توسعه روش جدید برای ارتباط خودروهای خودران

تیمی از پژوهشگران به تازگی موفق به توسعه روشی جدید برای بهبود ارتباط میان خودروهای خودران شده‌اند. این روش که "یادگیری فدرال غیرمتمرکز با کش موقت" (Cached Decentralized Federated Learning) نام دارد، به خودروها این امکان را می‌دهد که بدون نیاز به اتصال مستقیم و در حین رانندگی، اطلاعات رانندگی را به صورت کارآمدتر و دقیق‌تر با یکدیگر به اشتراک بگذارند. این سیستم به خودروهای خودران اجازه می‌دهد تا اطلاعاتی از قبیل چالش‌های ناوبری، الگوهای ترافیکی و وضعیت جاده‌ها را به یکدیگر منتقل کنند. در این روش، خودروها می‌توانند به نوعی "شبکه اجتماعی" دسترسی پیدا کنند و به "صفحه پروفایل" خودروهای دیگر مراجعه کنند، بدون اینکه داده‌های شخصی یا الگوهای رانندگی راننده به اشتراک گذاشته شود. در حال حاضر، خودروهای خودران اطلاعات خود را در یک پایگاه مرکزی ذخیره می‌کنند که این روش با ریسک بالایی در نفوذ به داده‌ها همراه است. اما در سیستم Cached-DFL، هر خودرو اطلاعات مربوط به شرایط جاده و سناریوهای رانندگی را در قالب مدل‌های هوش مصنوعی آموزش‌دیده در خود نگه می‌دارد. دکتر یونگ لئو، سرپرست پروژه، این روش را به عنوان ایجاد شبکه‌ای از تجارب مشترک برای خودروها توصیف کرده است. پژوهشگران در آزمایش‌های خود ۱۰۰ خودروی خودران مجازی را در یک شبیه‌سازی از شهر منهتن قرار دادند و دریافتند که ارتباطات سریع و مکرر بین خودروها منجر به افزایش دقت و بهره‌وری در داده‌های رانندگی می‌شود. این روش همچنین به کاهش هزینه‌های ارتباطی کمک می‌کند و به پژوهشگران این امکان را می‌دهد که به سمت دستگاه‌های هوشمند نزدیک به محل جمع‌آوری داده حرکت کنند. در نهایت، این فناوری می‌تواند به بهبود تصمیم‌گیری‌های آنی در برنامه‌های حساس ایمنی مانند رانندگی خودکار کمک کند.