الشبكات اللامركزية جاهزة لتطوير المركبات ذاتية القيادة

قد تكون شبكات الاستخبارات اللامركزية هي المفتاح لجعل السيارات ذاتية القيادة أكثر ذكاءً وأمانًا. ويرى الكثيرون أن هذه المركبات هي مستقبل السفر. ومع ذلك، لا تزال هناك العديد من المشاكل التي يتعين على الشركات المصنعة والجهات التنظيمية حلها.

تعتمد المركبات ذاتية القيادة في جوهرها على أجهزة استشعار وبيانات أخرى للبقاء على المسار الصحيح، وتجنب العوائق، وتوصيل الركاب بأمان إلى وجهاتهم. تشمل هذه الأجهزة تقنية الليدار، والرادار، والتصوير الحراري، وغيرها من الأنظمة المتطورة. تُنشئ جميع هذه الأنظمة بصمة بيانات يمكن استخدامها لتحسين أداء السيارة مستقبلًا.

التعلم الاتحادي

إحدى الطرق التي وجدها المصنعون لتحسين أداء سياراتهم ذاتية القيادة هي تمكين سياراتهم من مشاركة هذه البيانات باستخدام نظام يُسمى التعلم الفيدرالي. التعلم الفيدرالي (FL) هو نهج تعلّم آلي موزع، حيث تُدرّب المركبات الفردية النماذج محليًا وتُشارك تحديثات النماذج فقط مع خادم مركزي. يحافظ هذا النهج على خصوصية البيانات من خلال الاحتفاظ ببيانات المستشعر الخام على المركبة نفسها بدلاً من إرسالها إلى خادم مركزي. تُستخدم البيانات لتدريب نموذج مشترك للنظام البيئي.

مشاكل التعلم الفيدرالي

المشكلة الرئيسية في أنظمة التعلم الفيدرالي هي أنك تحتاج إلى اتصال مباشر بالخادم. إذا كنت تسافر كثيرًا بسيارتك الكهربائية، فمن المحتمل أن يختلف اتصالك بالإنترنت حسب موقعك. قد يؤدي هذا السيناريو إلى عدم حصول سيارتك على التحديثات.

المصدر – تيسلروتي

التعلم الفيدرالي اللامركزي (DFL)

تزيل أنظمة التعلم الفيدرالي اللامركزي الاعتماد على خادم مركزي من خلال تمكين المركبات من تبادل نماذج الذكاء الاصطناعي مباشرة من خلال الاتصال بين الأقران. يمكن لهذه الأنظمة تمرير البيانات المجمعة مباشرة بين المركبات. يسمح هذا الإعداد بمزيد من المشاركة ولكن لا يزال لديه بعض المشاكل التي قد تترك المركبة خارج الحلقة.

أولاً، تحتاج مركبتك إلى التقاء مركبات أخرى متصلة بشبكة التعلم الفيدرالية ليعمل النظام بكفاءة. عند التعامل مع مناطق واسعة أو مدن مزدحمة، تقل احتمالية التقاء المركبات ببعضها، مما يؤدي إلى تهالك بيانات المركبة وعدم تحديثها قبل إرسالها إلى الآخرين. إضافةً إلى ذلك، لا تنقل هذه الأنظمة البيانات المجمعة شخصيًا إلا عبر تفاعلات محدودة.

مخاوف الخصوصية

من بين القضايا الرئيسية الأخرى المتعلقة بأنظمة التعلم الفيدرالية اللامركزية مخاوف الخصوصية. فعندما يكون لديك خادم مركزي، من السهل تحديد الشخص الرئيسي المسؤول عن البيانات الشخصية أو الحساسة. ومع ذلك، عند التعامل مع شبكة لامركزية، تقع المسؤولية على عاتق الأفراد. وقد أدى هذا الهيكل إلى قلق الكثيرين بشأن انتهاكات الخصوصية أو إساءة استخدامها.

