En forskargrupp ledd av NYU Tandon har utvecklat ett sätt för självkörande fordon att indirekt dela med sig av sin kunskap om vägförhållanden, vilket gör det möjligt för varje fordon att lära sig av andras erfarenheter även när de sällan möts på vägen.
Forskningen, som kommer att presenteras i ett dokument vid Association for the Advancement of Artificial Intelligence Conference (AAAI 2025) den 27 februari 2025, tar itu med ett ihållande problem inom artificiell intelligens: hur man hjälper fordon att lära sig av varandra samtidigt som deras data hålls privata. Artikeln finns tillgänglig på arXivs preprint-server.
Vanligtvis delar fordon bara med sig av vad de har lärt sig under korta direkta möten, vilket begränsar hur snabbt de kan anpassa sig till nya förhållanden.
”Tänk på det som att skapa ett nätverk av delade erfarenheter för självkörande bilar”, säger Yong Liu, som övervakade den forskning som leddes av hans doktorand Xiaoyu Wang. Liu är professor vid NYU Tandons avdelning för elektroteknik och datateknik och medlem i dess Center for Advanced Technology in Telecommunications and Distributed Information Systems och i NYU WIRELESS.
”En bil som bara har kört på Manhattan kan nu lära sig om vägförhållandena i Brooklyn från andra fordon, även om den aldrig kör där själv. Detta skulle göra varje fordon smartare och bättre förberett för situationer som det inte själv har stött på”, säger Liu.
Forskarna kallar sitt nya tillvägagångssätt för Cached Decentralized Federated Learning (Cached-DFL). Till skillnad från traditionell Federated Learning, som förlitar sig på en central server för att samordna uppdateringar, gör Cached-DFL det möjligt för fordon att träna sina egna AI-modeller lokalt och dela dessa modeller med andra direkt.
När fordon kommer inom 100 meter från varandra använder de höghastighetskommunikation från enhet till enhet för att utbyta tränade modeller i stället för rådata. Avgörande är att de också kan skicka vidare modeller som de har fått från tidigare möten, vilket gör att information kan spridas långt bortom omedelbara interaktioner. Varje fordon har en cache med upp till 10 externa modeller och uppdaterar sin AI var 120:e sekund.
För att förhindra att föråldrad information försämrar prestandan tar systemet automatiskt bort äldre modeller baserat på ett tröskelvärde för föråldring, vilket säkerställer att fordonen prioriterar ny och relevant kunskap.
Forskarna testade sitt system genom datorsimuleringar där Manhattans gatustruktur användes som mall. I experimenten rörde sig virtuella fordon längs stadens rutnät med cirka 14 meter per sekund och svängde i korsningar baserat på sannolikhet, med 50% chans att fortsätta rakt fram och lika stor chans att svänga in på andra tillgängliga vägar.
Till skillnad från konventionella decentraliserade inlärningsmetoder, som blir lidande när fordon inte möts ofta, tillåter Cached-DFL modeller att färdas indirekt genom nätverket, ungefär som hur meddelanden sprids i fördröjningstoleranta nätverk, som är utformade för att hantera intermittent anslutning genom att lagra och vidarebefordra data tills en anslutning är tillgänglig. Genom att fungera som reläer kan fordonen förmedla kunskap även om de aldrig personligen upplever vissa förhållanden.
”Det är lite som hur information sprids i sociala nätverk”, förklarar Liu. ”Enheter kan nu förmedla kunskap från andra som de har träffat, även om dessa enheter aldrig direkt möter varandra.”
Denna överföringsmekanism med flera hopp minskar begränsningarna i traditionella metoder för modelldelning, som förlitar sig på omedelbara, en-till-en-utbyten. Genom att låta fordonen fungera som reläer gör Cached-DFL det möjligt för lärandet att spridas över en hel flotta på ett mer effektivt sätt än om varje fordon skulle vara begränsat till enbart direkta interaktioner.
Tekniken gör det möjligt för uppkopplade fordon att lära sig om vägförhållanden, signaler och hinder samtidigt som data hålls privata. Detta är särskilt användbart i städer där bilar möter varierande förhållanden men sällan möts tillräckligt länge för traditionella inlärningsmetoder.
Studien visar att fordonshastighet, cachestorlek och modellens livslängd påverkar inlärningseffektiviteten. Snabbare hastigheter och frekvent kommunikation förbättrar resultaten, medan föråldrade modeller minskar noggrannheten. En gruppbaserad cachelagringsstrategi förbättrar inlärningen ytterligare genom att prioritera olika modeller från olika områden snarare än bara de senaste.
I takt med att AI flyttar från centraliserade servrar till edge-enheter erbjuder Cached-DFL ett säkert och effektivt sätt för självkörande bilar att lära sig kollektivt, vilket gör dem smartare och mer anpassningsbara. Cached-DFL kan också tillämpas på andra nätverkssystem med smarta mobila agenter, t.ex. drönare, robotar och satelliter, för robust och effektiv decentraliserad inlärning i syfte att uppnå svärmintelligens.
För mer information: Xiaoyu Wang et al, Decentralized Federated Learning with Model Caching on Mobile Agents, arXiv (2024). DOI: 10.48550/arxiv.2408.14001
