自动驾驶汽车的通信能力越来越强——这对我们的安全意味着什么?

像大众汽车的赫比和《霹雳游侠》里的KITT这样的自动驾驶汽车，正逐渐从科幻走向现实。其优势显而易见：乘客可以利用通勤时间放松、工作或娱乐，同时减少人为失误造成的事故。此外，自动驾驶汽车也为那些无法自行驾驶的人们提供了更便捷的出行方式。

然而，在复杂的道路交通环境中放弃控制权需要高度先进的技术。目前正在进行的技术研发旨在将完全自动驾驶汽车引入道路，其中一个关键研究领域是如何让这些汽车进行有效通信——例如共享路况信息——以提高安全性和效率。

纽约大学坦顿工程学院的一个研究团队开发了一种系统，旨在改善自动驾驶车辆之间的通信，类似于人们在社交网络上的互动方式。他们的研究成果于2025年2月27日在人工智能促进协会会议上发表。

自动驾驶汽车的现状

自动驾驶汽车依靠传感器、摄像头和人工智能 (AI) 来做出明智的决策，并在极少人为干预的情况下导航道路。美国汽车工程师协会将车辆自动化分为六个级别，从 0（完全手动）到 5（完全自动驾驶，意味着车辆可以在所有条件下自行驾驶，无需人为干预）。

目前，尚无任何自动驾驶汽车实现完全自主驾驶。最先进的车型，例如加利福尼亚州和亚利桑那州的自动驾驶出租车服务，目前运行水平为L4级。然而，自动驾驶技术的广泛应用仍面临诸多挑战，包括潜在的事故风险和数据隐私问题。

人工智能使自动驾驶车辆能够在直接交互时交换知识，从而即时改善道路导航。然而，传统的模型共享方法依赖于即时的、一对一的交换，这会减缓车辆对新情况的适应速度。这类似于人类如果必须与每个接收者面对面交流，而不是通过他人传递信息，就难以有效地传播信息。

提高车对车通信效率

为了克服这一局限性，研究人员提出了一种名为缓存分散式联邦学习（Cached-DFL）的新方法。该方法增强了车辆之间的相互学习能力，即使它们很少相遇。与依赖中央服务器进行更新的传统联邦学习不同，Cached-DFL 允许车辆独立训练 AI 模型并直接交换模型。

当两辆车接近到大约100米的距离时，它们会使用高速通信来共享训练好的模型，而不是传输原始数据。与之前的分散式方法相比，这显著加快了模型的适应速度，并提高了学习效率。

“这有点像信息在社交网络中的传播方式，”纽约大学坦顿工程学院电子与计算机工程系教授、该项目负责人刘勇在新闻稿中解释说。 “现在，即使设备之间从未直接接触，它们也可以传递从其他设备那里获得的知识。”

更好的沟通提升安全性

Cached-DFL 解决了自动驾驶车辆在确保数据安全的前提下相互学习的难题。借助这项技术，自动驾驶汽车可以共享有关路况、信号和障碍物的关键信息——这在城市地区尤为重要，因为车辆会遇到各种不同的路况，但很少长时间互动，传统的学习方法难以奏效。

刘补充道：“一辆只在曼哈顿行驶过的汽车，现在可以通过其他车辆了解布鲁克林的路况，即使它自己从未去过那里。这将使每辆车都更加智能，更好地应对它从未亲身经历过的情况。”

随着人工智能从集中式服务器转向边缘设备，缓存分布式学习（Cached-DFL）为自动驾驶汽车提供了一种安全高效的方式，使其能够协同进化，从而提升智能和适应能力。此外，这项技术的应用范围不仅限于自动驾驶汽车；它还可以应用于其他智能移动代理网络系统，例如无人机、机器人和卫星，以实现去中心化学习和群体智能。随着研究人员公开代码，这些进展有望加速多个行业的创新。