Vetura që drejtojnë veturat, si Volkswagen Herbie dhe Kitt nga Kalorëspo kalojnë gradualisht nga trillimi shkencor në realitet. Përfitimet janë të qarta: pasagjerët mund të përdorin udhëtimin e tyre për t'u çlodhur, punuar ose argëtuar ndërsa zvogëlojnë aksidentet e shkaktuara nga gabimi njerëzor. Për më tepër, automjetet autonome ofrojnë një lëvizje të shtuar për individët e paaftë për të përzënë veten e tyre.
Sidoqoftë, heqja dorë nga kontrolli në mjedisin kompleks të trafikut rrugor kërkon teknologji shumë të përparuar. Zhvillimet e vazhdueshme synojnë të sjellin automjete plotësisht autonome në rrugët tona, dhe një zonë kryesore e përqendrimit është se si këto makina mund të komunikojnë në mënyrë efektive – siç është ndarja e azhurnimeve mbi kushtet e rrugës – për të rritur sigurinë dhe efikasitetin.
Një ekip hulumtues nga Universiteti i Nju Jorkut (NYU) Shkolla e Inxhinierisë Tandon ka zhvilluar një sistem për të përmirësuar komunikimin midis automjeteve autonome, të ngjashme me mënyrën se si njerëzit bashkëveprojnë në rrjetet sociale. E tyre përparim u prezantuan në Shoqatën për Përparimin e Konferencës së Inteligjencës Artificiale më 27 shkurt 2025.
Gjendja aktuale e makinave autonome
Automjetet e vetë-drejtimit mbështeten në sensorë, kamera dhe inteligjencë artificiale (AI) për të marrë vendime të informuara dhe për të lundruar rrugët me kontribut minimal njerëzor. Shoqëria e Inxhinierëve të Automjeteve klasifikon automatizimin e automjeteve në gjashtë nivele, nga 0 (plotësisht manual) në 5 (plotësisht autonome, që do të thotë se automjeti mund të drejtojë vetë në të gjitha kushtet pa ndërhyrje njerëzore).
Deri më tani, asnjë makinë vetë-drejtuese nuk ka arritur autonomi të plotë. Modelet më të përparuara, të tilla si shërbimet e taksave të vetë-drejtimit në Kaliforni dhe Arizona, aktualisht funksionojnë në nivelin 4. Sidoqoftë, adoptimi i gjerë përballet me sfida, përfshirë potencialin për aksidente dhe shqetësime për intimitetin e të dhënave.
AI mundëson automjete autonome të shkëmbejnë njohuri kur bashkëveprojnë drejtpërdrejt, duke përmirësuar navigimin rrugor menjëherë. Sidoqoftë, metodat konvencionale të ndarjes së modelit mbështeten në shkëmbime të menjëhershme, një-për-një, e cila ngadalëson përshtatjen në kushte të reja. Kjo është e ngjashme me atë se si njerëzit do të luftojnë për të përhapur informacionin në mënyrë efikase nëse do të duhej të takonin çdo marrës personalisht sesa të kalonin mesazhe përmes të tjerëve.
Lexo më shumë: Makinat pa shofer ende kanë pika të verbër. Si mund t'i rregullojnë ekspertët?
Bërja e komunikimit makinë në makinë më efikase
Për të kapërcyer këtë kufizim, studiuesit kanë prezantuar një qasje të re të quajtur mësimi i federuar i decentralizuar i cached (Cached-DFL). Kjo metodë rrit se si mësojnë automjetet nga njëra -tjetra, edhe nëse rrallë kryqëzojnë shtigjet. Për dallim nga mësimi tradicional i federuar, i cili varet nga një server qendror për azhurnime, Cached-DFL lejon automjetet të trajnojnë modelet e AI në mënyrë të pavarur dhe t'i shkëmbejnë ato direkt.
Kur dy automjete hyjnë brenda një distancë të afërt-rreth 100 metra-ata përdorin komunikim me shpejtësi të lartë për të ndarë modele të trajnuara sesa për të transmetuar të dhëna të papërpunuara. Kjo përshpejton ndjeshëm përshtatjen dhe rrit efikasitetin e të mësuarit në krahasim me qasjet e mëparshme të decentralizuara.
“Ashtë pak a shumë si mënyra se si përhapet informacioni në rrjetet sociale,” shpjegoi Yong Liu, profesor në departamentin e inxhinierisë elektrike dhe kompjuterike të NYU Tandon dhe mbikëqyrës i projektit në një njoftim. “Pajisjet tani mund të kalojnë përgjatë njohurive nga të tjerët që kanë takuar, edhe nëse ato pajisje kurrë nuk takohen drejtpërdrejt me njëra -tjetrën.”
Komunikimi më i mirë rrit sigurinë
Cached-DFL adreson sfidën e mundësimit të automjeteve autonome për të mësuar nga njëri-tjetri duke ruajtur sigurinë e të dhënave. Me këtë teknologji, veturat e vetë-drejtimit mund të ndajnë informacione thelbësore në lidhje me kushtet e rrugës, sinjalet dhe pengesat-veçanërisht të dobishme në zonat urbane ku automjetet pësojnë kushte të ndryshme, por rrallë ndërveprojnë mjaft gjatë për metodat konvencionale të të mësuarit për të qenë efektive.
“Një makinë që ka drejtuar vetëm në Manhattan tani mund të mësojë për kushtet e rrugës në Brooklyn nga automjetet e tjera, edhe nëse nuk drejton kurrë atje vetë. Kjo do ta bënte çdo automjet më të zgjuar dhe të përgatitur më mirë për situata që nuk i ka hasur personalisht,” shtoi Liu.
Ndërsa AI zhvendoset nga serverët e centralizuar në pajisjet Edge, Cached-DFL ofron një mënyrë të sigurt dhe efikase për veturat që drejtojnë vetë-drejtojnë të evoluojnë kolektivisht, duke përmirësuar inteligjencën dhe përshtatjen e tyre. Për më tepër, kjo teknologji shtrihet përtej automjeteve autonome; Mund të aplikohet për sistemet e tjera të rrjetit të agjentëve të zgjuar celular – të tilla si dronët, robotët dhe satelitët – për të arritur mësimin e decentralizuar dhe inteligjencën e swarm. Me studiuesit që e bëjnë kodin e tyre të disponueshëm publikisht, këto përparime kanë potencialin për të përshpejtuar inovacionin në industri të shumta.
Artikull Burime
Shkrimtarët tanë në DiscoveMagazine.com Përdorni studime të rishikuara nga kolegët dhe burime me cilësi të lartë për artikujt tanë, dhe redaktorët tanë rishikojnë për saktësi shkencore dhe standarde editoriale. Rishikoni burimet e përdorura më poshtë për këtë artikull:
Duke punuar si një asistent i kërkimit biomjekësor në laboratorë në tre vende, Jenny shkëlqen në përkthimin e koncepteve komplekse shkencore – duke filluar nga përparimet mjekësore dhe zbulimet farmakologjike deri më të fundit në ushqim – deri në përmbajtje tërheqëse, të arritshme. Interesat e saj shtrihen në tema të tilla si evolucioni njerëzor, psikologjia dhe tregimet e kafshëve të çuditshme. Kur ajo nuk është zhytur në një libër të njohur shkencor, ju do të gjeni valët e saj kapëse ose lundrimet rreth ishullit Vancouver në dërrasën e saj të gjatë.
