摘要：一个研究团队为自动驾驶汽车开发了一种间接分享他们对道路状况的知识的方法，即使他们很少在路上见面，每辆车也可以从他人的经历中学习。...

NYU Tandon领导的研究团队为自动驾驶汽车开发了一种间接分享他们对道路状况的知识的方法，使每辆车也有可能从他人的经验中学习，即使他们很少在路上见面。

这项研究在2025年2月27日在人工智能会议的促进协会的论文中发表，解决了人工智能中的一个持续问题：如何帮助车辆互相学习，同时保持数据私密。通常，车辆仅在短暂直接相遇中分享他们所学到的知识，从而限制了它们能够适应新条件的速度。

“想想它就像为自动驾驶汽车建立共享经验网络，”杨刘说，他监督其博士学位的研究。学生小王。 Liu是NYU Tandon的电气和计算机工程系的教授，也是其电信和分布式信息系统和NYU Wireless的高级技术中心成员。

刘说：“现在只有在曼哈顿开车的汽车可以从其他车辆中了解布鲁克林的道路状况，即使它从未开车到那里。这将使每辆车都变得更加聪明，为没有亲自遇到的情况做好了更聪明和准备的准备。”

研究人员称他们的新方法缓存了分散的联邦学习（Cached-DFL）。与传统的联合学习不同，该学习依靠中央服务器来协调更新，Cached-DFL使车辆能够在本地训练自己的AI模型，并直接与他人共享这些模型。

当车辆彼此100米以内时，他们会使用高速设备到设备通信来交换训练有素的模型而不是原始数据。至关重要的是，他们还可以通过以前的相遇收到的模型传递，从而使信息传播到远远超出了即时互动。每辆车都保持高达10个外部型号的缓存，并每120秒更新一次AI。

为了防止过时的信息降低性能，该系统会根据稳定性阈值自动删除较旧的模型，从而确保车辆优先考虑最新和相关的知识。

研究人员使用曼哈顿的街道布局作为模板通过计算机模拟测试了他们的系统。在他们的实验中，虚拟车辆以每秒约14米的速度沿着城市的网格移动，根据概率在交叉路口进行转弯，并有50％的机会持续直接和同样的几率转向其他可用的道路。

与传统的分散学习方法不同，当车辆不经常相遇时会受到影响，Cached-DFL允许模型通过网络间接传播，就像消息如何在延迟耐受性网络中传播的方式一样，这些网络旨在通过存储和转发数据来处理间歇性连接，直到连接可用。通过充当继电器，即使他们从不亲自经历某些条件，车辆也可以通过知识传递。

刘解释说：“这有点像信息如何在社交网络中传播。” “即使这些设备从未直接遇到彼此，设备现在可以传递他们遇到的其他人的知识。”

这种多跳转机制减少了传统模型共享方法的局限性，这些方法依赖于立即的一对一交流。通过允许车辆充当继电器，Cached-DFL使学习能够在整个车队中传播比每辆车仅限于直接互动更有效地传播。

该技术允许连接的车辆在保持数据私密的同时了解道路状况，信号和障碍。这在汽车面临各种条件但很少满足传统学习方法的城市中特别有用。

研究表明，车速，缓存尺寸和模型到期影响学习效率。更快的速度和频繁的通信改善了结果，而过时的模型降低了准确性。基于小组的缓存策略通过优先考虑来自不同领域的不同模型，而不仅仅是最新模型，从而进一步增强了学习。

当AI从集中式服务器移动到边缘设备时，Cached-DFL为自动驾驶汽车集体学习提供了一种安全有效的方式，使它们更加聪明，更适应性。 Cached-DFL也可以应用于其他智能移动代理的网络系统，例如无人机，机器人和卫星，以实现强大而有效的分散学习，以实现群体智能。

研究人员已公开提供代码。可以在其技术报告中找到更多详细信息。除了刘和王之外，研究小组还包括朱朱恩·西昂（Gujun Xiong）和斯托尼·布鲁克大学（Stony Brook University）的李·李（Jian Li）；和纽约理工学院的Houwei Cao。

这项研究得到了多个国家科学基金会赠款的支持，即弹性和智能Nextg Systems（RINGS）计划，其中包括国防部和国家标准技术研究所的资金以及NYU的计算资源。