自动驾驶汽车，就像大众汽车的 Herbie 和《霹雳游侠》中的 KITT 一样，正逐渐从科幻走向现实。其好处显而易见：乘客可以在通勤期间放松、工作或娱乐，同时减少人为错误造成的事故。此外，自动驾驶汽车为那些无法自行驾驶的个人提供了更大的出行便利。
然而，在复杂的道路交通环境中放弃控制权需要高度先进的技术。持续的研发旨在将完全自动驾驶的汽车引入我们的道路，而一个关键的焦点是这些汽车如何有效地沟通——例如共享道路状况的更新——以提高安全性和效率。
纽约大学 (NYU) Tandon 工程学院的研究团队开发了一个系统，用于改善自动驾驶汽车之间的通信，类似于人们在社交网络上的互动方式。他们的 研究成果 于 2025 年 2 月 27 日在国际人工智能联合会会议上发表。
自动驾驶汽车的现状
自驾车依靠传感器、摄像头和人工智能 (AI) 来做出明智的决策，并以最少的人工干预来导航道路。美国汽车工程师协会将车辆自动化分为六个级别，从 0（完全手动）到 5（完全自动，意味着车辆可以在所有条件下自行驾驶，无需人工干预）。
到目前为止，还没有一辆自驾车达到完全自动化的水平。最先进的车型，例如在加利福尼亚州和亚利桑那州的自驾出租车服务，目前运行在 4 级。然而，广泛采用面临挑战，包括发生事故的可能性以及对数据隐私的担忧。
人工智能使自动驾驶汽车在直接交互时能够交换知识，从而即时改善道路导航。然而，传统的模型共享方法依赖于即时的一对一交流，这会减慢对新情况的适应速度。这类似于人类如果必须亲自会见每一位接收者而不是通过他人传递信息，将难以有效地传播信息。
阅读更多： 无驾驶员的汽车仍存在盲点。专家如何解决？
提高汽车间通信效率
为了克服这一限制，研究人员引入了一种称为缓存式分布式联邦学习 (Cached-DFL) 的新方法。该方法增强了车辆之间相互学习的能力，即使它们很少相遇。与依赖中央服务器进行更新的传统联邦学习不同，Cached-DFL 允许车辆独立训练 AI 模型并直接进行交换。
当两辆车进入近距离——约 100 米——时，它们会利用高速通信来共享训练好的模型，而不是传输原始数据。与早期的分布式方法相比，这大大加快了适应速度并提高了学习效率。
“这有点像信息在社交网络中传播的方式，”纽约大学 Tandon 电气与计算机工程系的教授兼该项目主管 Yong Liu 在一份新闻稿中解释道。“设备现在可以传递它们遇到过的其他设备的知识，即使这些设备从未直接相遇。”
更好的沟通可提高安全性
Cached-DFL 解决了使自动驾驶汽车能够相互学习同时保持数据安全性的挑战。有了这项技术，自驾车就可以共享有关道路状况、信号和障碍物的关键信息——这在城市地区尤其有益，因为那里的车辆会遇到各种各样的状况，但很少有足够长的时间互动，以至于传统的学习方法能够有效。
“一辆只在曼哈顿开过的车现在可以从其他车辆那里了解到布鲁克林的道路状况，即使它自己从未去过那里。这将使每辆车都更智能，并为它没有亲自遇到过的情况做好更充分的准备，”Liu 补充道。
随着人工智能从集中式服务器转向边缘设备，Cached-DFL 为自驾车提供了安全高效的集体进化方式，提高了它们的智能和适应性。此外，这项技术超出了自动驾驶汽车的范畴；它可以应用于其他联网的智能移动代理系统——例如无人机、机器人和卫星——以实现分布式学习和群体智能。随着研究人员公开提供他们的代码，这些进步有潜力加速多个行业的创新。
文章来源
我们的Discovermagazine.com作家在文章中采用同行评审研究和高质量来源，我们的编辑会审阅科学准确性和编辑标准。请查看本文使用的以下来源
康奈尔大学。面向移动代理的具有模型缓存的分布式联邦学习
