Carros autônomos aprendem a compartilhar conhecimento sobre estradas por meio do boca a boca digital
Uma equipe de pesquisa liderada pela NYU Tandon desenvolveu uma abordagem inovadora que permite aos veículos autônomos compartilhar, de maneira indireta, o conhecimento sobre as condições das estradas. Essa técnica possibilita que cada veículo aprenda com as experiências dos outros, mesmo quando os encontros diretos são raros.
O método, denominado Cached Decentralized Federated Learning (Cached-DFL), difere do tradicional aprendizado federado, que depende de um servidor central para coordenar as atualizações. Em vez disso, os veículos treinam seus modelos de inteligência artificial localmente e os trocam diretamente por meio de comunicação de alta velocidade quando se aproximam a menos de 100 metros uns dos outros.
Em vez de compartilhar dados brutos, os veículos transferem os modelos já treinados e, ainda, repassam modelos recebidos de encontros anteriores. Cada veículo mantém um cache com até 10 modelos externos e atualiza sua inteligência a cada 120 segundos. Para evitar que informações desatualizadas prejudiquem o desempenho, o sistema remove automaticamente os modelos com base em um limiar de expiração, garantindo a priorização de dados recentes e relevantes.
Os pesquisadores testaram o sistema por meio de simulações computacionais utilizando a disposição das ruas de Manhattan como referência. Durante os experimentos, veículos virtuais circulavam pela grade da cidade, realizando curvas e seguindo trajetos probabilísticos semelhantes aos de enfrentamentos reais em ambientes urbanos. Esse mecanismo de transferência multihop permite que os modelos circulem por toda a rede, assim como as mensagens em redes tolerantes a atrasos, superando a limitação inerente às trocas diretas quando os encontros são escassos.
Essa abordagem reforça a capacidade dos carros autônomos de aprender coletivamente sobre condições de tráfego, sinais e obstáculos, mantendo a privacidade dos dados locais. Como resultado, veículos que trafegam em áreas com condições diversas, mesmo sem se encontrarem diretamente, se beneficiam do compartilhamento indireto de experiências.
Além do setor automotivo, o método Cached-DFL pode ser aplicado a outros sistemas de agentes móveis inteligentes, como drones, robôs e satélites, contribuindo para um aprendizado descentralizado robusto e eficiente rumo à inteligência em enxame.
