitures autonomes de partager librement des informations sur la route sans avoir besoin d’établir des connexions directes.
« L’apprentissage fédéré décentralisé » (Cached-DFL) est un intelligence artificielle (IA) Framework de partage de modèle pour voitures autonomes qui leur permettent de se passer et de partager des informations précises et récentes. Ces informations comprennent les dernières façons de relever les défis de navigation, les modèles de circulation, les conditions routières, les panneaux de signalisation et les signaux.
Habituellement, les voitures doivent être pratiquement les uns à côté des autres et accorder des autorisations pour partager des idées de conduite qu’ils ont collectées lors de leurs voyages. Avec Cached-DFL, cependant, les scientifiques ont créé un réseau quasi-social où les voitures peuvent voir la page de profil des découvertes de conduite de l’autre – le tout sans partager les informations personnelles du conducteur ou les modèles de conduite.
Les véhicules autonomes utilisent actuellement des données stockées dans un endroit central, ce qui augmente également les chances de violations de données importantes. Le système en cache-DFL permet aux véhicules de transporter des données dans des modèles d’IA formés dans lesquels ils stockent des informations sur les conditions de conduite et les scénarios.
« Pensez-y comme créer un réseau d’expériences partagées pour les voitures autonomes », a écrit Dr Yong Liule superviseur de recherche du projet et professeur d’ingénierie à la Tandon School of Engineering de NYU. « Une voiture qui n’a conduit qu’à Manhattan pourrait maintenant se renseigner sur les conditions routières à Brooklyn à partir d’autres véhicules, même si elle n’y conduit jamais elle-même. »
Les voitures peuvent partager comment elles gèrent des scénarios similaires à ceux de Brooklyn qui apparaîtraient sur les routes d’autres régions. Par exemple, si Brooklyn a des nids de poule de forme ovale, les voitures peuvent partager comment gérer les nids de poule ovale, peu importe où ils se trouvent dans le monde.
Les scientifiques ont téléchargé leur étude à la base de données Preprint Arxiv le 26 août 2024 et a présenté leurs résultats à la Conférence Association for the Advancement of Artificial Intelligence le 27 février.
La clé pour de meilleures voitures autonomes
Grâce à une série de tests, les scientifiques ont constaté que des communications rapides et fréquentes entre les voitures autonomes amélioraient l’efficacité et la précision des données de conduite.
Les scientifiques ont placé 100 voitures autonomes virtuelles dans une version simulée de Manhattan et les ont réglées pour « conduire » dans un motif semi-aléatoire. Chaque voiture avait 10 modèles d’IA qui ont mis à jour toutes les 120 secondes, où la partie en cache de l’expérience a émergé. Les voitures conservent les données et attendent de la partager jusqu’à ce qu’elles aient une connexion appropriée de véhicule à véhicule (V2V) pour le faire. Cela diffère des modèles traditionnels de partage de données de voiture autonome, qui sont immédiats et ne permettent pas de stockage ni de mise en cache.
Les scientifiques ont tracé la rapidité avec laquelle les voitures ont appris et si Cached-DFL a surpassé les systèmes de données centralisés communs dans les voitures autonomes d’aujourd’hui. Ils ont découvert que tant que les voitures étaient à moins de 100 mètres (328 pieds) les unes des autres, ils pouvaient voir et partager les informations de chacun. Les véhicules n’avaient pas besoin de se connaître pour partager des informations.
« L’évolutivité est l’un des principaux avantages de la FL décentralisée, » Dr Jie Xuprofesseur agrégé en génie électrique et informatique à l’Université de Floride a déclaré en direct des sciences. « Au lieu que chaque voiture communique avec un serveur central ou toutes les autres voitures, chaque véhicule échange uniquement des mises à jour du modèle avec ceux qu’il rencontre. Cette approche de partage localisée empêche les frais généraux de communication de croître de façon exponentielle à mesure que de plus en plus de voitures participent au réseau. »
Les chercheurs envisagent la cache-DFL rendant la technologie autonome plus abordable en réduisant le besoin de calcul de la puissance, car la charge de traitement est distribuée sur de nombreux véhicules au lieu de concentrer dans un seul serveur.
Les étapes suivantes pour les chercheurs comprennent les tests réels de la DFF en cache, la suppression des barrières du cadre du système informatique entre les différentes marques de véhicules autonomes et permettant la communication entre les véhicules et d’autres appareils connectés comme les feux de circulation, les satellites et les signaux routiers. Ceci est connu sous le nom de normes de véhicule à tout (V2X).
L’équipe vise également à éloigner un éloignement plus large des serveurs centralisés et vers des appareils intelligents qui collectent et traitent les données les plus proches de la collecte des données, ce qui rend le partage de données aussi rapidement que possible. Cela crée une forme d’intelligence d’essaim rapide non seulement pour les véhicules mais pour les satellites, les drones, les robots et autres formes émergentes d’appareils connectés.
« L’apprentissage fédéré décentralisé offre une approche vitale de l’apprentissage collaboratif sans compromettre la confidentialité des utilisateurs », » Javed Khanprésident de Software and Advanced Safety and User Experience chez Aptiv a déclaré Live Science. « En mettant en cache les modèles localement, nous réduisons la dépendance aux serveurs centraux et améliorons la prise de décision en temps réel, cruciale pour les applications critiques de sécurité comme la conduite autonome. »
