با هوش مصنوعی ماشین ها هم مثل انسان ها گپ می زنند!

به گزارش بهار جاودانه به نقل از خیرآنلاین: اخیراً تیمی از پژوهشگران موفق شده اند تا روش جدیدی برای ارتقای ارتباط میان خودروهای خودران توسعه بدهند؛ بدین ترتیب این وسایل نقلیه قادر خواهند بود تا به صورت کارآمدتر دقیق تر و در لحظه اطلاعات رانندگی را با یکدیگر به اشتراک بگذارند.

این راهکار به خودروهای خودران این امکان را می دهد که بدون نیاز به برقراری اتصال مستقیم و در حین رانندگی اطلاعاتشان را آزادانه با یکدیگر به اشتراک بگذارند.

هوش مصنوعی در خودروهای خودران

این روش “یادگیری فدرال غیرمتمرکز با کش موقت” (Cached Decentralized Federated Learning) یا Cached-DFL نام دارد و نوعی چارچوب اشتراک گذاری مدل های هوش مصنوعی است که این قابلیت را برای خودروهای خودران فراهم می کند تا ضمن عبور از کنار یکدیگر اطلاعاتی دقیق و به روز ازجمله نحوه مواجهه با چالش های ناوبری الگوهای ترافیکی وضعیت جاده ها و علائم راهنمایی و رانندگی را به هم منتقل کنند.

در حالت عادی برای تبادل اطلاعات رانندگی جمع آوری شده خودروها باید خیلی نزدیک به هم قرار بگیرند؛ اما حالا و با استفاده از Cached-DFL دانشمندان موفق به ایجاد نوعی “شبکه اجتماعی” شده اند که خودروها می توانند از طریق آن و برای مشاهده یافته های رانندگی شان به “صفحه پروفایل” خودروهای دیگر دسترسی پیدا کنند؛ آن هم بدون اشتراک گذاری داده های شخصی یا الگوهای رانندگی راننده.

در حال حاضر خودروهای خودران اطلاعاتشان را در یک پایگاه مرکزی ذخیره می کنند که این روش با ریسک بالایی در نفوذ به داده ها همراه است؛ اما در سیستم Cached-DFL هر خودرو اطلاعات مربوط به شرایط جاده و سناریوهای رانندگی را در قالب مدل های هوش مصنوعی آموزش دیده در خود نگه می دارد.

شبکه ای از تجارب مشترک

دکتر یونگ لئو استاد مهندسی دانشگاه NYU و سرپرست پروژه دراین باره گفته: «این را می توان شبیه ایجاد شبکه ای از تجارب مشترک برای خودروهای خودران دانست. خودرویی که تنها در منهتن رانندگی کرده حالا می تواند بدون آنکه هرگز به بروکلین رفته باشد از تجارب سایر خودروها در بروکلین نیز بهره مند شود.»

به عبارت دیگر خودروها می توانند اطلاعات مربوط به نحوه مواجهه با موقعیت های مشابهی که ممکن است در نقاط مختلف جهان تکرار شوند (مثلاً چاله هایی روی سطح آسفالت) را با یکدیگر به اشتراک بگذارند.

کلید بهبود عملکرد خودروهای خودران

پژوهشگران در جریان مجموعه ای از آزمایش ها دریافتند که ارتباطات سریع و مکرر بین خودروهای خودران منجر به افزایش دقت و بهره وری در داده های رانندگی می شود.

آن ها ۱۰۰ خودروی خودران مجازی را در نسخه ای شبیه سازی شده از شهر منهتن قرار دادند و این خودروها را در الگوهایی نیمه تصادفی به حرکت درآوردند.

هر خودرو دارای ۱۰ مدل هوش مصنوعی بود که هر ۱۲۰ ثانیه به روز می شد. در اینجای آزمایش بخش “کش موقت” وارد عمل شد: خودروها تا زمانی که اتصال مناسبی از نوع V۲V (خودرو به خودرو) برقرار شود داده ها را نگه می دارند و سپس آن ها را به اشتراک می گذارند. در مقابل و در مدل های سنتی اشتراک گذاری داده در خودروهای خودران فوری و بدون ذخیره سازی هستند.

پژوهشگران در ادامه به بررسی این موضوع پرداختند که خودروها با چه سرعتی یاد می گیرند و آیا Cached-DFL عملکرد بهتری نسبت به سیستم های متمرکز فعلی دارد یا خیر. آن ها متوجه شدند که تا زمانی که خودروها در فاصله ای کمتر از ۱۰۰ متر از یکدیگر قرار دارند می توانند بدون آنکه نیازی به شناخت یا اتصال قبلی باشد اطلاعات خود را مشاهده و مبادله کنند.

دکتر جی ژو استاد مهندسی برق و رایانه دانشگاه فلوریدا درباره مزایای این روش جدید گفت: «یکی از مزایای کلیدی یادگیری غیرمتمرکز مقیاس پذیری آن است؛ یعنی به جای آنکه هر خودرو با یک سرور مرکزی یا همه خودروهای دیگر ارتباط برقرار کند صرفاً با خودروهایی که با آن ها مواجه می شود تبادل اطلاعات می کند. این روش باعث می شود تا هزینه های ارتباطی با افزایش تعداد خودروها رشد نمایی نداشته باشد.»

پژوهشگران معتقدند که بهره گیری از Cached-DFL  باعث مقرون به صرفه تر شدن فناوری خودروهای خودران خواهد شد؛ چرا که دیگر نیازی به توان پردازشی بالا در یک سرور مرکزی نخواهد بود و در این پروسه بار پردازش میان خود خودروها توزیع می شود.

ازجمله گام های بعدی در مسیر این پژوهش آزمایش واقعی Cached-DFL در جهان خارج رفع موانع سیستمی میان برندهای مختلف خودروهای خودران و توسعه ارتباط میان خودروها با سایر تجهیزات متصل مثل چراغ های راهنمایی ماهواره ها و علائم جاده ای است که از آن به عنوان استانداردهای V۲X یا “ارتباط خودرو با همه چیز” یاد می شود.

تیم تحقیقاتی درعین حال در نظر دارد تا روند فاصله گیری از سرورهای متمرکز و حرکت به سمت دستگاه های هوشمند نزدیک به محل جمع آوری داده را تسریع کند. این اقدام باعث سرعت یافتن اشتراک گذاری داده ها شده و نوعی “هوش جمعی فوری” را نه تنها برای خودروها بلکه برای ماهواره ها پهپادها ربات ها و دیگر دستگاه های متصل پدید می آورد.

جاوید خان رئیس بخش نرم افزار و ایمنی پیشرفته شرکت Aptiv در این رابطه گفت: «یادگیری فدرال غیرمتمرکز یک رویکرد حیاتی برای یادگیری مشارکتی است که بدون نقض حریم خصوصی کاربران انجام می شود. با ذخیره محلی مدل ها وابستگی به سرورهای مرکزی کاهش یافته و تصمیم گیری های آنی که برای برنامه های حساس ایمنی ازجمله رانندگی خودکار حیاتی هستند نیز بهبود خواهد یافت.»

منبع: livescience

*بازنشر مطالب شبکه های اجتماعی به منزله تأیید محتوای آن نیست و صرفا جهت آگاهی مخاطبان از فضای این شبکه ها منتشر می شود.

پایان خبر بهار جاودانه