دراسة شبكات الاستخبارات اللامركزية

يقدم فريق من المهندسين حلاً جديدًا للمشاكل التي تواجهها هذه الشبكات والتي تسمى التعلم الفيدرالي اللامركزي المخزن مؤقتًا (Cached-DFL)تم الكشف عن نظام مشاركة بيانات المركبات المعزز في مؤتمر جمعية تقدم الذكاء الاصطناعي لهذا العام.

قدّم المهندسون طريقةً لمشاركة بيانات المركبات الكهربائية تُشبه وسائل التواصل الاجتماعي، حيث يُمكن لكل مركبة تبادل البيانات بينها بحرية. يعتمد نهج Cached-DFL على اتصالات عالية السرعة بين الأجهزة، بمدى يصل إلى 100 متر في الظروف المُثلى. مع ذلك، تعتمد الفعالية في العالم الحقيقي على عوامل مثل سرعة المركبة، والتداخل البيئي، واستقرار الاتصال. قد لا تتاح للمركبات التي تتحرك في اتجاهين متعاكسين بسرعات عالية سوى فرصة قصيرة لتبادل البيانات. سيُعزز هذا النهج قدرة المركبة على الاستعداد لتغيرات ظروف الطريق، والمخاطر، وغيرها من القيود.

التعلم الفيدرالي اللامركزي المخزن مؤقتًا (Cached-DFL)

يركز مفهوم التعلم الفيدرالي اللامركزي المخزن مؤقتًا (Cached-DFL) على بناء شبكة حيث من المتوقع حدوث اتصال متقطع بدلاً من تجنبه. وكجزء من هذا النهج، حرص المهندسون على أن تتمكن كل مركبة من تخزين البيانات وإرسالها بشكل مستقل عند توفرها.

تدرب كل مركبة نموذج الذكاء الاصطناعي الخاص بها في هذا الإعداد. تتضمن البيانات من نموذج الذكاء الاصطناعي تفاصيل حيوية مثل حالة الطريق والإشارات والعقبات. ثم يتم نقل هذه البيانات تلقائيًا إلى المركبات الأخرى عند دخولها نطاق النقل.

آلية نقل متعددة القفزات

تعمل كل مركبة كمرحّل في هذا النظام. تخزن بياناتها إلى جانب عشرة نماذج خارجية أخرى يتم تمريرها بين المركبات. من المهم الإشارة إلى أن النظام ينقل نماذج الذكاء الاصطناعي المُدرّبة بدلاً من البيانات الأصلية، كما هو الحال في الأنظمة السابقة. تُحسّن هذه الاستراتيجية الأداء.

من الجدير بالذكر أن المركبات تتشارك أحدث نماذج الذكاء الاصطناعي عندما تتفاعل. وكجزء من هذا النهج، يتم التخلص من جميع المعلومات القديمة قبل أن تتمكن من تقليل الأداء. على وجه التحديد، يعطي النظام الأولوية لنماذج الذكاء الاصطناعي الأحدث على النماذج القديمة، مع حدوث التحديثات بناءً على لقاءات المركبات بدلاً من فاصل زمني ثابت مدته 20 ثانية. يستخدم Cached-DFL حدًا للقدم (τmax)، يتم تعيينه عادةً عند 10 أو 20 حقبة، للتخلص من النماذج القديمة وضمان الصلة بالتعلم اللامركزي.

تعلم من الآخرين

الميزة الرئيسية لهذا النظام هي أنه يسمح لسيارتك بالتعلم من تجارب السيارات الأخرى. كما تعمل هذه الاستراتيجية على تحسين السرعة التي يمكن بها مشاركة البيانات ذات الصلة عبر الشبكة. كما تأخذ في الاعتبار الحالة المتقطعة للشبكة في هذا الوقت، مما يتيح للسائقين الوصول إلى البيانات من خارج تفاعلاتهم المباشرة.

اختبار شبكات الاستخبارات اللامركزية

اختبر فريق البحث نظريتهم باستخدام المحاكاة الحاسوبية. حيث قام المهندسون بإنشاء مانهاتن افتراضية وضبطوا سياراتهم الكهربائية الرقمية للسير على مساراتها المتعددة. وكانت سرعة المركبات 14 مترًا في الثانية. ومن المثير للاهتمام أن المحاكاة صُممت بحيث تتخذ كل مركبة خيارًا عشوائيًا بنسبة 50/50 عند كل تقاطع. وقد سمح هذا النهج لكل مركبة بإنشاء نموذج فريد ومشاركته.

