Onderzoekers hebben onlangs een innovatieve manier ontdekt waarop autonome auto’s informatie kunnen delen terwijl ze onderweg zijn, zonder directe verbindingen met elkaar te maken. Dit nieuwe raamwerk, genaamd Cached (Cached-DFL), stelt autonome voertuigen in staat om kunstmatige intelligentiemodellen te delen, waardoor ze nauwkeurige en actuele informatie kunnen uitwisselen. Deze informatie omvat onder andere navigatie-uitdagingen, verkeerspatronen, wegomstandigheden en verkeerssignalen.
Traditioneel moeten autonome voertuigen fysiek naast elkaar worden gevonden om rijinformatie uit te wisselen, wat vaak licenties en protocollen vereist. Met Cached-DFL is dit echter niet langer nodig, aangezien de voertuigen nu een sociaal netwerkplatform kunnen gebruiken om nuttige gegevens uit te wisselen zonder persoonlijke informatie of rijpatronen te delen.
Op dit moment maken autonome voertuigen gebruik van gegevens die zijn opgeslagen op een centrale locatie, wat het risico op grote gegevensinbreuken vergroot. Met het Cached-DFL-systeem kunnen voertuigen gegevens overbrengen naar getrainde kunstmatige intelligentiemodellen, waarin informatie wordt opgeslagen over rijomstandigheden en verschillende verkeersscenario’s.
Dr. Jong Liu, projectonderzoeker en professor in engineering aan de Tandon School of Engineering aan de Universiteit van New York, vergelijkt het systeem met het creëren van een netwerk van gemeenschappelijke ervaringen voor autonome auto’s. Zo kan een auto die alleen in Manhattan heeft gereden nu leren over de wegomstandigheden in Brooklyn van andere voertuigen, zelfs als het daar zelf nooit is geweest.
Auto’s kunnen onderling informatie delen over hoe ze omgaan met scenario’s die vergelijkbaar zijn met die in andere gebieden. Hierdoor kunnen ze hun kennis en ervaring uitbreiden en beter voorbereid zijn op verschillende rijomstandigheden. Deze nieuwe manier van informatie delen tussen autonome auto’s kan de efficiëntie en veiligheid van zelfrijdende voertuigen aanzienlijk verbeteren.
