Un team di ricerca della NYU Tandon ha sviluppato un nuovo sistema che permette alle auto a guida autonoma di condividere le informazioni sulle condizioni stradali. Questo sistema consente ai veicoli di imparare dalle esperienze degli altri, anche quando non si incontrano frequentemente sulla strada. La ricerca, guidata dal professor Yong Liu, sarà presentata alla conferenza AAAI 2025 il 27 febbraio 2025.
L'importanza della condivisione dei dati tra veicoli autonomi
Il problema affrontato dalla ricerca è quello di aiutare i veicoli a imparare gli uni dagli altri, proteggendo al contempo la privacy dei dati. Normalmente, i veicoli condividono solo ciò che hanno appreso durante brevi incontri diretti, limitando la loro capacità di adattarsi rapidamente a nuove condizioni. Il nuovo approccio, chiamato Cached Decentralized Federated Learning (Cached-DFL), permette ai veicoli di addestrare i propri modelli di intelligenza artificiale localmente e di condividerli direttamente con altri.
Secondo Yong Liu, professore presso la NYU Tandon, si tratta di "creare una rete di esperienze condivise per le auto a guida autonoma". Questo significa che un'auto che ha guidato solo a Manhattan potrebbe imparare le condizioni stradali di Brooklyn da altri veicoli, anche senza esserci mai stata. "Questo renderebbe ogni veicolo più intelligente e preparato per situazioni che non ha mai incontrato personalmente", ha aggiunto Liu.
A differenza del tradizionale Federated Learning, che si basa su un server centrale per coordinare gli aggiornamenti, Cached-DFL consente ai veicoli di addestrare i propri modelli di intelligenza artificiale localmente e di condividerli direttamente. Quando i veicoli si trovano a meno di 100 metri l'uno dall'altro, utilizzano la comunicazione ad alta velocità per scambiare i modelli addestrati, anziché i dati grezzi. Possono anche trasmettere i modelli ricevuti da incontri precedenti, consentendo alle informazioni di diffondersi ben oltre le interazioni immediate.
Per evitare che informazioni obsolete compromettano le prestazioni, il sistema rimuove automaticamente i modelli più vecchi in base a una soglia di obsolescenza, garantendo che i veicoli diano priorità alle conoscenze recenti e pertinenti. I ricercatori hanno testato il sistema attraverso simulazioni computerizzate utilizzando la struttura stradale di Manhattan come modello. Nei loro esperimenti, i veicoli virtuali si muovevano lungo la griglia della città a circa 14 metri al secondo, svoltando agli incroci in base alla probabilità.
I vantaggi del Cached-DFL
A differenza dei metodi di apprendimento decentralizzati convenzionali, che soffrono quando i veicoli non si incontrano frequentemente, Cached-DFL permette ai modelli di viaggiare indirettamente attraverso la rete. "È un po' come la diffusione di informazioni nei social network", ha spiegato Liu. "I dispositivi possono ora trasmettere le conoscenze di altri che hanno incontrato, anche se questi dispositivi non si incontrano mai direttamente."
Questa tecnologia permette ai veicoli connessi di apprendere le condizioni stradali, i segnali e gli ostacoli, proteggendo al contempo la privacy dei dati. Lo studio mostra che la velocità del veicolo, la dimensione della cache e la scadenza del modello influiscono sull'efficienza dell'apprendimento. Il Cached-DFL può essere applicato anche ad altri sistemi di agenti mobili intelligenti in rete, come droni, robot e satelliti.
In conclusione, Cached-DFL offre un modo sicuro ed efficiente per le auto a guida autonoma di apprendere collettivamente, rendendole più intelligenti e adattabili.
L'articolo esplora un'innovativa soluzione per migliorare l'apprendimento delle auto a guida autonoma, consentendo loro di condividere la conoscenza delle condizioni stradali in modo efficiente e sicuro. Questo approccio, chiamato Cached Decentralized Federated Learning (Cached-DFL), permette ai veicoli di imparare dalle esperienze altrui senza compromettere la privacy dei dati.
La storia della guida autonoma è costellata di sfide e progressi. Già negli anni '20, i primi prototipi di veicoli radiocomandati alimentavano l'immaginario futuristico. Tuttavia, è solo con l'avvento dell'intelligenza artificiale e dei sistemi di apprendimento automatico che la visione di auto capaci di navigare autonomamente è diventata una realtà concreta.
Il concetto di "intelligenza distribuita", su cui si basa il Cached-DFL, affonda le radici negli studi sui sistemi complessi e sulle reti neurali. L'idea è che un sistema composto da molteplici agenti, ognuno con le proprie capacità di apprendimento, possa superare i limiti dei singoli individui, raggiungendo una conoscenza collettiva superiore.
Una curiosità interessante riguarda l'importanza dei dati nell'addestramento delle auto a guida autonoma. Per poter navigare in sicurezza, questi veicoli devono essere esposti a una vastissima gamma di scenari stradali, condizioni meteorologiche e situazioni di traffico. La quantità di dati necessari è talmente elevata che le aziende del settore spesso ricorrono a simulazioni virtuali per integrare le informazioni raccolte nel mondo reale.
Il Cached-DFL rappresenta un passo avanti significativo rispetto ai tradizionali metodi di apprendimento federato, che richiedono un server centrale per coordinare gli aggiornamenti dei modelli. Grazie alla capacità di condividere i modelli di intelligenza artificiale direttamente tra veicoli, questa nuova tecnologia permette di superare i limiti della connettività intermittente e di accelerare il processo di apprendimento collettivo.
"È un po' come creare una rete di esperienze condivise per le auto a guida autonoma,"
afferma Yong Liu, supervisore della ricerca.
In futuro, il Cached-DFL potrebbe trovare applicazione anche in altri settori, come la robotica, i droni e i sistemi satellitari, aprendo nuove frontiere per lo sviluppo di sistemi intelligenti distribuiti capaci di adattarsi e apprendere in modo autonomo.
L'importanza di questa ricerca risiede nella sua capacità di coniugare efficienza e privacy, due elementi fondamentali per garantire la sicurezza e l'affidabilità delle auto a guida autonoma. Mentre la tecnologia continua a evolvere, è fondamentale che l'innovazione sia guidata da principi etici e da una profonda consapevolezza delle implicazioni sociali delle nuove tecnologie.