Dans une avancée significative pour les véhicules autonomes, les chercheurs de la NYU Tandon School of Engineering ont développé une méthode permettant aux voitures autonomes de partager indirectement leurs expériences acquises sur les conditions routières, favorisant ainsi un écosystème de conduite plus sûr et plus intelligent.
Des chercheurs dirigés par la NYU Tandon School of Engineering ont mis au point une méthode innovante permettant aux véhicules autonomes de partager indirectement leurs connaissances sur les conditions routières, améliorant ainsi considérablement leur capacité à apprendre les uns des autres tout en préservant la confidentialité des données. La recherche, dirigée par l'étudiante en doctorat Xiaoyu Wang, a été présentée dans un papier lors de la conférence de l'Association pour l'avancement de l'intelligence artificielle le 27 février 2025.
Traditionnellement, les véhicules autonomes ne peuvent échanger des connaissances que lors de rencontres brèves et directes, limitant ainsi leur adaptabilité à de nouveaux environnements.
Cependant, cette nouvelle méthode, connue sous le nom de Cached Decentralized Federated Learning (Cached-DFL), permet aux véhicules d’entraîner leurs modèles d’intelligence artificielle (IA) localement et de partager ces modèles avec d’autres, même sans interaction directe fréquente.
Expériences partagées sur la route
« Pensez-y comme à la création d'un réseau d'expériences partagées pour les voitures autonomes », a déclaré Yong Liu, professeur au département de génie électrique et informatique de l'université de New York Tandon, qui a supervisé la recherche, dans un communiqué. communiqué de presse« Une voiture qui n'a parcouru que Manhattan pourrait désormais apprendre des conditions routières à Brooklyn grâce à d'autres véhicules, même si elle n'y a jamais roulé elle-même. Cela rendrait chaque véhicule plus intelligent et mieux préparé aux situations qu'il n'a pas rencontrées personnellement. »
Cette nouvelle approche ne nécessite pas de serveur central. Au lieu de cela, les véhicules situés à moins de 100 mètres les uns des autres utilisent une communication à haut débit entre appareils pour échanger des modèles entraînés, et non des données brutes.
Les voitures peuvent également relayer des modèles reçus lors de rencontres antérieures, permettant ainsi à des informations précieuses de pénétrer le réseau bien au-delà des interactions immédiates.
Apprentissage efficace et sécurisé
Chaque véhicule peut stocker jusqu'à 10 modèles externes et met à jour son IA toutes les 120 secondes. Le système garantit que les informations obsolètes ne dégradent pas les performances en supprimant automatiquement les modèles plus anciens en fonction d'un seuil d'obsolescence.
Les chercheurs ont simulé le système en utilisant le réseau de rues de Manhattan. Les véhicules virtuels, qui se déplacent à environ 14 mètres par seconde, ont montré une amélioration substantielle de l'efficacité d'apprentissage par rapport aux méthodes décentralisées standard, qui échouent lorsque les véhicules se croisent rarement.
« C'est un peu comme la façon dont l'information se propage sur les réseaux sociaux », a ajouté Liu. « Les appareils peuvent désormais transmettre les connaissances d'autres personnes qu'ils ont rencontrées, même si ces appareils ne se rencontrent jamais directement. »
Ce mécanisme de transfert multi-sauts réduit les limitations des approches de partage direct de modèles, permettant à l’apprentissage de se propager efficacement à travers la flotte.
Impact et applications futures
La possibilité de partager des connaissances sur les différentes conditions routières, les signaux et les obstacles tout en préservant la confidentialité des données constitue une véritable révolution pour les véhicules connectés, en particulier dans les environnements urbains complexes. Des vitesses de véhicule plus rapides et des sessions de communication plus fréquentes améliorent les résultats d'apprentissage, tandis que les modèles obsolètes sont rapidement supprimés pour maintenir la précision.
Au-delà des voitures, Cached-DFL a des applications potentielles dans d’autres systèmes en réseau d’agents mobiles intelligents, tels que les drones, les robots et les satellites, ouvrant la voie à un apprentissage robuste et décentralisé et à la réalisation d’une intelligence en essaim.
Le code de l'équipe et un rapport technique détaillé ont été réalisés Disponible publiquement, permettant une exploration et un développement plus poussés dans le domaine.
Guojun Xiong et Jian Li de l'Université Stony Brook et Houwei Cao du New York Institute of Technology ont contribué à l'étude.
Cette avancée significative marque un tournant pour l’avenir de la technologie autonome, ouvrant de nouvelles possibilités pour des véhicules autonomes plus sûrs, plus efficaces et hautement adaptatifs.