جزئیات تلفیق هوش مصنوعی با خودرو‌های خودران

به گزارش مجله خبری نگار/ایلنا،اخیراً تیمی از پژوهشگران موفق شده‌اند تا روش جدیدی برای ارتقای ارتباط میان خودرو‌های خودران توسعه بدهند؛ بدین ترتیب این وسایل نقلیه قادر خواهند بود تا به‌صورت کارآمدتر، دقیق‌تر و در لحظه، اطلاعات رانندگی را با یکدیگر به اشتراک بگذارند.

این راهکار، به خودرو‌های خودران این امکان را می‌دهد که بدون نیاز به برقراری اتصال مستقیم و در حین رانندگی، اطلاعاتشان را آزادانه با یکدیگر به اشتراک بگذارند.

هوش مصنوعی در خودرو‌های خودران

این روش، "یادگیری فدرال غیرمتمرکز با کش موقت" (Cached Decentralized Federated Learning) یا Cached-DFL نام دارد و نوعی چارچوب اشتراک‌گذاری مدل‌های هوش مصنوعی است که این قابلیت را برای خودرو‌های خودران فراهم می‌کند تا ضمن عبور از کنار یکدیگر، اطلاعاتی دقیق و به‌روز ازجمله نحوه مواجهه با چالش‌های ناوبری، الگو‌های ترافیکی، وضعیت جاده‌ها و علائم راهنمایی و رانندگی را به هم منتقل کنند.

در حالت عادی برای تبادل اطلاعات رانندگی جمع‌آوری‌شده، خودرو‌ها باید خیلی نزدیک به هم قرار بگیرند؛ اما حالا و با استفاده از Cached-DFL، دانشمندان موفق به ایجاد نوعی "شبکه اجتماعی" شده‌اند که خودرو‌ها می‌توانند از طریق آن و برای مشاهده یافته‌های رانندگی‌شان، به "صفحه پروفایل" خودرو‌های دیگر دسترسی پیدا کنند؛ آن‌هم بدون اشتراک‌گذاری داده‌های شخصی یا الگو‌های رانندگی راننده.

در حال حاضر، خودرو‌های خودران اطلاعاتشان 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.

شبکه‌ای از تجارب مشترک

دکتر یونگ لئو، استاد مهندسی دانشگاه NYU و سرپرست پروژه دراین‌باره گفته: «این را می‌توان شبیه ایجاد شبکه‌ای از تجارب مشترک برای خودرو‌های خودران دانست. خودرویی که تنها در منهتن رانندگی کرده، حالا می‌تواند بدون آنکه هرگز به بروکلین رفته باشد، از تجارب سایر خودرو‌ها در بروکلین نیز بهره‌مند شود.»

به‌عبارت‌دیگر، خودرو‌ها می‌توانند اطلاعات مربوط به نحوه مواجهه با موقعیت‌های مشابهی که ممکن است در نقاط مختلف جهان تکرار شوند (مثلاً چاله‌هایی روی سطح آسفالت) را با یکدیگر به اشتراک بگذارند.

کلید بهبود عملکرد خودرو‌های خودران

پژوهشگران در جریان مجموعه‌ای از آزمایش‌ها دریافتند که ارتباطات سریع و مکرر بین خودرو‌های خودران، منجر به افزایش دقت و بهره‌وری در داده‌های رانندگی می‌شود.

آنها ۱۰۰ خودروی خودران مجازی را در نسخه‌ای شبیه‌سازی‌شده از شهر منهتن قرار دادند و این خودرو‌ها را در الگو‌هایی نیمه تصادفی به حرکت درآوردند.

هر خودرو دارای ۱۰ مدل هوش مصنوعی بود که هر ۱۲۰ ثانیه به‌روز می‌شد. در اینجای آزمایش بخش "کش موقت" وارد عمل شد: خودرو‌ها تا زمانی که اتصال مناسبی از نوع V ۲ V (خودرو به خودرو) برقرار شود، داده‌ها را نگه می‌دارند و سپس آنها را به اشتراک می‌گذارند. در مقابل و در مدل‌های سنتی، اشتراک‌گذاری داده در خودرو‌های خودران فوری و بدون ذخیره‌سازی هستند.

پژوهشگران در ادامه به بررسی این موضوع پرداختند که خودرو‌ها با چه سرعتی یاد می‌گیرند و آیا Cached-DFL عملکرد بهتری نسبت به سیستم‌های متمرکز فعلی دارد یا خیر. آنها متوجه شدند که تا زمانی که خودرو‌ها در فاصله‌ای کمتر از ۱۰۰ متر از یکدیگر قرار دارند، می‌توانند بدون آنکه نیازی به شناخت یا اتصال قبلی باشد، اطلاعات خود را مشاهده و مبادله کنند.

دکتر جی ژو، استاد مهندسی برق و رایانه دانشگاه فلوریدا درباره مزایای این روش جدید گفت: «یکی از مزایای کلیدی یادگیری غیرمتمرکز، مقیاس‌پذیری آن است؛ یعنی به‌جای آنکه هر خودرو با یک سرور مرکزی یا همه خودرو‌های دیگر ارتباط برقرار کند، صرفاً با خودرو‌هایی که با آنها مواجه می‌شود تبادل اطلاعات می‌کند. این روش باعث می‌شود تا هزینه‌های ارتباطی با افزایش تعداد خودرو‌ها رشد نمایی نداشته باشد.»

پژوهشگران معتقدند که بهره‌گیری از Cached-DFL باعث مقرون به‌صرفه‌تر شدن فناوری خودرو‌های خودران خواهد شد؛ چرا که دیگر نیازی به توان پردازشی بالا در یک سرور مرکزی نخواهد بود و در این پروسه، بار پردازش میان خود خودرو‌ها توزیع می‌شود.

ازجمله گام‌های بعدی در مسیر این پژوهش، آزمایش واقعی Cached-DFL در جهان خارج، رفع موانع سیستمی میان برند‌های مختلف خودرو‌های خودران و توسعه ارتباط میان خودرو‌ها با سایر تجهیزات متصل مثل چراغ‌های راهنمایی، ماهواره‌ها و علائم جاده‌ای است که از آن به‌عنوان استاندارد‌های V ۲ X یا "ارتباط خودرو با همه‌چیز" یاد می‌شود.

تیم تحقیقاتی درعین‌حال در نظر دارد تا روند فاصله‌گیری از سرور‌های متمرکز و حرکت به سمت دستگاه‌های هوشمند نزدیک به محل جمع‌آوری داده را تسریع کند. این اقدام باعث سرعت یافتن اشتراک‌گذاری داده‌ها شده و نوعی "هوش جمعی فوری" را نه‌تنها برای خودروها، بلکه برای ماهواره‌ها، پهپادها، ربات‌ها و دیگر دستگاه‌های متصل پدید می‌آورد.

جاوید خان، رئیس بخش نرم‌افزار و ایمنی پیشرفته شرکت Aptiv در این رابطه گفت: «یادگیری فدرال غیرمتمرکز یک رویکرد حیاتی برای یادگیری مشارکتی است که بدون نقض حریم خصوصی کاربران انجام می‌شود. با ذخیره محلی مدل‌ها، وابستگی به سرور‌های مرکزی کاهش‌یافته و تصمیم‌گیری‌های آنی که برای برنامه‌های حساس ایمنی ازجمله رانندگی خودکار حیاتی هستند نیز بهبود خواهد یافت.»