Un equipo de investigadores ha desarrollado un sistema innovador llamado Cached-DFL (aprendizaje federado descentralizado en caché), que permite a los vehículos autónomos compartir información de manera más segura y eficiente. A diferencia de los métodos tradicionales, que dependen de servidores centralizados y conexiones constantes, esta tecnología funciona como una red social descentralizada donde los autos intercambian datos solo cuando están cerca, optimizando el aprendizaje automático sin comprometer la privacidad.
El sistema, liderado por Yong Liu, profesor de la Universidad de Nueva York, permite que cada vehículo almacene modelos de inteligencia artificial de otros autos con los que ha interactuado recientemente. Esto evita la necesidad de una conexión permanente con un servidor central, reduciendo riesgos de ciberseguridad y mejorando la diversidad de datos disponibles. En pruebas con 100 vehículos virtuales en Manhattan, el sistema demostró ser más eficiente que los enfoques convencionales, actualizando modelos cada 120 segundos y compartiendo información solo cuando los autos estaban dentro de un radio de 100 metros.
Uno de los mayores beneficios de Cached-DFL es su escalabilidad. «En lugar de que cada auto se conecte con un servidor central o con todos los demás, solo intercambia datos con los vehículos cercanos», explica Liu. Esto evita la saturación de la red, un problema crítico en sistemas centralizados cuando aumentan los usuarios. Además, al minimizar el envío de información sensible a terceros, se refuerza la privacidad y se reducen costos operativos.
Actualmente, los vehículos autónomos de nivel tres (que requieren supervisión humana ocasional) son los más avanzados en el mercado. Sin embargo, persisten desafíos, como la capacidad de estos sistemas para interpretar situaciones imprevistas. Expertos como Mohamed Abdel-Aty y Shengxuan Ding, de la Universidad de Florida, señalan que los autos autónomos aún tienen dificultades para anticipar comportamientos humanos, como las intenciones de peatones, lo que puede generar reacciones inseguras.
El Cached-DFL podría ser clave para superar estas limitaciones. El equipo planea expandir las pruebas a entornos reales, mejorar la compatibilidad entre distintas marcas y explorar la comunicación vehículo-a-infraestructura (V2I), integrando semáforos y señales en la red. A largo plazo, esta tecnología no solo impactaría en la automoción, sino también en otros dispositivos autónomos, como drones y satélites, impulsando una inteligencia artificial más colaborativa y adaptable.
Con información de: Wired.com