نتائج اختبار شبكات الاستخبارات اللامركزية

تسلط نتائج الاختبار الضوء على كيفية تحسين هذا النظام للسيارات الكهربائية في المستقبل. فقد أظهرت أن هناك العديد من العوامل التي يمكن أن تلعب دورًا في مدى دقة البيانات المستخدمة لإنشاء نماذج السيارات الكهربائية وتوقيتها وكيفية إنشائها ومشاركتها.

وأظهر الاختبار أنه كلما زاد عدد المركبات التي تلتقي مع بعضها البعض، كان الأداء أفضل. بالإضافة إلى ذلك، أثبت أن النظام مثالي لمشاركة البيانات في الوقت المناسب عبر شبكات كبيرة من المركبات الكهربائية الخاضعة لسيطرة خاصة. ولاحظ الفريق أن البيانات الرئيسية مثل السرعة وحجم ذاكرة التخزين المؤقت وانتهاء صلاحية النموذج لعبت دورًا في كفاءة التعلم.

فوائد شبكات الاستخبارات اللامركزية

هناك العديد من الفوائد لمنهج Cached-DFL. أولًا، إنه أكثر كفاءةً بكثير من حيث نشر البيانات. يتمكن الباحثون من ضمان حصول غالبية المركبات في عمليات المحاكاة على نماذج في الوقت المناسب، مقارنةً بالأنظمة السابقة التي قد تُشغّل المركبات نماذج قديمة لأسابيع.

يوفر هذا النظام مسارًا موثوقًا للسيارات ذاتية القيادة للتعلم الجماعي وتدريب بعضها البعض ليصبحوا سائقين أفضل. ونظرًا لأن هذه الطريقة تأخذ في الاعتبار حقيقة أن سيارتك لن تكون جاهزة تمامًا، فهي مثالية للاستخدام العملي، ويمكن أن تكون أداة قيّمة يستخدمها المصنعون لبرمجة أساطيل السيارات بشكل أسرع.

تبادل البيانات

إن الجمع بين فوائد الشبكات اللامركزية والقدرة على مشاركة وتخزين ما يصل إلى 10 نماذج ذكاء اصطناعي يشكل نقطة تحول. فهو يسمح للنماذج بالسفر بشكل غير مباشر عبر الشبكة لضمان وصول جميع المركبات إلى البيانات الأكثر أهمية. بالإضافة إلى ذلك، يقوم النظام تلقائيًا بتحديد أولويات المعلومات الأكثر صلة من بين النماذج المختلفة المستمدة من مناطق مختلفة، مما يعزز أهميتها.

فتح البيانات

ومن الفوائد الرئيسية الأخرى لهذا البحث هو اتخاذ القرار بشأن جعل البيانات مفتوح للجميع عبر ملفات Github. سيعمل هذا القرار على تحسين الابتكار والسماح للباحثين الآخرين بتعزيز نتائجهم. يمكن للمهندسين العثور على الأمثلة والاختبارات والملفات المخزنة مؤقتًا والتقارير الفنية والمزيد.

تطبيقات شبكات الاستخبارات اللامركزية

هناك تطبيقات بعيدة المدى لهذه التقنية تمتد إلى ما هو أبعد من قطاع السيارات الكهربائية. أينما كان لديك أساطيل من المركبات ذاتية القيادة، فمن المؤكد أن هذه التقنية ستحدث فرقًا. بعض المجالات الرئيسية التي بحث فيها الباحثون تشمل الطائرات بدون طيار والروبوتات والأقمار الصناعية.

باحثون في شبكات الاستخبارات اللامركزية

تم إجراء دراسة Cached-DFL بواسطة فريق من المهندسين من جامعة نيويورك بقيادة Yong Liu وXiaoyu Wang وGuojun Xiong وJian Li وHouwei Cao. والجدير بالذكر أن المجموعة تلقت دعمًا ماليًا في شكل منح متعددة من مؤسسة العلوم الوطنية وبرنامج Resilient & Intelligent NextG Systems (RINGS).

