Carros Autônomos Compartilham Conhecimento Rodoviário Através de Sistema Inovador de Aprendizado Colaborativo

Pesquisadores desenvolveram um sistema que permite que veículos autônomos troquem informações sobre condições de tráfego e estradas de forma segura e privada. O Cached Decentralized Federated Learning (Cached-DFL) possibilita que carros treinem modelos de inteligência artificial localmente e os compartilhem diretamente entre si, criando uma rede de conhecimento coletivo que ultrapassa as experiências individuais de cada veículo. Através deste sistema, um carro que tenha dirigido apenas em Manhattan pode aprender sobre as condições de estrada no Brooklyn sem nunca ter estado lá, graças a um mecanismo de “boca a boca” digital entre os veículos.

Compartilhamento de Conhecimento Rodoviário entre Veículos

O Cached-DFL permite que veículos autônomos aprendam uns com os outros para se adaptarem a novas condições, mantendo a privacidade dos dados sensíveis. Quando os veículos se aproximam a até 100 metros um do outro, eles utilizam comunicação de alta velocidade para trocar modelos de IA já treinados, sem compartilhar dados brutos que poderiam comprometer a privacidade.

Cada veículo mantém um cache de até 10 modelos externos recebidos de outros carros e atualiza sua própria inteligência artificial a cada 120 segundos, incorporando os novos conhecimentos adquiridos. Este processo contínuo de atualização garante que os veículos estejam sempre aprendendo e se adaptando às mudanças nas condições de tráfego e infraestrutura.

O sistema também implementa um mecanismo de remoção automática de modelos desatualizados, baseado em um limite predefinido de obsolescência. Isso assegura que os veículos priorizem conhecimentos recentes e relevantes, descartando informações que possam não refletir mais as condições atuais das vias e do tráfego.

Funcionamento do Cached Decentralized Federated Learning

Diferentemente do aprendizado federado tradicional, que depende de um servidor central para coordenar o treinamento e agregação de modelos, o Cached-DFL permite que os veículos operem de forma totalmente descentralizada. Cada carro treina seu próprio modelo de IA localmente, usando dados coletados por seus sensores durante suas viagens, e compartilha diretamente esses modelos com outros veículos próximos.

Esta abordagem descentralizada elimina a necessidade de infraestrutura de comunicação constante e servidores centrais, tornando o sistema mais robusto e adaptável a ambientes com conectividade intermitente. Os veículos podem continuar aprendendo e compartilhando conhecimento mesmo em áreas com cobertura de rede limitada ou inexistente.

A comunicação dispositivo-a-dispositivo de alta velocidade utilizada para a troca de modelos treinados garante eficiência na transferência de conhecimento, enquanto preserva a privacidade dos dados originais. Como apenas os modelos são compartilhados, e não os dados brutos, informações sensíveis sobre rotas específicas ou comportamentos de condução permanecem protegidas.

Simulações e Testes do Sistema

Para validar a eficácia do Cached-DFL, os pesquisadores conduziram simulações computacionais utilizando o layout urbano de Manhattan como modelo. Nestas simulações, veículos virtuais se movimentavam ao longo da grade da cidade a aproximadamente 14 metros por segundo, tomando decisões de direção baseadas em probabilidades predefinidas.

Em cada cruzamento, os veículos tinham 50% de chance de seguir em frente ou fazer uma conversão, criando padrões de movimento realistas e variados. Este ambiente de teste permitiu aos pesquisadores avaliar como o sistema se comportaria em condições urbanas complexas, com múltiplos veículos interagindo simultaneamente em uma rede viária densa.

As simulações demonstraram que o Cached-DFL permitiu que os modelos viajassem indiretamente pela rede, superando as limitações de métodos descentralizados convencionais. O mecanismo de transferência multi-hop possibilitou que o aprendizado se propagasse por toda a frota de forma mais eficiente, com veículos atuando como retransmissores de conhecimento mesmo para áreas que nunca visitaram pessoalmente.

Impacto dos Parâmetros no Desempenho do Sistema

Os testes revelaram que diversos fatores influenciam significativamente a eficiência do aprendizado colaborativo entre os veículos. A velocidade com que os carros se movem, o tamanho do cache de modelos que cada veículo mantém e as políticas de expiração de modelos desatualizados demonstraram ter impacto direto na qualidade e abrangência do conhecimento compartilhado.

Veículos que se movem mais rapidamente e comunicam-se com maior frequência tendem a propagar o conhecimento de forma mais eficiente pela rede. Por outro lado, a retenção de modelos desatualizados pode reduzir a precisão das decisões tomadas pelos veículos, reforçando a importância de mecanismos eficientes para gerenciamento do cache.

Uma estratégia de armazenamento em cache baseada em grupos mostrou-se particularmente eficaz, priorizando a diversidade de modelos provenientes de diferentes áreas geográficas em vez de simplesmente manter os modelos mais recentes. Esta abordagem garante que os veículos tenham acesso a conhecimentos variados sobre diferentes regiões, mesmo que nunca tenham visitado pessoalmente esses locais.

Aplicações Futuras e Disponibilidade

À medida que a inteligência artificial migra de servidores centralizados para dispositivos de borda, o Cached-DFL oferece uma solução segura e eficiente para o aprendizado coletivo de carros autônomos. Esta tecnologia tem o potencial de tornar os veículos mais inteligentes e adaptáveis, capazes de responder adequadamente a condições imprevistas com base no conhecimento coletivo da frota.

As aplicações do Cached-DFL não se limitam a veículos terrestres. Os princípios do sistema podem ser estendidos a outros sistemas de agentes móveis inteligentes, como drones, robôs e até satélites, contribuindo para o desenvolvimento da chamada “inteligência de enxame” – sistemas onde múltiplos agentes autônomos colaboram para atingir objetivos comuns.

O código desenvolvido pelos pesquisadores foi disponibilizado publicamente, permitindo que outros cientistas e desenvolvedores explorem e aprimorem a tecnologia. Detalhes técnicos adicionais podem ser encontrados no relatório técnico completo, publicado pela equipe de pesquisa composta por membros da NYU Tandon, Stony Brook University e New York Institute of Technology.

Perspectivas para o Futuro da Mobilidade Autônoma

O Cached-DFL representa um avanço significativo na forma como veículos autônomos podem aprender e se adaptar coletivamente. A capacidade de compartilhar conhecimento rodoviário de forma eficiente e privada cria uma inteligência coletiva que supera as limitações individuais de cada veículo, potencialmente aumentando a segurança e eficiência do transporte autônomo.

A troca de modelos de IA entre veículos estabelece uma rede de aprendizado colaborativo que se expande além das interações imediatas. O mecanismo de transferência multi-hop permite que o conhecimento se propague por toda a frota, beneficiando até mesmo veículos que nunca visitaram determinadas áreas ou enfrentaram certas condições específicas.

Com o apoio de várias bolsas da National Science Foundation e do programa Resilient & Intelligent NextG Systems (RINGS), esta pesquisa abre caminho para um futuro onde sistemas de transporte inteligentes aprendem continuamente uns com os outros, adaptando-se rapidamente a mudanças nas condições do ambiente e contribuindo para cidades mais seguras e eficientes.

Fonte: Pesquisadores da NYU Tandon, Stony Brook University e New York Institute of Technology. “Aprendizado Colaborativo e Privado para Carros Autônomos via Cached Decentralized Federated Learning”. Disponível em: [URL do artigo original].