Inglês 
Espanhol 
Nova tecnologia permite que carros autônomos compartilhem experiências de navegação sem conexão direta ou servidor central, preservando a privacidade dos usuários e melhorando a eficiência nas estradas.
Pesquisadores desenvolveram uma nova maneira de carros autônomos compartilharem informações entre si sem precisar de conexões diretas ou servidores centrais.
O sistema, chamado Cached-DFL (Aprendizado Federado Descentralizado em Cache), promete revolucionar o modo como esses carros se comunicam e aprendem com experiências de outros veículos, aumentando a segurança e eficiência nas estradas.
Como funciona o Cached-DFL para carros autônomos
O sistema Cached-DFL permite que carros autônomos compartilhem modelos de inteligência artificial entre si de forma indireta e sem transmitir dados pessoais dos motoristas.
-
Toyota Corolla Cross 2027 ganha novo visual, com foco em economia, revisões com preço reduzido, mais tecnologia, serviços conectados e garantia de até 10 anos
-
Custando menos de R$ 65 mil, esse sedã automático da Fiat oferece 525 litros de porta-malas, motor 1.8 de até 139cv, sendo uma boa opção para família ou para quem busca um carro com espaço interno e manutenção conhecida no mercado: conheça o Fiat Cronos Precision 2018
-
Volkswagen vai deixar de fabricar esses modelos e cortar 1 milhão de carros da produção até 2030, enquanto elimina 50 mil empregos, reduz plataformas e aposta em veículos que realmente dão lucro no mercado
-
Toyota estreia no Brasil seu primeiro carro 100% elétrico com 343 cv, tração integral, autonomia de 361 km e preço de R$ 419.990, mas apenas 99 compradores poderão levar o bZ4X para casa
Cada veículo armazena informações em modelos de IA treinados com dados de navegação, condições de tráfego, sinais de trânsito e outros elementos do percurso.
Diferente do método tradicional, onde os dados vão direto para servidores centrais, o Cached-DFL distribui essas informações entre os próprios carros, como se criasse uma rede social entre os veículos.
Eles não precisam se conhecer, estar próximos ou dar permissão direta para compartilhar os dados.
Basta que estejam a até 100 metros de distância para que possam acessar os perfis de navegação uns dos outros.
Segundo o Dr. Yong Liu, professor da Escola de Engenharia Tandon da Universidade de Nova York, essa nova abordagem cria uma rede de experiências compartilhadas. “Um carro que só rodou em Manhattan agora pode aprender sobre as condições das estradas no Brooklyn com outros veículos, mesmo que nunca tenha ido até lá”, explicou.
Testes em ambiente simulado
Para validar a proposta, os cientistas realizaram testes com 100 carros autônomos virtuais dirigindo por uma simulação de Manhattan.
Os veículos seguiam padrões semi-aleatórios e tinham seus modelos de IA atualizados a cada 120 segundos.
Durante os testes, os carros armazenavam dados em cache até encontrarem outro veículo em um raio de até 100 metros, o que permitia a troca de informações de forma eficiente e descentralizada.
Essa técnica é diferente dos modelos comuns, que exigem conexão imediata com servidores e não permitem armazenamento local.
Os resultados mostraram que essa comunicação frequente e rápida entre os carros melhorou significativamente a precisão e a velocidade de aprendizado.
Além disso, permitiu que cada veículo aprendesse com experiências reais de outros veículos, mesmo em locais diferentes do mapa.
Segurança e privacidade como prioridades
Uma das grandes vantagens do Cached-DFL é que ele elimina a necessidade de enviar dados pessoais para servidores externos.
Isso reduz os riscos de vazamentos de informações sensíveis e mantém a privacidade dos usuários.
O sistema também distribui o poder de processamento entre os veículos, o que diminui a dependência de servidores potentes e centrais. Para o Dr. Jie Xu, da Universidade da Flórida, isso torna a solução mais escalável. “Cada veículo apenas troca atualizações de modelo com aqueles que encontra. Essa abordagem evita a sobrecarga de comunicação conforme a rede cresce”, afirmou.
Expansão para outros dispositivos
O próximo passo dos pesquisadores é testar o sistema no mundo real. Eles também querem ampliar a compatibilidade do Cached-DFL entre diferentes marcas de veículos e integrar a comunicação com outros dispositivos conectados, como semáforos, satélites e sinais de trânsito.
Essa evolução é chamada de comunicação “veículo para tudo” (V2X). A ideia é que os veículos se conectem não apenas entre si, mas também com todo o ambiente ao redor, aumentando ainda mais a capacidade de navegação e segurança.
Os pesquisadores acreditam que essa tecnologia pode ser usada não apenas em carros, mas também em satélites, drones, robôs e outros dispositivos que precisam tomar decisões com base em dados em tempo real.
Um novo caminho para a direção autônoma
O Cached-DFL representa um avanço importante para tornar os carros autônomos mais eficientes e seguros. A proposta permite que eles aprendam uns com os outros em tempo real, sem depender de servidores centrais e sem comprometer a privacidade do motorista.
Javed Khan, executivo da empresa Aptiv, destaca a importância do modelo. “Ao armazenar modelos em cache localmente, reduzimos a dependência de servidores centrais e aprimoramos a tomada de decisões em tempo real, crucial para aplicações críticas de segurança, como a direção autônoma”, declarou.
A pesquisa foi apresentada na Conferência da Associação para o Avanço da Inteligência Artificial em 27 de fevereiro e está disponível no banco de dados arXiv desde 26 de agosto de 2024.
Com os próximos testes, os cientistas esperam validar o sistema em condições reais e avançar rumo a um futuro onde os veículos autônomos aprendem de forma coletiva, segura e descentralizada.
