Le auto a guida autonoma, un tempo protagoniste solo di film e serie TV come Herbie il Maggiolino tutto matto e KITT di Supercar, stanno diventando una realtà concreta. I vantaggi di questa tecnologia sono evidenti: permettono ai passeggeri di dedicarsi ad altre attività durante il viaggio, riducono gli incidenti provocati da errori umani e offrono una nuova libertà di movimento a chi non può guidare. Tuttavia, il traffico urbano è un ambiente complesso, e per garantire sicurezza ed efficienza, queste vetture devono comunicare tra loro in modo rapido e preciso.
Un team di ricercatori della New York University (NYU) Tandon School of Engineering ha sviluppato un sistema innovativo che migliora la comunicazione tra veicoli autonomi, prendendo spunto dai meccanismi di diffusione delle informazioni nei social network. I loro studi sono stati presentati alla Conferenza dell’Associazione per l’Avanzamento dell’Intelligenza Artificiale il 27 febbraio 2025.
Il livello attuale della guida autonoma
I veicoli autonomi si affidano a sensori, telecamere e intelligenza artificiale per analizzare l’ambiente e prendere decisioni con un intervento umano minimo. La Society of Automotive Engineers (SAE) suddivide questa tecnologia in sei livelli, da 0 (guida completamente manuale) a 5 (veicolo totalmente autonomo in qualsiasi condizione). Ad oggi, nessuna vettura ha ancora raggiunto il livello 5.
I mezzi più avanzati, come alcuni robotaxi operativi in California e Arizona, funzionano attualmente al livello 4, riuscendo a guidare senza intervento umano, ma solo in determinati scenari e condizioni favorevoli. Tuttavia, l’implementazione su vasta scala presenta ancora sfide critiche, tra cui problemi di sicurezza, gestione della privacy dei dati e adattabilità a situazioni impreviste.
Il problema della comunicazione tra auto
L’intelligenza artificiale consente alle auto autonome di scambiarsi informazioni mentre si incrociano, migliorando la loro capacità di navigare nel traffico. Tuttavia, i metodi attuali di condivisione dei dati sono spesso lenti e inefficaci, poiché avvengono principalmente tramite connessioni dirette e immediate tra i singoli veicoli. Questo è simile al modo in cui le persone farebbero fatica a diffondere informazioni se dovessero parlare direttamente con ogni individuo anziché utilizzare piattaforme digitali.
La soluzione: Cached Decentralized Federated Learning
Per superare questi limiti, gli esperti della NYU Tandon hanno ideato un nuovo approccio chiamato Cached Decentralized Federated Learning (Cached-DFL). Questa tecnologia permette alle vetture di scambiarsi dati in modo più veloce ed efficace, anche quando non entrano in contatto diretto tra loro.
A differenza del Federated Learning tradizionale, che si basa su un server centrale per distribuire gli aggiornamenti, il Cached-DFL consente ai veicoli di allenare autonomamente i propri modelli di AI e di condividerli direttamente tra loro. Quando due auto si trovano a meno di 100 metri di distanza, utilizzano una comunicazione ad alta velocità per trasmettere modelli di apprendimento già elaborati, invece di scambiarsi dati grezzi. Questo accelera il processo di aggiornamento e aumenta l’efficienza dell’apprendimento.
Yong Liu, professore del Dipartimento di Ingegneria Elettrica e Informatica della NYU Tandon, ha spiegato che questo sistema funziona come un social network, permettendo ai dispositivi di trasferire conoscenze da altri veicoli con cui non sono mai entrati in contatto diretto.
Impatti sulla sicurezza stradale
L’adozione del Cached-DFL potrebbe rivoluzionare la sicurezza dei veicoli autonomi, permettendo alle auto di imparare continuamente dagli altri mezzi in circolazione senza compromettere la privacy dei dati. Questo sistema consente ai veicoli di condividere informazioni critiche sulle condizioni stradali, la presenza di ostacoli o cambiamenti nella segnaletica, migliorando la loro capacità di prevenire incidenti.
Liu ha fornito un esempio concreto:
“Un’auto che ha circolato solo a Manhattan potrebbe ricevere informazioni aggiornate sulle condizioni delle strade di Brooklyn da altri veicoli, anche se non ha mai percorso quelle strade di persona.”
Man mano che l’intelligenza artificiale si sposta dai server centralizzati ai dispositivi periferici (edge computing), il Cached-DFL offre un modo più sicuro ed efficiente per far evolvere collettivamente i veicoli autonomi.
Oltre le auto: un futuro di intelligenza collettiva
Questa innovazione non riguarda solo le auto a guida autonoma, ma potrebbe essere applicata a molti altri settori tecnologici. Sistemi come droni, robot industriali e satelliti potrebbero beneficiare dello stesso approccio decentralizzato, migliorando la loro capacità di apprendere e adattarsi a scenari in continua evoluzione.
Inoltre, il codice sviluppato dai ricercatori della NYU Tandon sarà reso pubblico, accelerando ulteriormente l’innovazione in ambiti diversi, dalla logistica intelligente alla sicurezza urbana.
