一组科学家升级了自动驾驶汽车之间的通信，以提高效率，并使车辆能够共享当前准确的驾驶信息。
研究人员发现了一种方法，可以让自动驾驶汽车在路上自由共享信息，而无需建立直接连接。
“缓存去中心化联合学习”（Cached DFL）是一个用于自动驾驶汽车的人工智能（AI）模型共享框架，允许它们相互传递并共享准确和最新的信息。这些信息包括处理导航挑战、交通模式、路况以及交通标志和信号的最新方法。
通常情况下，汽车必须彼此靠近，并授权共享它们在旅行中收集的驾驶信息。然而，有了Cached-DFL，科学家们创造了一个准社交网络，汽车可以在其中查看彼此的驾驶发现个人资料页面，而无需共享驾驶员的个人信息或驾驶模式。
自动驾驶汽车目前使用存储在一个中心位置的数据，这也增加了大型数据泄露的可能性。Cached DFL系统使车辆能够在经过训练的AI模型中携带数据，并在其中存储有关驾驶条件和场景的信息。
该项目的研究主管、纽约大学坦顿工程学院（Tandon School of engineering）的工程学教授刘勇（音译）博士写道：“可以把它想象成为自动驾驶汽车创建一个共享体验的网络。”“一辆只在曼哈顿行驶过的汽车现在可以从其他车辆那里了解布鲁克林的路况，即使它自己从未在那里行驶过。”
这些汽车可以分享它们如何处理与布鲁克林类似的场景，这些场景可能会出现在其他地区的道路上。例如，如果布鲁克林的道路上有椭圆形的坑洼，无论它们在世界的哪个地方，汽车都可以分享如何处理椭圆形坑洼的经验。
科学家们已经将他们的研究上传到预印本arXiv数据库，并在人工智能促进协会会议上展示了他们的研究结果。
更好的自动驾驶汽车的关键
通过一系列测试，科学家们发现，自动驾驶汽车之间快速、频繁的通信提高了驾驶数据的效率和准确性。
科学家们将100辆虚拟自动驾驶汽车放置在模拟版的曼哈顿，并让它们以半随机的模式“驾驶”。每辆车有10个人工智能模型，每120秒更新一次，这就是实验的缓存部分出现的地方。这些汽车保留数据，并等待共享数据，直到它们有了适当的车对车（V2V）连接。这与传统的自动驾驶汽车数据共享模型不同，后者是即时的，不允许存储或缓存。
科学家们绘制了汽车学习速度的图表，以及Cached-DFL是否优于当今自动驾驶汽车中常见的集中式数据系统。他们发现，只要汽车之间的距离在100米（328英尺）以内，它们就可以查看和共享彼此的信息。这些车辆不需要相互了解就可以共享信息。
“可扩展性是分散式FL的关键优势之一，”佛罗里达大学电子与计算机工程副教授徐洁（音译）博士告诉媒体。“不是每辆车都与中央服务器或所有其他车通信，而是每辆车只与遇到的车交换车型更新。随着越来越多的汽车加入网络，这种本地化的共享方法可以防止通信开销呈指数级增长。”
研究人员设想，由于处理负载分布在许多车辆上，而不是集中在一台服务器上，因此Cached-DFL可以降低对计算能力的需求，从而使自动驾驶技术更加经济实惠。
研究人员的下一步工作包括对Cached-DFL进行实际测试，消除不同品牌自动驾驶汽车之间的计算机系统框架障碍，并实现车辆与其他连接设备（如交通信号灯、卫星和道路信号）之间的通信。这就是所谓的车联网（V2X）标准。
该团队还致力于推动从集中式服务器转向智能设备的更广泛的转变，智能设备可以收集和处理最接近数据收集地的数据，从而尽可能快地共享数据。这创造了一种快速的群体智能，不仅适用于车辆，也适用于卫星、无人机、机器人和其他新兴的联网设备。
Aptiv软件、高级安全和用户体验总裁Javed Khan告诉媒体：“去中心化联合学习为协作学习提供了一种重要的方法，同时又不损害用户隐私。”“通过在本地缓存模型，我们减少了对中央服务器的依赖并增强了实时决策，这对于自动驾驶等安全关键应用至关重要。"
