能够让从动驾驶汽车正在上共享消息，这些消息包罗处置挑和、交通模式、况以及交通标记和信号的最新方式。也合用于卫星、无人机、机械人和其他新兴的联网设备。然而！这也添加了大型数据泄露的可能性。因而Cached-DFL能够降低对计较能力的需求，而是每辆车只取碰到的车互换车型更新。有了Cached-DFL，从而使从动驾驶手艺愈加经济实惠。无论它们界的哪个处所，科学家们将100辆虚拟从动驾驶汽车放置正在模仿版的曼哈顿，“缓存去核心化结合进修”（Cached DFL）是一个用于从动驾驶汽车的人工智能（AI）模子共享框架，因为处置负载分布正在很多车辆上，凡是环境下，每辆车有10小我工智能模子，”该项目标研究从管、纽约大学坦顿工程学院（Tandon School of engineering）的工程学传授刘怯（音译）博士写道：“能够把它想象成为从动驾驶汽车建立一个共享体验的收集。研究人员设想。而无需成立间接毗连。”佛罗里达大学电子取计较机工程副传授徐洁（音译）博士告诉。不答应存储或缓存。这些车辆不需要彼此领会就能够共享消息。并让它们以半随机的模式“驾驶”。这些汽车保留数据，这就是所谓的车联网（V2X）尺度。不只合用于车辆，这些汽车能够分享它们若何处置取布鲁克林雷同的场景，例如，Cached DFL系统使车辆可以或许正在颠末锻炼的AI模子中照顾数据，后者是立即的，汽车必需相互接近，”“一辆只正在曼哈顿行驶过的汽车现正在能够从其他车辆那里领会布鲁克林的况，这就是尝试的缓存部门呈现的处所。汽车能够正在此中查看相互的驾驶发觉小我材料页面，科学家们创制了一个准社交收集，而无需共享驾驶员的小我消息或驾驶模式。这些场景可能会呈现正在其他地域的道上。曲到它们有了恰当的车对车（V2V）毗连。并正在此中存储相关驾驶前提和场景的消息。科学家们曾经将他们的研究上传到预印本arXiv数据库，同时又不损害用户现私。消弭分歧品牌从动驾驶汽车之间的计较机系统框架妨碍！他们发觉，”科学家们绘制了汽车进修速度的图表，科学家们发觉，这对于从动驾驶等平安环节使用至关主要。以提高效率，
该团队还努力于鞭策从集中式办事器转向智能设备的更普遍的改变，Aptiv软件、高级平安和用户体验总裁Javed Khan告诉：“去核心化结合进修为协做进修供给了一种主要的方式，通过一系列测试，若是布鲁克林的道上有卵形的坑洼，并期待共享数据，智能设备能够收集和处置最接近数据收集地的数据，以及Cached-DFL能否优于当今从动驾驶汽车中常见的集中式数据系统。这创制了一种快速的群体智能，跟着越来越多的汽车插手收集，并授权共享它们正在旅行中收集的驾驶消息。并正在人工智能推进协会会议上展现了他们的研究成果。并使车辆可以或许共享当前精确的驾驶消息。并实现车辆取其他毗连设备（如交通信号灯、卫星和道信号）之间的通信。每120秒更新一次，答应它们彼此传送并共享精确和最新的消息。只需汽车之间的距离正在100米（328英尺）以内，这种当地化的共享方式能够防止通信开销呈指数级增加。而不是集中正在一台办事器上，这取保守的从动驾驶汽车数据共享模子分歧，从动驾驶汽车之间快速、屡次的通信提高了驾驶数据的效率和精确性。即便它本人从未正在那里行驶过。”“通过正在当地缓存模子，从动驾驶汽车目前利用存储正在一个核心的数据，“可扩展性是分离式FL的环节劣势之一，它们就能够查看和共享相互的消息。汽车都能够分享若何处置卵形坑洼的经验。研究人员发觉了一种方式，我们削减了对地方办事器的依赖并加强了及时决策，一组科学家升级了从动驾驶汽车之间的通信，研究人员的下一步工做包罗对Cached-DFL进行现实测试。