En un avance significativo para los vehículos autónomos, los investigadores de la Escuela de Ingeniería Tandon de la Universidad de Nueva York han desarrollado un método que permite que los automóviles autónomos compartan experiencias aprendidas sobre las condiciones de la carretera de forma indirecta, promoviendo un ecosistema de conducción más seguro e inteligente.
Los investigadores dirigidos por la Escuela de Ingeniería Tandon de la Universidad de Nueva York han desarrollado una forma innovadora para que los vehículos autónomos compartan conocimientos sobre las condiciones de la carretera de forma indirecta, mejorando significativamente su capacidad de aprender unos de otros y manteniendo la privacidad de los datos. La investigación, dirigida por la estudiante de doctorado Xiaoyu Wang, se presentó en un en la Conferencia de la Asociación para el Avance de la Inteligencia Artificial el 27 de febrero de 2025.
Tradicionalmente, los vehículos autónomos sólo pueden intercambiar conocimientos durante encuentros breves y directos, lo que limita su adaptabilidad a nuevos entornos.
Sin embargo, este nuevo método, conocido como aprendizaje federado descentralizado en caché (Cached-DFL), permite a los vehículos entrenar sus modelos de inteligencia artificial (IA) localmente y compartir estos modelos con otros, incluso sin una interacción directa frecuente.
Experiencias compartidas en el camino
"Piénselo como crear una red de experiencias compartidas para autos autónomos", dijo Yong Liu, profesor del Departamento de Ingeniería Eléctrica y Computación de NYU Tandon, quien supervisó la investigación, en un comunicado. comunicado de prensa“Un coche que sólo ha circulado por Manhattan podría ahora aprender sobre las condiciones de la carretera en Brooklyn a partir de otros vehículos, incluso si nunca ha circulado por allí. Esto haría que cada vehículo fuera más inteligente y estuviera mejor preparado para situaciones con las que no se ha encontrado personalmente”.
Este nuevo enfoque no requiere un servidor central. En su lugar, los vehículos que se encuentran a 100 metros entre sí utilizan una comunicación de alta velocidad entre dispositivos para intercambiar modelos entrenados, no datos sin procesar.
Los automóviles también pueden transmitir modelos recibidos de encuentros anteriores, lo que permite que información valiosa penetre en la red mucho más allá de las interacciones inmediatas.
Aprendizaje eficiente y seguro
Cada vehículo puede almacenar hasta 10 modelos externos y actualiza su IA cada 120 segundos. El sistema garantiza que la información obsoleta no afecte al rendimiento al descartar automáticamente los modelos más antiguos en función de un umbral de obsolescencia.
Los investigadores simularon el sistema utilizando la red de calles de Manhattan. Los vehículos virtuales, que viajaban a unos 14 metros por segundo, mostraron una mejora sustancial en la eficiencia de aprendizaje en comparación con los métodos descentralizados estándar, que fallan cuando los vehículos rara vez se encuentran.
“Es un poco como la forma en que se difunde la información en las redes sociales”, añadió Liu. “Los dispositivos ahora pueden transmitir el conocimiento de otras personas que han conocido, incluso si esos dispositivos nunca se encuentran directamente entre sí”.
Este mecanismo de transferencia de múltiples saltos reduce las limitaciones de los enfoques de intercambio directo de modelos, lo que permite que el aprendizaje se propague de manera eficiente en toda la flota.
Impacto y aplicaciones futuras
La capacidad de compartir conocimientos sobre las distintas condiciones de la carretera, las señales y los obstáculos manteniendo la privacidad de los datos es un punto de inflexión para los vehículos conectados, especialmente en entornos urbanos complejos. La mayor velocidad de los vehículos y las sesiones de comunicación más frecuentes mejoran los resultados del aprendizaje, mientras que los modelos obsoletos se descartan rápidamente para mantener la precisión.
Más allá de los automóviles, Cached-DFL tiene aplicaciones potenciales en otros sistemas en red de agentes móviles inteligentes, como drones, robots y satélites, allanando el camino para un aprendizaje robusto y descentralizado y logrando inteligencia de enjambre.
Se ha realizado el código del equipo y un informe técnico detallado. disponible públicamente, permitiendo una mayor exploración y desarrollo dentro del campo.
Guojun Xiong y Jian Li de la Universidad Stony Brook y Houwei Cao del Instituto de Tecnología de Nueva York contribuyeron al estudio.
Este importante avance marca un momento crucial para el futuro de la tecnología autónoma y abre nuevas posibilidades para vehículos autónomos más seguros, eficientes y altamente adaptables.