الشركات الرائدة في سباق تكنولوجيا المركبات ذاتية القيادة

يتسارع سباق إطلاق المركبات ذاتية القيادة على الطرقات. ويقترب المصنعون من المركبات ذاتية القيادة كل عام. ومع ذلك، تتطلب هذه المهمة الضخمة موارد وتقنيات هائلة وشبكة واسعة من الموردين. ونتيجة لذلك، لا يوجد سوى عدد قليل من اللاعبين الرئيسيين المسيطرين على السوق حاليًا. إليكم شركة تقود ثورة المركبات ذاتية القيادة.

اوبر تكنولوجيز

في حين أن Cached-DFL لا يزال في مراحله المبكرة، فإن الشركات التي تجرب تقنية القيادة الذاتية، مثل Uber، قد تقوم في نهاية المطاف بدمج شبكات الذكاء اللامركزية في أساطيلها.

اوبر (UBER ) دخلت السوق عام ٢٠٠٩، ومقرها سان فرانسيسكو، كاليفورنيا. كانت أول تطبيق لامركزي لمشاركة الركوب يكتسب شهرة واسعة. مؤسسو التطبيق هم أوسكار سالازار جايتان، وترافيس كالانيك، وغاريت كامب. وقد غيّرت رؤيتها لاقتصاد لامركزي لمشاركة الركوب السوق إلى الأبد.

عندما تفكر في أوبر، فإن أول ما يخطر ببالك ليس سيارة أجرة آلية. بل ربما تتخيل شخصًا عاديًا يتوقف في سيارته الشخصية ليوصلك. ومع ذلك، قد يتغير كل هذا في المستقبل لأن أوبر هي واحدة من أكبر الداعمين لتكنولوجيا المركبات ذاتية القيادة، بعد أن أسست ودعمت شراكات مع مبتكرين رائدين مثل Waymo.

وقد وضعت الشركة بالفعل سيارات أوبر ذاتية القيادة على الطريق للاختبار في العديد من المدن، بما في ذلك أحدث سياراتها مشروع في أوستن بولاية تكساس. وكجزء من هذا النهج، دخلت الشركة في شراكة مع شركة Waymo المملوكة لشركة Alphabet، مما يسمح لعملاء Uber في منطقة أوستن بالترقية إلى سيارة جاكوار I-PACE الرياضية متعددة الاستخدامات ذاتية القيادة والكهربائية بالكامل دون أي تكلفة إضافية.

اليوم، تهيمن شركة أوبر على سوق مشاركة الرحلات، وقد توسعت في قطاعات أخرى، مثل الخدمات اللوجستية، وتوصيل الطعام، والمزيد. توظف الشركة حاليًا أكثر من 31,100 شخص. يرى الكثيرون أن أوبر إضافة ذكية لأي محفظة نظرًا لموقعها وتاريخها وروحها الإبداعية.

أحدث الأخبار عن شركة Uber Technologies, Inc.

شبكات الاستخبارات اللامركزية – دعم السفر في المستقبل

تحتاج السيارات الذكية إلى أنظمة ذكية. وبالتالي، سيكون هناك طلب أكبر على شبكات الذكاء اللامركزية في الأشهر والسنوات القادمة. ستسمح هذه الأنظمة للمركبات بتحسين قدرات القيادة الذاتية وتمكين السيارات ذاتية القيادة من تحسين الأداء، والمغامرة بشكل أكبر، وتوفير البيانات المفيدة للآخرين.

تعرف على مشاريع التعلم الآلي الأخرى

مرجع الدراسة:

^{1. وانغ، إكس، شيونغ، جي، كاو، إتش، لي، جيه، وليو، واي. (2025). التعلم الفيدرالي اللامركزي مع تخزين النماذج مؤقتًا على وكلاء الهاتف المحمول [ورقة بحثية]. مؤتمر جمعية تقدم الذكاء الاصطناعي. تم الاسترجاع من https://arxiv.org/abs/2408.14001v2}