Với 'mạng xã hội AI' riêng, các xe tự lái có thể học cách xử lý ổ gà hình bầu dục ở bất cứ đâu, dựa trên kinh nghiệm được chia sẻ từ những xe đã gặp tình huống tương tự.
Các nhà khoa học đã phát triển một phương pháp mới cho phép xe tự lái chia sẻ thông tin quan trọng khi đang di chuyển mà không cần kết nối trực tiếp, thông qua một công nghệ gọi là "Học liên kết phân tán lưu trữ đệm" (Cached-DFL).
Đây là một khung chia sẻ mô hình trí tuệ nhân tạo (AI) giúp các xe tự lái trao đổi dữ liệu chính xác và mới nhất khi đi qua nhau, bao gồm cách xử lý điều hướng, mô hình giao thông, tình trạng đường sá và biển báo.
Khác với cách tiếp cận thông thường yêu cầu xe phải ở gần và cấp quyền chia sẻ, Cached-DFL tạo ra một dạng "mạng xã hội giả lập", nơi ô tô có thể xem "hồ sơ" của các xe khác mà không tiết lộ thông tin cá nhân của người lái.
Tiến sĩ Yong Liu từ Đại học New York ví von: "Một chiếc xe chỉ từng lái ở Manhattan giờ đây có thể học về đường sá ở Brooklyn từ các phương tiện khác, ngay cả khi nó chưa bao giờ đến đó". Ví dụ, xe có thể học cách xử lý ổ gà hình bầu dục ở bất cứ đâu, dựa trên kinh nghiệm được chia sẻ từ những xe đã gặp tình huống tương tự.
Hệ thống này cũng giải quyết vấn đề của dữ liệu tập trung hiện tại, vốn dễ bị vi phạm quy mô lớn. Với Cached-DFL, dữ liệu được lưu trữ trong các mô hình AI đã huấn luyện trên từng xe.
Các thử nghiệm mô phỏng tại Manhattan cho thấy việc giao tiếp nhanh chóng và thường xuyên giữa các xe trong phạm vi 100 mét giúp cải thiện đáng kể hiệu quả và độ chính xác của dữ liệu lái xe. Quan trọng là, các xe không cần "biết" nhau để chia sẻ thông tin.
Tiến sĩ Jie Xu từ Đại học Florida nhấn mạnh ưu điểm về khả năng mở rộng: "Mỗi phương tiện chỉ trao đổi cập nhật mô hình với những xe nó gặp, ngăn chặn chi phí giao tiếp tăng vọt khi mạng lưới lớn hơn". Điều này cũng hứa hẹn làm giảm chi phí công nghệ tự lái do gánh nặng xử lý được phân bổ, thay vì tập trung vào một máy chủ.
Trong tương lai, nhóm nghiên cứu dự định thử nghiệm Cached-DFL trong thực tế, gỡ bỏ rào cản tương thích giữa các hãng xe và mở rộng kết nối đến các hạ tầng giao thông khác (V2X). Mục tiêu xa hơn là thúc đẩy xu hướng xử lý dữ liệu phi tập trung, tạo ra dạng trí tuệ tập thể tốc độ cao không chỉ cho ô tô mà còn cho vệ tinh, drone và robot.
Javed Khan từ Aptiv khẳng định: "Học liên kết phân tán rất quan trọng cho việc học tập hợp tác mà không ảnh hưởng quyền riêng tư... Tăng cường khả năng ra quyết định thời gian thực, tối cần thiết cho các ứng dụng an toàn như lái xe tự hành".
Tin liên quan
