ニューヨーク大学タンドン工学部の研究者らは、自律走行車にとって大きな進歩として、道路状況に関する学習経験を自動運転車が間接的に共有し、より安全でインテリジェントな運転エコシステムを推進する方法を開発した。
ニューヨーク大学タンドン工学部が率いる研究者らは、自動運転車が道路状況に関する知識を間接的に共有する革新的な方法を開発した。これにより、データのプライバシーを維持しながら、相互学習能力が大幅に向上する。博士課程の学生シャオユ・ワンが率いるこの研究は、 紙 27年2025月XNUMX日に開催される人工知能推進協会カンファレンスにて。
従来、自動運転車は短時間の直接的な遭遇時にのみ知識を交換できるため、新しい環境への適応性が制限されていました。
しかし、Cached Decentralized Federated Learning (Cached-DFL) と呼ばれるこの新しい方法により、車両は頻繁に直接やり取りしなくても、人工知能 (AI) モデルをローカルでトレーニングし、他の車両とこれらのモデルを共有できるようになります。
旅先での共有体験
「自動運転車のための共有体験のネットワークを作るようなものだと考えてください」と、この研究を監督したニューヨーク大学タンドン校の電気・コンピュータ工学部の教授であるヨン・リウ氏は述べた。 ニュースリリース「マンハッタンしか走ったことのない車でも、ブルックリンを走ったことがなくても、他の車からブルックリンの道路状況を学習できるようになります。これにより、すべての車がより賢くなり、直接遭遇したことのない状況にもより適切に対応できるようになります。」
この新しいアプローチでは、中央サーバーは必要ありません。代わりに、互いに 100 メートル以内にある車両が高速のデバイス間通信を使用して、生データではなくトレーニング済みのモデルを交換します。
車は以前の遭遇から受け取ったモデルを中継することもできるため、貴重な情報が直接のやり取りをはるかに超えてネットワークに浸透することが可能になります。
効率的で安全な学習
各車両は最大 10 個の外部モデルを保存でき、120 秒ごとに AI を更新します。このシステムは、古さのしきい値に基づいて古いモデルを自動的に破棄することで、古い情報によってパフォーマンスが低下しないようにします。
研究者らはマンハッタンの街路網を使ってこのシステムをシミュレートした。秒速約14メートルで走行する仮想車両は、車両同士がめったに出会わない場合に機能不全に陥る標準的な分散型手法に比べて、学習効率が大幅に向上したことがわかった。
「これはソーシャル ネットワークで情報が広がる仕組みに少し似ています」と Liu 氏は付け加えた。「デバイス同士が直接接触しなくても、出会った他の人から得た知識をデバイス間で共有できるようになりました。」
このマルチホップ転送メカニズムにより、直接的なモデル共有アプローチの制限が軽減され、学習が艦隊全体に効率的に伝播できるようになります。
影響と将来の応用
さまざまな道路状況、信号、障害物に関する知識を共有しながら、データのプライバシーを維持する機能は、特に複雑な都市環境において、コネクテッド ビークルにとって画期的なものです。車両の速度が速くなり、通信セッションが頻繁に行われるようになると、学習成果が向上し、古いモデルはすぐに破棄されて精度が維持されます。
Cached-DFL は、自動車以外にも、ドローン、ロボット、衛星などのスマート モバイル エージェントのネットワーク システムにも応用できる可能性があり、堅牢な分散学習と群知能の実現への道を開きます。
チームのコードと詳細な技術レポートが作成されました 公に利用可能これにより、この分野におけるさらなる探究と発展が可能になります。
ストーニーブルック大学のGuojun Xiong氏とJian Li氏、およびニューヨーク工科大学のHouwei Cao氏がこの研究に貢献した。
この大きな進歩は、自律技術の将来にとって極めて重要な瞬間であり、より安全で、より効率的で、高度に適応した自動運転車の新たな可能性を切り開きます。