В Инженерной школе Тандон Нью-Йоркского университета (NYU Tandon) разработали способ косвенного обмена информацией о дорожных условиях между беспилотными автомобилями. Проект был представлен в докладе на конференции Ассоциации по развитию искусственного интеллекта 27 февраля.
Обычно транспортные средства обмениваются данными только при кратковременных непосредственных встречах, что ограничивает их способность быстро адаптироваться к новым условиям.
«Представьте это как создание сети общего опыта для беспилотных машин. Автомобиль, который ездил только по Манхэттену, теперь может узнать о дорожных условиях в Бруклине от других машин, даже если сам там не был. Это делает каждое транспортное средство умнее и лучше подготовленным к ситуациям, с которыми оно лично не сталкивалось», — пояснил профессор кафедры электротехники и компьютерной инженерии NYU Tandon Юн Лю.
Разработчики назвали свой новый подход Cached Decentralized Federated Learning (Cached-DFL — кэшированное децентрализованное федеративное обучение). В отличие от традиционного федеративного обучения, которое полагается на центральный сервер для координации обновлений, Cached-DFL позволяет автомобилям локально обучать свои модели ИИ и напрямую обмениваться ими с другими.
Когда автомобили оказываются в пределах 100 метров друг от друга, они соединяются по высокоскоростному каналу для обмена обученными моделями, а не необработанными данными. При этом передаются также модели, полученные от предыдущих встреч, что позволяет информации распространяться далеко за пределы непосредственного взаимодействия. Каждый участник сети хранит кэш до 10 внешних моделей и обновляет свой ИИ раз в две минуты. Во избежание снижения производительности системы из-за устаревания данных в ней предусмотрено автоматическое удаление на основе порога актуальности.
Исследователи протестировали свою систему с помощью компьютерных симуляций, используя в качестве шаблона карту Манхэттена. В экспериментах виртуальные автомобили двигались по городским улицам со скоростью около 14 метров в секунду, принимая решения о поворотах на перекрестках на основе вероятности, с 50%-ным шансом продолжить движение по прямой и равными шансами свернуть на другие доступные дороги.
В отличие от традиционных методов децентрализованного обучения, на которые влияет частота сеансов обмена информации (то есть близких встреч автомобилей), Cached-DFL делает распространение моделей устойчивым к задержкам — благодаря тому, что часть участников сети выступает в роли ретрансляторов.
«Это немного похоже на распространение информации в социальных сетях, — заметил Лю. — Устройства теперь могут передавать знания от тех, с кем они встречались, даже если эти устройства никогда не пересекались напрямую».
Главный плюс технологии — конфиденциальность, поскольку распространяются не данные дорожных условиях, сигналах и препятствиях, а созданные на их основе модели.
Разработка может быть применена в децентрализованном управлении не только автомобилями, но и другими интеллектуальными мобильными агентами, связанными в сеть, такими как дроны, роботы и спутники, тем более что авторы сделали код общедоступным.
Теория игр помогла научить беспилотные автомобили ездить по-человечески
Британцы создали беспилотные катки, которые сами найдут и заделают выбоины