Araştırmacılar, sürücüsüz araçların yolda doğrudan bağlantı kurmalarına gerek kalmadan serbestçe bilgi paylaşmalarının bir yolunu keşfetti.
'Önbelleğe Alınmış Merkezi Olmayan Birleşik Öğrenme' (Cached Decentralized Federated Learning - Cached-DFL) adı verilen bu sistem, otonom araçlar için bir yapay zeka modeli paylaşım çerçevesi sunuyor. Bu sayede araçlar, sürüş sırasında edindikleri doğru ve güncel bilgileri birbirleriyle paylaşabiliyorlar. Paylaşılan bilgiler arasında navigasyon zorluklarıyla başa çıkmanın en son yolları, trafik modelleri, yol koşulları, trafik işaretleri ve sinyalleri gibi veriler yer alıyor.
Geleneksel olarak, araçların sürüşle ilgili bilgileri paylaşmak için fiziksel olarak birbirine yakın olması ve izin alması gerekiyordu. Ancak Cached-DFL ile bilim insanları, adeta bir 'sosyal ağ' benzeri bir yapı oluşturdular. Bu yapıda araçlar, sürücünün kişisel bilgileri veya sürüş alışkanlıkları paylaşılmadan, birbirlerinin sürüş keşiflerinin 'profil sayfalarını' görüntüleyebiliyor.
Günümüzde sürücüsüz araçlar genellikle veriyi tek bir merkezi konumda depoluyor, bu da büyük veri ihlalleri riskini artırıyor. Cached-DFL sistemi ise araçların veriyi, sürüş koşulları ve senaryoları hakkında bilgi depolayan eğitilmiş yapay zeka modellerinde taşımasını sağlıyor.
Projenin araştırma süpervizörü, bu sistemi 'otonom araçlar için paylaşılan deneyimlerden oluşan bir ağ oluşturmak gibi düşünün' diye açıklıyor. 'Sadece İstanbul'da sürüş yapmış bir araç, hiç gitmediği halde Bursa'daki yol koşulları hakkında diğer araçlardan bilgi edinebilir.' Örneğin, İstanbul'da oval şekilli çukurlar varsa, araçlar dünyanın herhangi bir yerindeki oval çukurlarla nasıl başa çıkılacağını birbirlerine öğretebilirler.
Daha İyi Otonom Araçların Anahtarı
Yapılan bir dizi testle, otonom araçlar arasındaki hızlı ve sık iletişimin, sürüş verilerinin verimliliğini ve doğruluğunu artırdığı görüldü.
Simüle edilmiş bir şehir ortamında 100 sanal otonom araç üzerinde testler yapıldı. Her araç, her 120 saniyede bir güncellenen 10 yapay zeka modeline sahipti. Deneyin 'önbelleğe alınmış' kısmı burada devreye giriyor: Araçlar veriyi anında değil, uygun bir araçtan araca (V2V) bağlantı kurana kadar bekletip paylaşıyor. Bu, anında veri paylaşımı yapan ve depolama imkanı sunmayan geleneksel sistemlerden farklı.
Araştırmacılar, araçların ne kadar hızlı öğrendiğini ve Cached-DFL'nin günümüz otonom araçlarında yaygın olan merkezi veri sistemlerinden daha iyi performans gösterip göstermediğini karşılaştırdı. Araçların birbirine yaklaşık 100 metre (328 fit) mesafede olduğu sürece bilgi görüntüleyebildiği ve paylaşabildiği, bunun için birbirlerini 'tanımalarına' gerek olmadığı keşfedildi.
Merkezi olmayan birleşik öğrenmenin en önemli avantajlarından biri ölçeklenebilirlik olarak belirtiliyor. Her aracın merkezi bir sunucuyla veya tüm diğer araçlarla iletişim kurması yerine, her araç yalnızca karşılaştığı diğer araçlarla model güncellemelerini paylaşıyor. Bu yerelleştirilmiş paylaşım yaklaşımı, ağa daha fazla araç katıldıkça iletişim yükünün katlanarak artmasını engelliyor.
Araştırmacılar, Cached-DFL'nin işlem yükünün tek bir sunucuda yoğunlaşmak yerine birçok araca dağıtılması sayesinde, hesaplama gücü ihtiyacını azaltarak otonom sürüş teknolojisini daha uygun fiyatlı hale getirebileceğini öngörüyor.
Araştırmacıların sonraki adımları arasında Cached-DFL'nin gerçek dünya testleri, farklı markalardaki sürücüsüz araçlar arasındaki sistem uyumsuzluklarını gidermek ve araçlar ile trafik ışıkları, uydular ve yol sinyalleri gibi diğer bağlı cihazlar arasında iletişimi (V2X olarak bilinen standart) mümkün kılmak yer alıyor.
Ekip ayrıca, merkezi sunuculardan uzaklaşarak verinin toplandığı yere en yakın akıllı cihazlarda işlenmesini sağlayacak daha geniş bir hareket başlatmayı hedefliyor. Bu, veri paylaşımını mümkün olduğunca hızlı hale getiriyor ve sadece araçlar için değil, uydular, dronelar, robotlar ve diğer yeni bağlı cihaz formları için de hızlı bir 'sürü zekası' oluşturuyor.
Merkezi olmayan birleşik öğrenmenin, kullanıcı gizliliğinden ödün vermeden işbirlikçi öğrenme için hayati bir yaklaşım sunduğu vurgulanıyor. Modellerin yerel olarak önbelleğe alınmasıyla, merkezi sunuculara olan bağımlılık azalıyor ve otonom sürüş gibi güvenlik açısından kritik uygulamalar için çok önemli olan gerçek zamanlı karar alma yeteneği geliştiriliyor.
