Carros autônomos, como o Volkswagen Herbie e Kitt Cavaleiro Riderestão gradualmente em transição da ficção científica para a realidade. Os benefícios são claros: os passageiros podem usar seu trajeto para relaxar, trabalhar ou se divertir ao reduzir os acidentes causados por erro humano. Além disso, os veículos autônomos oferecem maior mobilidade para indivíduos incapazes de se dirigir.
No entanto, desistir do controle no ambiente complexo do tráfego rodoviário requer tecnologia altamente avançada. Os desenvolvimentos em andamento visam trazer veículos totalmente autônomos para nossas estradas, e uma área importante de foco é como esses carros podem se comunicar de maneira eficaz – como compartilhar atualizações sobre as condições da estrada – para aumentar a segurança e a eficiência.
Uma equipe de pesquisa da Escola de Engenharia Tandon da Universidade de Nova York (NYU) desenvolveu um sistema para melhorar a comunicação entre veículos autônomos, semelhante à maneira como as pessoas interagem nas redes sociais. Seus avanços foram apresentados na Associação para o Avanço da Conferência de Inteligência Artificial em 27 de fevereiro de 2025.
O estado atual dos carros autônomos
Os veículos autônomos dependem de sensores, câmeras e inteligência artificial (IA) para tomar decisões informadas e navegar nas estradas com o mínimo de contribuição humana. A Sociedade de Engenheiros Automotivos classifica a automação de veículos em seis níveis, de 0 (totalmente manual) a 5 (totalmente autônomo, o que significa que o veículo pode se dirigir em todas as condições sem intervenção humana).
Até agora, nenhum carro autônomo alcançou total autonomia. Os modelos mais avançados, como serviços de táxi autônomos na Califórnia e no Arizona, atualmente operam no nível 4. No entanto, a adoção generalizada enfrenta desafios, incluindo o potencial de acidentes e preocupações com a privacidade dos dados.
A IA permite que os veículos autônomos trocem conhecimento quando interagem diretamente, melhorando a navegação nas estradas instantaneamente. No entanto, os métodos convencionais de compartilhamento de modelos dependem de trocas imediatas e individuais, o que diminui a adaptação a novas condições. Isso é semelhante a como os humanos lutariam para espalhar informações com eficiência se tivessem que atender a todos os destinatários pessoalmente, em vez de passar mensagens através dos outros.
Tornando a comunicação de carro a carro mais eficiente
Para superar essa limitação, os pesquisadores introduziram uma nova abordagem chamada aprendizado federado descentralizado em cache (DFL em cache). Esse método aprimora como os veículos aprendem uns com os outros, mesmo que raramente cruzem caminhos. Diferentemente do aprendizado federado tradicional, que depende de um servidor central para atualizações, o cache-DFL permite que os veículos treinem os modelos de IA de forma independente e os trocem diretamente.
Quando dois veículos chegam a um alcance-cerca de 100 metros-, eles usam comunicação de alta velocidade para compartilhar modelos treinados, em vez de transmitir dados brutos. Isso acelera significativamente a adaptação e melhora a eficiência da aprendizagem em comparação com as abordagens descentralizadas anteriores.
“É um pouco como as informações se espalham nas redes sociais”, explicou Yong Liu, professor do Departamento de Engenharia Elétrica e de Computação de Nyu Tandon e supervisor do projeto em um comunicado à imprensa. “Os dispositivos agora podem transmitir o conhecimento de outras pessoas que conheceram, mesmo que esses dispositivos nunca se encontrem diretamente”.
Melhor comunicação aprimora a segurança
O cache-DFL aborda o desafio de permitir que os veículos autônomos aprendam uns com os outros, mantendo a segurança dos dados. Com essa tecnologia, os carros autônomos podem compartilhar informações cruciais sobre condições, sinais e obstáculos da estrada-especialmente benéficos em áreas urbanas onde os veículos experimentam diversas condições, mas raramente interagem o suficiente para que os métodos de aprendizado convencionais sejam eficazes.
“Um carro que só dirigiu em Manhattan agora poderia aprender sobre as condições da estrada no Brooklyn de outros veículos, mesmo que nunca dirigisse lá em si. Isso tornaria todo veículo mais inteligente e melhor preparado para situações que não encontrou pessoalmente”, acrescentou Liu.
À medida que a IA muda de servidores centralizados para dispositivos de borda, o cache-DFL oferece uma maneira segura e eficiente para os carros autônomos evoluirem coletivamente, melhorando sua inteligência e adaptabilidade. Além disso, essa tecnologia se estende além de veículos autônomos; Ele pode ser aplicado a outros sistemas de rede de agentes móveis inteligentes – como drones, robôs e satélites – para obter aprendizado descentralizado e inteligência de enxames. Com os pesquisadores disponibilizando seu código, esses avanços têm o potencial de acelerar a inovação em vários setores.
Este artigo não está oferecendo aconselhamento médico e deve ser usado apenas para fins informativos.