پژوهشگران با الهام از سازوکار شبکه های اجتماعی، سامانه‌ای نوین برای خودروهای خودران با استفاده از هوش مصنوعی توسعه داده‌اند.
به گزارش تکناک، این سامانه که به منظور بهبود ارتباطات میان خودروهای خودران طراحی شده است، به آنها امکان می‌دهد که بدون نیاز به اتصال مستقیم، اطلاعات به‌روز و دقیقی از شرایط جاده، ترافیک و نشانه‌های رانندگی را با یکدیگر به اشتراک بگذارند.
این فناوری با عنوان «یادگیری فدرال غیرمتمرکز مبتنی بر حافظه کش» یا Cached-DFL، مانند یک شبکه اجتماعی برای خودروها عمل می‌کند که در آن، هر وسیله نقلیه دارای صفحه‌ای از تجربیات رانندگی خود است، که سایر خودروها می‌توانند بدون دسترسی به اطلاعات شخصی راننده، از آن بهره‌مند شوند.
برخلاف روش‌های سنتی که نیازمند اتصال مستقیم و هم‌زمان میان خودروها هستند، خودروها در این روش جدید، داده‌های مربوط به مدل‌های هوش مصنوعی را به صورت محلی ذخیره می‌کنند و در صورت برخورد با خودروی دیگر در شعاع ۱۰۰ متری، این داده‌ها را مبادله می‌کنند.
به گفته دکتر یونگ لیو، استاد مهندسی دانشگاه NYU، این سامانه امکان اشتراک تجربیات جاده‌ای میان خودروهایی را فراهم می‌کنند که حتی هرگز از یک مسیر عبور نکرده‌اند؛ به عنوان نمونه، خودرویی در منهتن می‌تواند نحوه برخورد با دست‌اندازهای بیضی‌شکل را در بروکلین بیاموزد، بدون آنکه در آن منطقه رانندگی کرده باشد.
تیم تحقیقاتی برای بررسی کارایی این سیستم، ۱۰۰ خودروی خودران مجازی را در نسخه‌ای شبیه‌سازی‌شده از خیابان‌های منهتن قرار دادند و به آنها اجازه دادند که با الگویی نیمه‌تصادفی حرکت کنند. هر خودرو مجهز به ۱۰ مدل هوش مصنوعی بود، که هر ۱۲۰ ثانیه به‌روزرسانی می‌شد. برخلاف روش‌های سنتی که داده‌ها را بلافاصله ارسال می‌کنند، در Cached-DFL خودروها منتظر اتصال مناسب می‌مانند و سپس داده‌های خود را به اشتراک می‌گذارند. این شیوه باعث کاهش بار سرور مرکزی و افزایش دقت یادگیری می‌شود.
دکتر جی شو، استاد دانشگاه فلوریدا، مزیت اصلی این شبکه اجتماعی خودروهای خودران را مقیاس‌پذیری آن عنوان کرده و گفته است که با حذف نیاز به ارتباط با سرور مرکزی یا تبادل با همه خودروها، فشار ارتباطی به شدت کاهش می‌یابد. همچنین این روش با توزیع توان پردازشی میان خودروها، نیاز به منابع سخت‌افزاری سنگین را نیز کاهش می‌دهد و از این طریق می‌تواند هزینه فناوری خودروهای خودران را نیز پایین بیاورد.
گام بعدی برای این گروه تحقیقاتی، اجرای آزمایش‌های میدانی، رفع موانع ارتباطی میان برندهای مختلف خودرو و گسترش این ارتباطات به دیگر تجهیزات هوشمند از جمله چراغ‌های راهنمایی، ماهواره‌ها و تابلوهای جاده‌ای هوشمند است؛ مفهومی که در صنعت با عنوان V2X یا «ارتباط خودرو با همه‌چیز» شناخته می‌شود. همچنین آنها در تلاش هستند که بستری برای شکل‌گیری هوش جمعی میان دستگاه‌های متصل، از جمله خودروها، پهپادها، ربات‌ها و ماهواره‌ها ایجاد کنند.
همچنین پژوهشگران به دنبال کنار گذاشتن سرورهای متمرکز و تمرکز بر دستگاه‌های هوشمندی هستند، که داده‌ها را در محل جمع‌آوری پردازش کنند. این رویکرد، زمینه‌ساز شکل‌گیری نوعی هوش جمعی سریع در میان خودروها، ماهواره‌ها، پهپادها، ربات‌ها و سایر دستگاه‌های متصل خواهد بود.
جاوید خان، رئیس بخش نرم‌افزار و ایمنی شرکت Aptiv گفت: «یادگیری فدرال غیرمتمرکز، راهکاری کلیدی برای یادگیری جمعی بدون خدشه به حریم خصوصی کاربران است. با کش‌کردن مدل‌ها در سطح محلی، وابستگی به سرورهای مرکزی کاهش و تصمیم‌گیری در لحظه بهبود می‌یابد، که برای کاربردهای حساس به ایمنی همچون رانندگی خودکار ضروری است.»
این پروژه برای نخستین‌بار در تاریخ ۲۶ اوت ۲۰۲۴ در پایگاه arXiv منتشر و در تاریخ ۲۷ فوریه ۲۰۲۵ در کنفرانس انجمن پیشرفت هوش مصنوعی ارائه شده است.
