自动驾驶汽车的通信质量更好——这对我们的安全意味着什么？

快速阅读: 《Discover 杂志》消息，自动驾驶汽车正逐步成为现实，但实现全面自主仍具挑战。纽约大学研究团队开发的缓存去中心化联邦学习（缓存-DFL）系统，通过让车辆直接交换训练模型，显著提升了自动驾驶汽车间的通信效率和学习速度，增强了道路安全性和适应性。这项技术还可应用于无人机、机器人等智能移动系统。

自动驾驶汽车，如大众汽车赫比和《霹雳游侠》中的基特，正逐渐从科幻转变为现实。其优势显而易见：乘客可以在通勤时放松、工作或娱乐，同时减少因人为错误造成的事故。此外，自动驾驶汽车为无法自行驾驶的人提供了更多的移动性。然而，在复杂的道路交通环境中放弃控制需要高度先进的技术。持续的发展旨在将全自动驾驶汽车引入我们的道路，其中一个关键领域是这些汽车如何有效沟通——例如分享路况更新——以增强安全性和效率。纽约大学（NYU）图宾根工程学院的一个研究团队开发了一种系统，以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。他们的进展于2025年2月27日在人工智能促进协会会议上展示。

自动驾驶汽车的现状

自动驾驶汽车依靠传感器、摄像头和人工智能（AI）做出决策，并在最少的人类干预下导航道路。汽车工程师学会将车辆自动化分为六个等级，从0级（完全手动）到5级（完全自主，即车辆能在任何条件下无需人类干预自行驾驶）。迄今为止，没有一辆自动驾驶汽车实现了完全自主。最先进的车型，如加利福尼亚州和亚利桑那州的自动驾驶出租车服务，目前运行在4级水平。然而，广泛采用面临挑战，包括潜在的事故风险和数据隐私问题。AI使自动驾驶汽车能够在直接交互时交换知识，从而即时提升道路导航。然而，传统的模型共享方法依赖于即时的一对一交流，这减缓了适应新条件的速度。这就像人类若要高效传播信息，必须亲自遇到每位接收者，而不是通过他人传递消息。

更多信息：无人驾驶汽车仍存在盲点。专家如何解决这些问题？

提高车与车之间的通信效率

为了克服这一限制，研究人员提出了一种名为缓存去中心化联邦学习（缓存-DFL）的新方法。不同于传统联邦学习依赖中央服务器进行更新，缓存-DFL允许车辆独立训练AI模型并直接交换。当两辆车接近约100米的距离时，它们使用高速通信来分享已训练的模型，而不是传输原始数据。这显著加速了适应过程并提高了学习效率，相比之前的去中心化方法。“这就像信息在社交网络中传播一样，”NYU图宾根电气与计算机工程系教授、该项目负责人刘勇在一份新闻稿中解释道。“设备现在可以传递它们遇到的其他设备的知识，即使这些设备从未直接相遇。”

更好的通信增强安全性

缓存-DFL解决了使自动驾驶汽车能够相互学习的同时保持数据安全的挑战。有了这项技术，自动驾驶汽车可以分享关于路况、信号和障碍物的关键信息——特别是在城市地区，车辆经历多样的条件但很少长时间互动以使传统学习方法有效。“只在曼哈顿行驶过的汽车现在可以从其他车辆那里学习布鲁克林的路况，即使它自己从未在那里行驶过。这使每辆车变得更聪明，更好地准备应对未曾经历的情况，”刘勇补充说。

随着AI从集中式服务器转向边缘设备，缓存-DFL提供了一种安全且高效的方法，使自动驾驶汽车集体进化，提高其智能和适应性。例如，这项技术不仅限于自动驾驶汽车；它可应用于其他联网智能移动代理系统——例如无人机、机器人和卫星——以实现去中心化学习和集群智能。随着研究人员公开发布代码，这些进展有望加速多个行业的创新。

(以上内容均由Ai生成)