Dalam kemajuan yang ketara untuk kenderaan autonomi, penyelidik Sekolah Kejuruteraan NYU Tandon telah membangunkan kaedah yang membolehkan kereta pandu sendiri berkongsi pengalaman yang dipelajari tentang keadaan jalan raya secara tidak langsung, mempromosikan ekosistem pemanduan yang lebih selamat dan lebih pintar.
Penyelidik yang diketuai oleh Sekolah Kejuruteraan NYU Tandon telah membangunkan cara inovatif untuk kenderaan pandu sendiri berkongsi pengetahuan tentang keadaan jalan raya secara tidak langsung, dengan ketara meningkatkan keupayaan mereka untuk belajar antara satu sama lain sambil mengekalkan privasi data. Penyelidikan yang diketuai oleh pelajar kedoktoran Xiaoyu Wang, telah dibentangkan dalam a kertas di Persidangan Persatuan untuk Kemajuan Kepintaran Buatan pada 27 Februari 2025.
Secara tradisinya, kenderaan autonomi hanya boleh bertukar-tukar pengetahuan semasa pertemuan ringkas dan langsung, mengehadkan kebolehsesuaian mereka kepada persekitaran baharu.
Walau bagaimanapun, kaedah baharu ini, yang dikenali sebagai Pembelajaran Bersekutu Terdesentralisasi Cached (Cached-DFL), membolehkan kenderaan melatih model kecerdasan buatan (AI) mereka secara tempatan dan berkongsi model ini dengan orang lain, walaupun tanpa interaksi langsung yang kerap.
Pengalaman Berkongsi di Jalan Raya
"Fikirkan ia seperti mencipta rangkaian pengalaman berkongsi untuk kereta pandu sendiri," kata Yong Liu, seorang profesor di Jabatan Kejuruteraan Elektrik dan Komputer NYU Tandon, yang menyelia penyelidikan itu, dalam satu Siaran akhbar. “Sebuah kereta yang hanya memandu di Manhattan kini boleh belajar tentang keadaan jalan raya di Brooklyn daripada kenderaan lain, walaupun ia tidak pernah memandu di sana sendiri. Ini akan menjadikan setiap kenderaan lebih pintar dan lebih bersedia untuk situasi yang tidak pernah dihadapinya secara peribadi.”
Pendekatan baharu ini tidak memerlukan pelayan pusat. Sebaliknya, kenderaan dalam jarak 100 meter antara satu sama lain menggunakan komunikasi peranti ke peranti berkelajuan tinggi untuk menukar model terlatih, bukan data mentah.
Kereta juga boleh menyampaikan model yang diterima daripada pertemuan sebelumnya, membolehkan maklumat berharga meresap ke rangkaian jauh melangkaui interaksi segera.
Pembelajaran yang Cekap dan Selamat
Setiap kenderaan boleh menyimpan sehingga 10 model luaran dan mengemas kini AInya setiap 120 saat. Sistem ini memastikan maklumat lapuk tidak merendahkan prestasi dengan membuang model lama secara automatik berdasarkan ambang staleness.
Para penyelidik mensimulasikan sistem menggunakan grid jalan Manhattan. Kenderaan maya, yang bergerak pada kelajuan sekitar 14 meter sesaat, menunjukkan peningkatan yang ketara dalam kecekapan pembelajaran berbanding kaedah terpencar standard, yang goyah apabila kenderaan jarang bertemu.
“Ia agak seperti cara maklumat tersebar dalam rangkaian sosial,” tambah Liu. "Peranti kini boleh menyampaikan pengetahuan daripada orang lain yang pernah mereka temui, walaupun peranti tersebut tidak pernah bertemu secara langsung antara satu sama lain."
Mekanisme pemindahan berbilang hop ini mengurangkan had pendekatan perkongsian model langsung, membolehkan pembelajaran disebarkan dengan cekap merentasi kumpulan.
Kesan dan Aplikasi Masa Depan
Keupayaan untuk berkongsi pengetahuan tentang keadaan jalan yang berbeza-beza, isyarat dan halangan sambil mengekalkan data peribadi adalah penukar permainan untuk kenderaan yang disambungkan, terutamanya dalam persekitaran bandar yang kompleks. Kelajuan kenderaan yang lebih pantas dan sesi komunikasi yang lebih kerap meningkatkan hasil pembelajaran, manakala model yang lapuk dengan cepat dibuang untuk mengekalkan ketepatan.
Di luar kereta, Cached-DFL mempunyai aplikasi yang berpotensi dalam sistem rangkaian lain bagi ejen mudah alih pintar, seperti dron, robot dan satelit, membuka jalan untuk pembelajaran yang teguh, terdesentralisasi dan mencapai kecerdasan kumpulan.
Kod pasukan dan laporan teknikal terperinci telah dibuat tersedia secara terbuka, membolehkan penerokaan dan pembangunan lanjut dalam bidang tersebut.
Guojun Xiong dan Jian Li dari Stony Brook University dan Houwei Cao dari New York Institute of Technology menyumbang kepada kajian itu.
Kemajuan ketara ini menandakan detik penting untuk masa depan teknologi autonomi, membuka kemungkinan baharu untuk kenderaan pandu sendiri yang lebih selamat, cekap dan sangat adaptif.