Un equipo de investigadores ha desarrollado una tecnología llamada aprendizaje federado descentralizado en caché (Cached-DFL), que permite a los vehículos autónomos compartir información sobre sus experiencias de conducción mediante un mecanismo similar a una red social descentralizada, impulsado por inteligencia artificial (IA). Esta propuesta busca mejorar la seguridad, eficiencia y privacidad de la conducción automatizada.
Tradicionalmente, los autos sin conductor dependen de centros de datos centralizados y conexiones directas para intercambiar información, lo cual conlleva riesgos de filtración de datos y limitaciones técnicas. Esto se debe a que los agentes de aprendizaje se entrenan localmente y envían actualizaciones a un servidor central. Esta dinámica podría transformarse gracias a Cached-DFL, una tecnología desarrollada por un equipo encabezado por Yong Liu, profesor en la Escuela de Ingeniería Tandon de la Universidad de Nueva York y líder del proyecto.
Aparte de las desfavorables comparaciones con los sistemas de conducción avanzada rivales, llamarlo “Ojo de Dios” podría ser un apelativo tan engañoso como el de “conducción autónoma total” de Tesla.
El sistema diseñado por Liu permite que cada agente almacene en caché los modelos de IA de otros con los que ha interactuado recientemente. De este modo, cada unidad puede conservar e intercambiar información local reciente para actualizar su propio modelo, actuando como un nodo de servidor descentralizado. Esto incrementa la diversidad de datos disponible en cada agente y acelera la convergencia global, incluso cuando los encuentros entre vehículos son esporádicos.
La eficacia del sistema Cached-DFL fue evaluada mediante una simulación con 100 autos autónomos virtuales en Manhattan, cada uno equipado con 10 modelos de IA que se actualizaban cada 120 segundos. Los datos se almacenaban de forma temporal y solo se compartían cuando los vehículos se encontraban dentro de un radio de 100 metros, simulando comunicación V2V (vehículo a vehículo) sin requerir conectividad constante. Este enfoque demostró ser más eficiente que los sistemas centralizados convencionales, ofreciendo mayor escalabilidad y menor carga de comunicación.
Uno de los principales beneficios del Cached-DFL es la disminución de la dependencia del procesamiento centralizado, lo que podría abaratar costos y hacer más accesible la tecnología de conducción autónoma. Además, al evitar la transferencia directa de datos personales, se fortalece la seguridad y se protege la privacidad de los usuarios.
“La escalabilidad es una de las grandes ventajas del aprendizaje federado descentralizado. En lugar de que cada vehículo se conecte con un servidor central o con todos los demás, solo intercambia actualizaciones con aquellos con los que se cruza. Esta compartición localizada evita que la carga de comunicación aumente de forma exponencial conforme se suman más vehículos a la red”, explica Liu en un artículo publicado en la revista Live Science.
Vehículos autónomos más inteligentes
Actualmente, la conducción inteligente de nivel tres representa el estándar más avanzado en la industria automotriz. Este nivel se refiere a sistemas capaces de manejar casi por completo un automóvil sin intervención humana, aunque requieren supervisión en casos de emergencia. El objetivo del sector es alcanzar la automatización total (nivel cinco) en la próxima década.
En investigaciones previas, los académicos Mohamed Abdel-Aty y Shengxuan Ding, de la Universidad de Florida, advirtieron que uno de los mayores retos consiste en lograr una detección exhaustiva del entorno. Señalaron que muchos sistemas están programados para reaccionar ante “escenarios predefinidos”, lo que limita su capacidad de respuesta ante situaciones imprevistas.
“Los conductores humanos pueden anticipar los movimientos de los peatones y actuar con cautela gracias a su experiencia, mientras que los vehículos autónomos podrían tener dificultades para interpretar las intenciones de una persona. Esto puede generar frenadas bruscas o accidentes por la falta de comprensión de señales sociales o del razonamiento psicológico”, subrayaron.
La tecnología Cached-DFL podría transformar este panorama. Los próximos pasos del equipo incluyen pruebas en condiciones reales, ampliar la compatibilidad entre diferentes marcas de automóviles y explorar la comunicación V2V, que integraría a los vehículos con infraestructuras urbanas como semáforos o señales. En el futuro, esta innovación podría extenderse más allá del sector automotor, aplicándose a dispositivos inteligentes como drones o satélites, facilitando una inteligencia distribuida en red dentro de entornos conectados.
Somos EL TESTIGO. Una forma diferente de saber lo que está pasando. Somos noticias, realidades, y todo lo que ocurre entre ambos.
Todo lo vemos, por eso vinimos aquí para contarlo.