El equipo de investigación, dirigido por la Escuela de Ingeniería NYU Tandon, ha desarrollado una forma de distribuir indirectamente su conocimiento de las condiciones de la carretera para vehículos autopoderados, lo que hace posible que cada vehículo aprenda de las experiencias de los demás, incluso cuando son raros.
La investigación presentada en un artículo en la Asociación para el Avance de la Conferencia de Inteligencia Artificial el 27 de febrero de 2025 ha sido tratada en inteligencia artificial: cómo ayudar a los vehículos a aprender unos de otros mientras mantiene sus datos privados. En general, los vehículos solo distribuyen lo que han aprendido durante las competiciones cortas, lo que limita la rapidez con que pueden adaptarse a los nuevos términos.
“Piénselo, como desarrollar una red de experiencias conjuntas de autos autoestacados”, dijo Yong Liu, quien supervisó la investigación bajo su doctorado. Estudiante Zhou Wang. Liu NYU es profesor en el Departamento de Ingeniería Eléctrica e Informática de Tandon y miembro de su Centro de Tecnología Avanzada en Telecomunicaciones y Sistema de Información Distribuida y NYU Wireless.
“Un automóvil, que solo se ahoga en Manhattan, ahora puede saber sobre las condiciones de la carretera en Brooklyn de otros vehículos, incluso si nunca corre allí. Mejorará cada vehículo y se preparará mejor para estas situaciones que no se han encontrado personalmente”.
Los investigadores llaman a su nuevo enfoque para Kcdard Dear Pradesh Federry Learning (KCKED DFL). A diferencia del aprendizaje federado tradicional, que se basa en el servidor central para conectar la información más reciente, los vehículos Capables-DFL permiten a los vehículos capacitar a su propio modelo de IA localmente y compartir estos modelos directamente con otros.
Cuando los vehículos caen a 100 metros de distancia, usan la comunicación rápida de dispositivos para desarrollar modelos entrenados en lugar de datos sin procesar. Significativamente, también pueden pasar con los modelos recibidos de competiciones anteriores, lo que puede difundir más que la información de inmediato. Cada vehículo mantiene un efectivo de hasta 10 modelos externos y actualiza su IA cada 120 segundos.
Amando la información anticuada del acoso, el sistema elimina automáticamente modelos antiguos basados en la puerta de Steelins, asegurando que los vehículos prefieren 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 plantilla. En sus experimentos, los vehículos virtuales se mueven alrededor de 14 metros por segundo, junto con la red de la ciudad, y encienden las intersecciones sobre la base de la posibilidad, que es el 50 % de la posibilidad de continuar las dificultades rectas e iguales de encender otras carreteras disponibles.
A diferencia de los métodos tradicionales de aprendizaje विकेंद्रीकृत, cuando los vehículos no se reúnen con frecuencia, el DFL en caché permite al modelo viajar indirectamente a través de la red, como la forma en que los retrasos difunden mensajes a las redes tolerantes, que está diseñada al almacenar y enviar datos hasta que no hay contacto disponible. Al trabajar como relé, los vehículos pueden pasar con conocimiento, incluso si nunca experimentan ciertas condiciones personalmente.
“Esto es un poco como cómo se extiende la información en las redes sociales”, explicó Liu, “Liu explicó ahora”.
Este mecanismo de transferencia de múltiples saltos reduce los límites del enfoque tradicional de intercambio de modelos, que se basan en un intercambio rápido y uno. Al permitir que los vehículos funcionen como un relevo, el Kachard-DFL permite saber que si cada vehículo estaba limitado a una conversación directa.
Los vehículos asociados con esta tecnología permiten conocer las condiciones de la carretera, los gestos y los obstáculos mientras mantienen los datos privados. Esto es especialmente útil en las ciudades donde los automóviles enfrentan variaciones, pero rara vez se cumple con los métodos de aprendizaje tradicionales.
El estudio muestra que la velocidad del vehículo, el tamaño del caché y el vencimiento del efecto de vencimiento del modelo. La comunicación rápida y frecuente mejora los resultados, mientras que los modelos obsoletos reducen la precisión. La estrategia de captura basada en el grupo mejora aún más el aprendizaje al dar prioridad a diversos modelos de diferentes áreas en lugar de las últimas áreas.
Dado que la IA se mueve de los servidores centrales a los dispositivos Edge, el DFL Ketchrid proporciona a los autos autoestrunes una forma segura y eficiente de aprender colectivamente, lo que los hace mejores y más adaptativos. CatchD DFL también se puede aplicar a agentes móviles inteligentes, como drones, robots y otros sistemas de red de satélites, que son fuertes y efectivos para la búsqueda de inteligencia abarrotada.
Los investigadores han puesto su código a disposición del público. Se pueden encontrar más detalles en su informe técnico. Además de Liu y Wang, el equipo de investigación está formado por Gajon Xiang y Jian Lee de la Universidad Stony Brook. Y el Instituto de Tecnología de Nueva York.
Esta investigación fue apoyada por varias subvenciones de la Fundación Nacional de Ciencias, el Programa Flexible e Inteligente de Sistemas G Next (RING), que incluye el Departamento de Defensa y el Instituto Nacional de Normas y Tecnología, y los recursos informáticos de la NYU.
