自駕車如何透過數位口碑共享道路知識？

由紐約大學坦登工程學院（NYU Tandon）主導的研究團隊，開發了一種讓自駕車間接共享道路狀況知識的新方法。這項技術使得每輛車都能從其他車輛的經驗中學習，即使它們很少在路上相遇。這項研究將於2025年2月27日在人工智慧促進協會會議（AAAI 2025）上發表，並已刊登在arXiv預印本伺服器上。

研究團隊由電機與電腦工程系教授Yong Liu帶領，其博士生Xiaoyu Wang負責主要研究工作。Liu教授表示：「你可以把這想像成一個自駕車的共享經驗網路。例如，一輛只在曼哈頓行駛的車，現在可以透過其他車輛學習布魯克林的道路狀況，即使它從未親自開到那裡。這將使每輛車都變得更聰明，並為它未曾遇到的情況做好準備。」

這項新技術被稱為「快取式去中心化聯邦學習」（Cached Decentralized Federated Learning, Cached-DFL）。與傳統的聯邦學習不同，Cached-DFL不需要依賴中央伺服器來協調更新，而是讓車輛在本地訓練自己的AI模型，並直接與其他車輛共享這些模型。

當車輛彼此進入100公尺範圍內時，它們會使用高速裝置對裝置（device-to-device）通訊來交換訓練好的模型，而不是原始資料。更重要的是，它們還可以傳遞從先前接觸中獲得的模型，讓資訊能夠超越即時互動的範圍傳播。每輛車最多可快取10個外部模型，並每120秒更新一次AI。

為了防止過時的資訊影響效能，系統會根據陳舊度閾值自動移除舊模型，確保車輛優先考慮最新且相關的知識。研究團隊以曼哈頓的街道佈局為模板，透過電腦模擬測試了他們的系統。在實驗中，虛擬車輛以每秒約14公尺的速度沿著城市網格移動，並根據機率在交叉路口轉彎。

與傳統的去中心化學習方法不同，Cached-DFL允許模型間接透過網路傳播，這有點像延遲容忍網路（delay-tolerant networks）中的訊息傳播方式。Liu教授解釋道：「這就像社交網路中的資訊傳播，裝置可以傳遞它們從其他裝置獲得的知識，即使這些裝置從未直接接觸過。」

這種多跳轉移機制減少了傳統模型共享方法的限制，讓學習能夠更有效率地在整個車隊中傳播。這項技術讓聯網車輛能夠學習道路狀況、訊號和障礙物，同時保持資料的私密性。這在車輛面臨多變條件但很少長時間相遇的城市中尤其有用。

研究顯示，車輛速度、快取大小和模型過期時間都會影響學習效率。更快的速度和頻繁的通訊能改善結果，而過時的模型則會降低準確性。基於群組的快取策略進一步增強了學習效果，它優先考慮來自不同區域的多樣化模型，而不僅僅是最新的模型。

隨著AI從集中式伺服器轉向邊緣裝置，Cached-DFL為自駕車提供了一種安全且高效的集體學習方式，使它們變得更聰明且更具適應性。Cached-DFL也可以應用於其他智慧移動代理的聯網系統，如無人機、機器人和衛星，以實現強大且高效的去中心化學習，從而達成群體智慧。